計(jì)算機(jī)視覺

第1章 緒論
本章思維導(dǎo)圖
1．1 計(jì)算機(jī)視覺簡史
1．2 2012年——計(jì)算機(jī)視覺發(fā)展的新起點(diǎn)
1．3 計(jì)算機(jī)視覺應(yīng)用
1．4 GPU與并行技術(shù)——深度學(xué)習(xí)和計(jì)算機(jī)視覺發(fā)展的加速器
1．5 基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺應(yīng)用
1．6 全書章節(jié)簡介
本章思考題
本章參考文獻(xiàn)
第2章 圖像的表示
本章思維導(dǎo)圖
2．1 色彩學(xué)基礎(chǔ)
2．1．1 三基色原理
2．1．2 彩色模型
2．1．3 小結(jié)
2．2 圖像的數(shù)字化
2．2．1 采樣
2．2．2 量化
2．2．3 圖像的性質(zhì)
2．2．4 像素間的關(guān)系
2．2．5 對(duì)比度
2．2．6 敏銳度
2．2．7 圖像中的噪聲
2．2．8 小結(jié)
2．3 圖像預(yù)處理
2．3．1 灰度化
2．3．2 幾何變換
2．3．3 圖像增強(qiáng)
2．3．4 小結(jié)
2．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第3章 特征提取
本章思維導(dǎo)圖
3．1 局部特征點(diǎn)檢測概述
3．2 角點(diǎn)檢測
3．2．1 角點(diǎn)介紹
3．2．2 Harris角點(diǎn)
3．2．3 Fast角點(diǎn)
*3．2．4 FAST-ER角點(diǎn)檢測子
3．2．5 小結(jié)
3．3 斑點(diǎn)檢測
3．3．1 斑點(diǎn)介紹
3．3．2 LOG斑點(diǎn)檢測
*3．3．3 DOG斑點(diǎn)檢測
*3．3．4 DOH斑點(diǎn)檢測
3．3．5 SIFT斑點(diǎn)檢測
3．3．6 SURF斑點(diǎn)檢測
3．3．7 小結(jié)
3．4 特征描述子
3．4．1 特征描述子介紹
3．4．2 BRIEF描述子
3．4．3 ORB特征提取算法
3．4．4 BRISK特征提取算法
3．4．5 FREAK特征提取算法
3．4．6 小結(jié)
3．5 邊緣檢測
3．5．1 邊緣介紹
3．5．2 邊緣檢測介紹
3．5．3 邊緣檢測的基本方法
3．5．4 邊緣檢測算子的概念
3．5．5 常見的邊緣檢測算子
3．5．6 梯度算子介紹
3．5．7 梯度的衡量方法
3．5．8 如何用梯度算子實(shí)現(xiàn)邊緣檢測
3．5．9 小結(jié)
3．6 一階微分邊緣算子
3．6．1 一階微分邊緣算子的基本思想
3．6．2 Roberts算子
3．6．3 Prewitt算子
3．6．4 Sobel算子
3．6．5 Kirsch算子
3．6．6 小結(jié)
3．7 二階微分邊緣算子
3．7．1 二階微分邊緣算子的基本思想
3．7．2 Laplace算子
3．7．3 LOG算子
3．7．4 Canny算子
3．7．5 小結(jié)
3．8 基于窗口模板的檢測方法
3．8．1 SUSAN檢測方法介紹
3．8．2 小結(jié)
3．9 新興的邊緣檢測算法
3．9．1 小波分析
3．9．2 模糊算法
3．9．3 人工神經(jīng)網(wǎng)絡(luò)
3．9．4 小結(jié)
3．1 0 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第4章 神經(jīng)網(wǎng)絡(luò)
本章思維導(dǎo)圖
4．1 感知器
4．1．1 基本概念
4．1．2 激活函數(shù)
4．2 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
4．3 前向傳播與反向傳播算法
4．3．1 前向傳播算法
4．3．2 反向傳播算法原理
4．3．3 反向傳播計(jì)算過程推導(dǎo)
4．4 卷積神經(jīng)網(wǎng)絡(luò)概述
4．5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4．6 卷積神經(jīng)網(wǎng)絡(luò)的組成
4．6．1 局部感知
4．6．2 空間排列
4．6．3 參數(shù)共享
4．6．4 卷積
4．6．5 池化層
4．6．6 全連接層
4．6．7 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
4．7 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
4．8 循環(huán)神經(jīng)網(wǎng)絡(luò)概述
4．9 循環(huán)神經(jīng)網(wǎng)絡(luò)與語言模型
4．1 0 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4．1 1 循環(huán)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展與改進(jìn)
4．1 1．1 Simple-RNN
4．1 1．2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
4．1 1．3 深度循環(huán)神經(jīng)網(wǎng)絡(luò)
4．1 1．4 長短期記憶網(wǎng)絡(luò)與門控循環(huán)單元網(wǎng)絡(luò)
4．1 2 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第5章 物體分類與識(shí)別
本章思維導(dǎo)圖
5．1 從AlexNet到GoogLeNet
5．1．1 AlexNet
5．1．2 VGGNet
5．1．3 GoogLeNet
5．1．4 小結(jié)
5．2 深度殘差網(wǎng)絡(luò)ResNet
5．2．1 平原網(wǎng)絡(luò)的深度限制
5．2．2 ResNet的提出
5．2．3 殘差學(xué)習(xí)突破深度限制
5．2．4 小結(jié)
5．3 遷移學(xué)習(xí)圖像分類
5．3．1 遷移學(xué)習(xí)簡介
5．3．2 遷移學(xué)習(xí)圖像分類策略
5．3．3 小結(jié)
5．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第6章 目標(biāo)檢測與語義分割
本章思維導(dǎo)圖
6．1 從RCNN到Faster R-CNN
6．1．1 R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．1．2 交并比
6．1．3 邊框回歸算法
6．1．4 非極大值抑制
6．1．5 SPP-Net網(wǎng)絡(luò)結(jié)構(gòu)
6．1．6 Fast R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．1．7 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．1．8 小結(jié)
6．2 端到端方法：YOLO、SSD
6．2．1 One Stage和TWO Stage方法比較
6．2．2 YOLO網(wǎng)絡(luò)結(jié)構(gòu)
6．2．3 SSD網(wǎng)絡(luò)結(jié)構(gòu)
6．2．4 小結(jié)
6．3 從FCN到Mask R-CNN
6．3．1 FCN網(wǎng)絡(luò)結(jié)構(gòu)
6．3．2 DeepLab網(wǎng)絡(luò)結(jié)構(gòu)
6．3．3 Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
6．3．4 小結(jié)
6．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第7章 圖片描述與關(guān)系識(shí)別
本章思維導(dǎo)圖
7．1 單詞、句子在深度學(xué)習(xí)模型中的表示
7．1．1 One-Hot表示
7．1．2 詞嵌入表示
7．1．3 小結(jié)
7．2 Encoder-Decoder模型
7．2．1 Encoder-Decoder基本結(jié)構(gòu)
7．2．2 Attention機(jī)制
7．2．3 小結(jié)
7．3 基于Encoder-Decoder的圖片描述與關(guān)系識(shí)別模型
7．3．1 NIC網(wǎng)絡(luò)模型
7．3．2 基于Attention的圖片描述
7．3．3 小結(jié)
7．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)
第8章 生成對(duì)抗網(wǎng)絡(luò)
本章思維導(dǎo)圖
8．1 GANs模型介紹
8．1．1 生成模型與判別模型
8．1．2 對(duì)抗網(wǎng)絡(luò)思想
8．1．3 詳細(xì)實(shí)現(xiàn)過程
8．1．4 小結(jié)
8．2 GANs的簡單理論介紹
8．2．1 GANs的理論靈感
8．2．2 GANs的理論證明
8．2．3 小結(jié)
8．3 GANs的應(yīng)用
8．3．1 文本轉(zhuǎn)圖像——CGAN
8．3．2 照片風(fēng)格轉(zhuǎn)化——CycleGAN
8．3．3 局部變臉術(shù)——StarGAN
8．3．4 定制圖片生成——InfoGAN
8．3．5 小結(jié)
8．4 本章總結(jié)
本章思考題
本章參考文獻(xiàn)