 |
-- 會員 / 註冊 --
|
 |
|
|
|
計算機視覺：模型、學習和推理 ( 簡體 字) |
| 作者：[英]西蒙 J.D. 普林斯（Simon J. D. Prince | 類別：1. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 48380
詢問書籍請說出此書號！【缺書】
NT售價： 595 元 |
| 出版日：6/29/2017 |
| 頁數：442 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111516828 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書是一本從機器學習視角講解計算機視覺的非常好的教材。全書圖文并茂、語言淺顯易懂，算法描述由淺入深，即使是數學背景不強的學生也能輕松理解和掌握。作者展示了如何使用訓練數據來學習觀察到的圖像數據和我們希望預測的現實世界現象之間的聯系，以及如何如何研究這些聯系來從新的圖像數據中作出新的推理。本書要求少的前導知識，從介紹概率和模型的基礎知識開始，接著給出讓學生能夠實現和修改來構建有用的視覺系統的實際示例。適合作為計算機視覺和機器學習的高年級本科生或研究生的教材，書中詳細的方法演示和示例對于計算機視覺領域的專業人員也非常有用。 |
目錄：譯者序
譯者簡介
序
前言
第1章緒論1
1杄1本書結構2
1杄2其他書籍4
第一部分概率
第2章概率概述6
2杄1隨機變量6
2杄2聯合概率7
2杄3邊緣化7
2杄4條件概率8
2杄5貝葉斯公式9
2杄6獨立性9
2杄7期望10
討論10
備注11
習題11
第3章常用概率分布12
3杄1伯努利分布13
3杄2貝塔分布13
3杄3分類分布14
3杄4狄利克雷分布14
3杄5一元正態分布15
3杄6正態逆伽馬分布15
3杄7多元正態分布16
3杄8正態逆維希特分布16
3杄9共軛性17
總結18
備注18
習題18
第4章擬合概率模型21
4杄1最大似然法21
4杄2最大后驗法21
4杄3貝葉斯方法22
4杄4算例1：一元正態分布22
4杄4杄1最大似然估計22
4杄4杄2最大后驗估計24
4杄4杄3貝葉斯方法26
4杄5算例2：分類分布28
4杄5杄1最大似然法28
4杄5杄2最大后驗法29
4杄5杄3貝葉斯方法30
總結31
備注31
習題32
第5章正態分布34
5杄1協方差矩陣的形式34
5杄2協方差分解35
5杄3變量的線性變換36
5杄4邊緣分布36
5杄5條件分布37
5杄6正態分布的乘積38
5杄7變量改變38
總結38
備注39
習題39
第二部分機器視覺的機器學習
第6章視覺學習和推理42
6杄1計算機視覺問題42
6杄2模型的種類42
6杄2杄1判別模型43
6杄2杄2生成模型43
6杄3示例1：回歸43
6杄3杄1判別模型44
6杄3杄2生成模型44
6杄4示例2：二值分類46
6杄4杄1判別模型46
6杄4杄2生成模型46
6杄5應該用哪種模型48
6杄6應用49
6杄6杄1皮膚檢測49
6杄6杄2背景差分50
總結51
備注51
習題52
第7章復雜數據密度建模54
7杄1正態分類模型54
7杄2隱變量56
7杄3期望最大化57
7杄4混合高斯模型58
7杄4杄1混合高斯邊緣化59
7杄4杄2基于期望最大化的混合模型擬合59
7杄5t分布63
7杄5杄1學生t分布邊緣化64
7杄5杄2擬合t分布的期望最大化65
7杄6因子分析67
7杄6杄1因子分析的邊緣分布68
7杄6杄2因子分析學習的期望最大化68
7杄7組合模型71
7杄8期望最大化算法的細節71
7杄8杄1期望最大化算法的下界73
7杄8杄2E步74
7杄8杄3M步74
7杄9應用75
7杄9杄1人臉檢測75
7杄9杄2目標識別76
7杄9杄3分割77
7杄9杄4正臉識別78
7杄9杄5改變人臉姿態（回歸）78
7杄9杄6作為隱變量的變換79
總結80
備注80
習題81
第8章回歸模型82
8杄1線性回歸82
8杄1杄1學習83
8杄1杄2線性回歸模型的問題83
8杄2貝葉斯線性回歸84
8杄2杄1實際考慮85
8杄2杄2擬合方差86
8杄3非線性回歸87
8杄3杄1最大似然法87
8杄3杄2貝葉斯非線性回歸89
8杄4核與核技巧89
8杄5高斯過程回歸90
8杄6稀疏線性回歸91
8杄7二元線性回歸93
8杄8相關向量回歸95
8杄9多變量數據回歸96
8杄10應用96
8杄10杄1人體姿勢估計96
8杄10杄2位移專家97
討論98
備注98
習題98
第9章分類模型100
9杄1邏輯回歸100
9杄1杄1學習:最大似然估計102
9杄1杄2邏輯回歸模型的問題103
9杄2貝葉斯邏輯回歸104
9杄2杄1學習104
9杄2杄2推理106
9杄3非線性邏輯回歸107
9杄4對偶邏輯回歸模型108
9杄5核邏輯回歸110
9杄6相關向量分類111
9杄7增量擬合和boosting113
9杄8分類樹116
9杄9多分類邏輯回歸117
9杄10隨機樹、隨機森林和隨機蕨分類器118
9杄11與非概率模型的聯系119
9杄12應用120
9杄12杄1性別分類120
9杄12杄2臉部和行人檢測121
9杄12杄3語義分割122
9杄12杄4恢復表面布局123
9杄12杄5人體部位識別124
討論125
備注125
習題127
第三部分連接局部模型
第10章圖模型130
10杄1條件獨立性130
10杄2有向圖模型131
10杄2杄1示例1132
10杄2杄2示例2132
10杄2杄3示例3133
10杄2杄4總結134
10杄3無向圖模型134
10杄3杄1示例1135
10杄3杄2示例2136
10杄4有向圖模型與無向圖模型的對比136
10杄5計算機視覺中的圖模型137
10杄6含有多個未知量的模型推理139
10杄6杄1求最大后驗概率的解139
10杄6杄2求后驗概率分布的邊緣分布139
10杄6杄3最大化邊緣140
10杄6杄4后驗分布的采樣140
10杄7樣本采樣140
10杄7杄1有向圖模型的采樣141
10杄7杄2無向圖模型的采樣141
10杄8學習142
10杄8杄1有向圖模型的學習142
10杄8杄2無向圖模型的學習143
討論145
備注145
習題145
第11章鏈式模型和樹模型147
11杄1鏈式模型148
11杄1杄1有向鏈式模型148
11杄1杄2無向鏈式模型148
11杄1杄3模型的等價性148
11杄1杄4隱馬爾可夫模型在手語中的應用149
11杄2鏈式MAP推理149
11杄3樹的MAP推理152
11杄4鏈式邊緣后驗推理155
11杄4杄1求解邊緣分布155
11杄4杄2前向后向算法156
11杄4杄3置信傳播157
11杄4杄4鏈式模型的和積算法158
11杄5樹的邊緣后驗推理160
11杄6鏈式模型和樹模型的學習161
11杄7鏈式模型和樹模型之外的東西161
11杄8應用163
11杄8杄1手勢跟蹤163
11杄8杄2立體視覺164
11杄8杄3形象化結構166
11杄8杄4分割167
討論167
備注168
習題169
第12章網格模型172
12杄1馬爾可夫隨機場172
12杄1杄1網格示例173
12杄1杄2離散成對MRF圖像去噪174
12杄2二值成對馬爾可夫隨機場的MAP推理175
12杄2杄1最大流/最小割176
12杄2杄2MAP推理：二值變量177
12杄3多標簽成對MRF的MAP推理182
12杄4非凸勢的多標簽MRF186
12杄5條件隨機場189
12杄6高階模型190
12杄7網格有向模型190
12杄8應用191
12杄8杄1背景差分191
12杄8杄2交互式分割192
12杄8杄3立體視覺193
12杄8杄4圖像重排193
12杄8杄5超分辨率195
12杄8杄6紋理合成196
12杄8杄7合成新面孔197
討論198
備注198
習題200
第四部分預處理
第13章圖像預處理與特征提取204
13杄1逐像素變換204
13杄1杄1白化204
13杄1杄2直方圖均衡化205
13杄1杄3線性濾波206
13杄1杄4局部二值模式210
13杄1杄5紋理基元映射211
13杄2邊緣、角點和興趣點212
13杄2杄1Canny邊緣檢測器212
13杄2杄2Harris角點檢測器214
13杄2杄3SIFT檢測器215
13杄3描述子216
13杄3杄1直方圖216
13杄3杄2SIFT描述子216
13杄3杄3方向梯度直方圖217
13杄3杄4詞袋描述子218
13杄3杄5形狀內容描述子218
13杄4降維219
13杄4杄1單數值近似220
13杄4杄2主成分分析221
13杄4杄3二元主成分分析221
13杄4杄4K均值算法222
結論223
備注223
習題224
第五部分幾何模型
第14章針孔攝像機228
14杄1針孔攝像機簡介228
14杄1杄1歸一化攝像機229
14杄1杄2焦距參數230
14杄1杄3偏移量和偏移參數230
14杄1杄4攝像機的位置與方向231
14杄1杄5全針孔攝像機模型232
14杄1杄6徑向畸變232
14杄2三個幾何問題233
14杄2杄1問題1：學習外在參數233
14杄2杄2問題2：學習內在參數234
14杄2杄3問題3：推理3D世界點235
14杄2杄4解決問題235
14杄3齊次坐標236
14杄4學習外在參數237
14杄5學習內在參數239
14杄6推理3D世界點240
14杄7應用241
14杄7杄1結構光的深度241
14杄7杄2剪影重構243
討論245
備注245
習題246
第15章變換模型249
15杄1二維變換模型249
15杄1杄1歐氏變換模型249
15杄1杄2相似變換模型251
15杄1杄3仿射變換模型252
15杄1杄4投影變換模型252
15杄1杄5增加不確定性254
15杄2變換模型中的學習255
15杄2杄1學習歐氏參數255
15杄2杄2學習相似參數256
15杄2杄3學習仿射參數256
15杄2杄4學習投影參數257
15杄3變換模型中的推理258
15杄4平面的三個幾何問題258
15杄4杄1問題1：學習外在參數258
15杄4杄2問題2：學習內在參數260
15杄4杄3問題3：與攝像機相關的3D位置推理261
15杄5圖像間的變換261
15杄5杄1單應性的幾何特征262
15杄5杄2計算圖像間的變換263
15杄6變換的魯棒學習264
15杄6杄1RANSAC264
15杄6杄2連續RANSAC265
15杄6杄3PEaRL266
15杄7應用268
15杄7杄1增強現實追蹤268
15杄7杄2視覺全景269
討論270
備注270
習題271
第16章多攝像機系統273
16杄1雙視圖幾何學理論273
16杄1杄1極線約束274
16杄1杄2極點274
16杄2實矩陣275
16杄2杄1實矩陣的屬性276
16杄2杄2實矩陣的分解277
16杄3基礎矩陣279
16杄3杄1基礎矩陣的估計279
16杄3杄28點算法280
16杄4雙視圖重構的流程281
16杄5校正284
16杄5杄1平面校正284
16杄5杄2極面校正286
16杄5杄3校正后處理287
16杄6多視圖重構287
16杄7應用290
16杄7杄1三維重構290
16杄7杄2圖片瀏覽291
16杄7杄3立體圖割292
討論293
備注293
習題294
第六部分視覺模型
第17章形狀模型298
17杄1形狀及其表示298
17杄2snake模型299
17杄2杄1推理301
17杄2杄2snake模型中存在的問題301
17杄3形狀模板302
17杄3杄1推理303
17杄3杄2用迭代最近點算法進行推理304
17杄4統計形狀模型304
17杄4杄1學習305
17杄4杄2推理306
17杄5子空間形狀模型306
17杄5杄1概率主成分分析307
17杄5杄2學習308
17杄5杄3推理309
17杄6三維形狀模型311
17杄7形狀和外觀的統計模型311
17杄7杄1學習313
17杄7杄2推理314
17杄8非高斯統計形狀模型315
17杄8杄1回歸PPCA315
17杄8杄2高斯過程隱變量模型316
17杄9鉸接式模型317
17杄10應用319
17杄10杄1三維形變模型319
17杄10杄2三維人體模型321
討論322
備注322
習題324
第18章身份與方式模型326
18杄1子空間身份模型328
18杄1杄1學習329
18杄1杄2推理331
18杄1杄3在其他識別任務中的推理332
18杄1杄4身份子空間模型的局限性333
18杄2概率線性判別分析334
18杄2杄1學習335
18杄2杄2推理335
18杄3非線性身份模型336
18杄4非對稱雙線性模型337
18杄4杄1學習339
18杄4杄2推理339
18杄5對稱雙線性和多線性模型341
18杄5杄1學習342
18杄5杄2推理343
18杄5杄3多線性模型344
18杄6應用344
18杄6杄1人臉識別344
18杄6杄2紋理建模345
18杄6杄3動畫合成346
討論346
備注346
習題348
第19章時序模型349
19杄1時序估計框架349
19杄1杄1推理350
19杄1杄2學習350
19杄2卡爾曼濾波器351
19杄2杄1推理351
19杄2杄2改寫測量合并階段352
19杄2杄3推理總結353
19杄2杄4示例1353
19杄2杄5示例2354
19杄2杄6濾波355
19杄2杄7時序和測量模型356
19杄2杄8卡爾曼濾波器的問題358
19杄3擴展卡爾曼濾波器358
19杄4無損卡爾曼濾波器360
19杄4杄1狀態演化361
19杄4杄2測量合并過程362
19杄5粒子濾波363
19杄5杄1時間演化364
19杄5杄2測量合并364
19杄5杄3擴展366
19杄6應用366
19杄6杄1行人跟蹤366
19杄6杄2單目的即時定位與地圖構建366
19杄6杄3在復雜背景中跟蹤輪廓線367
討論369
備注369
習題370
第20章視覺詞模型372
20杄1視覺詞集合的圖像372
20杄2詞袋373
20杄2杄1學習374
20杄2杄2推理374
20杄2杄3詞袋模型的相關問題375
20杄3隱狄利克雷分布376
20杄3杄1學習377
20杄3杄2非監督物體檢測379
20杄4單一創作主題模型380
20杄4杄1學習381
20杄4杄2推理382
20杄5星座模型382
20杄5杄1學習383
20杄5杄2推理385
20杄6場景模型385
20杄7應用386
20杄7杄1視頻搜索386
20杄7杄2行為識別387
討論388
備注389
習題389
第七部分附錄
附錄A符號說明392
附錄B最優化394
附錄C線性代數402
參考文獻413 |
| 序： |
|
