計算機視覺——基于OpenCV與TensorFlow的深度學習方法 ( 簡體 字) |
| 作者：余海林、翟中華 | 類別：1. -> 教材 -> 數位影像處理 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 54354
詢問書籍請說出此書號！【有庫存】
NT售價： 345 元 |
| 出版日：4/1/2021 |
| 頁數：196 |
| 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：9787302567431 |
| 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：深度學習應用于計算機視覺已經非常普遍，自從AlexNet橫空出世，卷積神經網絡在計算機視覺領域一騎絕塵，頻頻突破原先的最佳模型，甚至在多個任務上超越人類。遺憾的是，市面上關于基于深度學習計算機視覺的中文書少之又少，其中精品更是很難見到。有的書注重講解數學，忽略了計算機視覺是一門實踐科學的本質； 有的書有很多代碼實戰，卻輕描淡寫地帶過了計算機視覺和深度學習的原理。對于深度學習和計算機視覺來說，原理和實踐是相輔相成的，缺一不可。有的書確實做到了原理和實踐相結合，但是忽略了傳統計算機視覺的重要性，只關注基于深度學習的計算機視覺。于是筆者決定寫一本真正的計算機視覺入門圖書，既包括傳統計算機視覺和深度學習，又包括原理和代碼實戰。
本書的寫成源于AI火箭營的初心，我們希望在人工智能時代來臨之際，能夠幫助更多的人進入人工智能技術的殿堂，使更多的人利用人工智能解決現實中的實際問題，讓更多的人在各行各業用人工智能升級改造傳統產業或技術體系。
本書內容
本書從傳統計算機視覺入手，通過色彩特征、局部特征、梯度特征等帶領讀者走入圖像的世界，而后介紹傳統計算機視覺的經典算法，例如目標檢測、光流與跟蹤等，繼而進入深度學習部分，深入講解如何將卷積神經網絡應用于物體分類、目標檢測等實際問題，最后介紹最新的GAN網絡。為了讓讀者更好地了解傳統計算機視覺和深度學習計算機視覺的區別，第13章詳細介紹了傳統計算機視覺和深度學習計算機視覺關于人臉識別方法的對比。
本書特點
(1) 通俗易懂，作為入門類圖書，不用大量的數學公式，也不用復雜的術語，而是用通俗易懂的語言、形象生動的例子、栩栩如生的圖片帶領讀者進入計算機視覺的世界。本書盡量以簡單、易懂的方式將數學公式呈現給讀者。即使是新入門的讀者，也不會有任何閱讀困難。
(2) 原理與實戰相結合，作為計算機編程類圖書，本書并非列舉編程庫或是編程函數，而是將原理與實戰相結合，既闡明深刻的原理，又將所學應用到真正的實戰項目，如人臉識別、車牌識別等，讓讀者學會OpenCV、TensorFlow等平臺的函數及用法。
(3) 抽絲剝繭、深挖本質。計算機視覺往往涉及種類繁多的模型和各式各樣的特征。本書在講解新的網絡架構或是算法時，透過其繁雜的表面，深挖其本質。
(4) 橫向比較： 同一個問題往往有很多種不同的算法，例如目標檢測問題就有RCNN、YOLO、SSD三大網絡，它們各有千秋，我們要取其精華，去其糟粕。 縱向對比： 同一個實際問題，有傳統計算機視覺的解決方案，也有深度學習計算機視覺的解決方案，如最常用的人臉識別，要分析不同方案的優劣，適合應用的場景。
本書對所有涉及的技術點進行了背景介紹，寫作風格嚴謹。書中所有的代碼執行結果都是自動生成的，任何改動都會觸發對書中每一段代碼的測試，以保證讀者在動手實踐時能復現結果。
由于筆者水平有限，書中難免存在疏忽，敬請原諒，并懇請讀者批評指正。
余海林翟中華
2020年7月
本書源代碼下載 |
內容簡介：本書詳細講解基于OpenCV的傳統計算機視覺和以TensorFlow代碼為主的基于深度學習的計算機視覺。
本書從基本的圖像特征開始，包括顏色特征、幾何特征、局部特征、梯度特征，到圖像美化，再到傳統目標檢測、光流與跟蹤等；繼而進入深度學習部分，首先帶來深度學習的基本原理，然后是卷積神經網絡的深入剖析，進而闡述如何將卷積神經網絡應用于計算機視覺的物體分類、目標檢測等常見問題上，最后介紹計算機視覺最新的GAN網絡。本書以非常簡單的公式和原理解釋學習過程中遇到的問題，通過大量精美的圖片讓讀者直觀感受計算機視覺的效果，深入理解計算機視覺的核心內容。
本書適合人工智能方向的大學本科生、研究生，以及初學者閱讀。對于有一定基礎和經驗的讀者，也能幫助他們查缺補漏，深入理解和掌握相關原理和方法，提高實際解決問題的能力。 |
目錄：第1章機器看世界
1.1計算機眼里的圖像
1.2計算機視覺的起源
1.2.1馬爾計算視覺
1.2.2主動和目的視覺
1.2.3多視幾何和分層三維重建
1.2.4基于學習的視覺
1.3計算機視覺的難點
1.4深度學習的起源
1.5基于深度學習的計算機視覺
1.5.1研究方向
1.5.2未來發展
第2章傳統圖像處理之OpenCV的妙用
2.1OpenCV安裝
2.2OpenCV模塊
2.3OpenCV數據存取
2.4OpenCV圖像基本操作
2.4.1OpenCV圖像縮放
2.4.2OpenCV圖像裁剪
2.4.3OpenCV圖像旋轉
2.5從攝像頭讀取
2.6矩陣操作
第3章傳統圖像處理之尋找特征
3.1顏色特征
3.1.1RGB顏色空間
3.1.2HIS顏色空間
3.1.3HSV顏色空間
3.1.4顏色直方圖
3.1.5OpenCV圖像色調，對比度變化
3.2幾何特征
3.2.1邊緣特征
3.2.2角點
3.2.3斑點
3.3局部特征
3.3.1SIFT算法
3.3.2SURF算法
3.4代碼實戰：圖像匹配
第4章傳統圖像處理之圖像美化
4.1添加圖形與文字
4.2圖像美白
4.3圖像修復與去噪
4.4圖像輪廓
4.5圖像金字塔
4.6代碼實戰：圖像融合
第5章傳統圖像處理之相機模型
5.1相機模型
5.1.1針孔相機模型
5.1.2射影幾何
5.2透鏡
5.3透鏡畸變
第6章傳統圖像處理之目標檢測
6.1OpenCV中的機器學習
6.1.1機器學習簡介
6.1.2OpenCV機器學習數據流
6.1.3OpenCV機器學習算法
6.2基于支持向量機的目標檢測與識別
6.2.1詞袋算法
6.2.2隱式支持向量機算法
6.3基于樹方法的目標檢測與識別
6.4代碼實戰：人臉識別
6.5傳統圖像總結
第7章深度學習初識
7.1深度學習基礎
7.2正向傳播、反向傳播算法
7.3非線性激活函數
7.4Dropout正則化方法
7.5GPU加速運算
第8章基于深度學習的計算機視覺之卷積神經網絡
8.1卷積神經網絡基本架構
8.1.1卷積層
8.1.2池化層
8.1.3全連接層
8.1.4Softmax激活函數
8.1.5交叉熵損失
8.2AlexNet結構詳解
8.3卷積神經網絡的優點
第9章基于深度學習的計算機視覺之TensorFlow
9.1TensorFlow的起源
9.2TensorFlow基礎知識
9.2.1安裝
9.2.2圖計算
9.2.3TensorFlow2.0
9.2.4張量
9.2.5tf.data
9.2.6可視化
9.2.7模型存取
9.2.8Keras接口
9.2.9神經網絡搭建
9.3代碼實戰：手寫數字
第10章基于深度學習的計算機視覺之目標識別
10.1目標識別的概念
10.2構建數據集的方法
10.3搭建神經網絡
10.4訓練及效果評估
10.5解決過擬合
10.6數據增強
10.7遷移學習
第11章基于深度學習的計算機視覺之兩階段目標檢測
11.1什么是目標檢測
11.2目標檢測的難點
11.3目標檢測的基礎知識
11.3.1候選框
11.3.2交并比
11.3.3非極大值抑制
11.3.4傳統目標檢測基本流程
11.4目標檢測效果評估
11.5二階段算法：R拟CNN類網絡
11.5.1R拟CNN網絡
11.5.2FastR拟CNN網絡
11.5.3FasterR拟CNN網絡
11.6代碼實戰
第12章基于深度學習的計算機視覺之階段目標檢測
12.1YOLO網絡
12.1.1YOLO起源
12.1.2YOLO原理
12.1.3YOLOv2原理
12.1.4YOLOv3原理
12.1.5YOLO應用
12.2SSD網絡
12.3代碼實戰：車牌識別
第13章人臉識別：傳統方法VS深度學習
13.1人臉識別技術的歷史
13.2人臉識別技術的發展前景
13.3人臉識別技術主要流程
13.3.1人臉識別的主要流程
13.3.2人臉識別的主要方法
13.3.3人臉識別的技術指標
13.4深度學習方法
13.5人臉識別的挑戰
第14章基于深度學習的計算機視覺：生成模型
14.1自動編碼器
14.1.1去噪自動編碼器
14.1.2變分自動編碼器
14.2風格遷移
14.3GAN網絡
參考文獻 |
| 序： |
