深度學(xué)習(xí)時(shí)代的計(jì)算機(jī)視覺(jué)算法

定　價(jià)：￥129.80

作　者：	徐從安，李健偉，董云龍，孫超等著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787115581327	出版時(shí)間：	2022-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	189	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)著重闡述了深度學(xué)***的計(jì)算機(jī)視覺(jué)算法的工作原理，首先對(duì)深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)基礎(chǔ)進(jìn)行了介紹，之后對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的演化過(guò)程，以及基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法、圖像分割算法、人體姿態(tài)估計(jì)算法、行人重識(shí)別與目標(biāo)跟蹤算法、人臉識(shí)別算法以及圖像超分辨率重建方法進(jìn)行了介紹。本書(shū)系統(tǒng)講解了在日常生活和工作中常見(jiàn)的幾項(xiàng)計(jì)算機(jī)視覺(jué)任務(wù)，并著重介紹了在當(dāng)今深度學(xué)***，這些計(jì)算機(jī)視覺(jué)任務(wù)是如何工作的，可使讀者快速了解這些算法原理，以及其相互之間的關(guān)系。本書(shū)適合高年級(jí)本科生、研究生、教師，以及對(duì)人工智能或計(jì)算機(jī)視覺(jué)算法感興趣的工程技術(shù)人員閱讀。

作者簡(jiǎn)介

　　徐從安，工學(xué)博士，海軍航空大學(xué)信息融合研究所副教授，清華大學(xué)訪問(wèn)學(xué)者，入選中國(guó)科協(xié)青年人才托舉工程。長(zhǎng)期從事智能信息處理、計(jì)算機(jī)視覺(jué)研究，主持或參與國(guó)家自然科學(xué)基金、裝備預(yù)研等課題項(xiàng)目10余項(xiàng)，相關(guān)成果獲省部級(jí)科技進(jìn)步獎(jiǎng)4項(xiàng)。發(fā)表SCI、EI收錄論文30余篇，出版譯著1部，授權(quán)專利10余項(xiàng)。李健偉，工學(xué)博士，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)、雷達(dá)和電子對(duì)抗等，發(fā)表學(xué)術(shù)論文10余篇，牽頭編寫學(xué)術(shù)專著2本，獲中國(guó)指揮與控制學(xué)會(huì)科學(xué)技術(shù)獎(jiǎng)二等獎(jiǎng)1項(xiàng)，構(gòu)建了國(guó)內(nèi)外**用于SAR圖像船舶目標(biāo)檢測(cè)的數(shù)據(jù)集SSDD。董云龍，工學(xué)博士，海軍航空大學(xué)信息融合研究所教授，主要研究方向?yàn)槔走_(dá)信息處理、多源信息融合，主持雷達(dá)雜波抑制、目標(biāo)檢測(cè)、誤差配準(zhǔn)等相關(guān)科研項(xiàng)目20余項(xiàng)，曾獲國(guó)家科技進(jìn)步獎(jiǎng)二等獎(jiǎng)，省部級(jí)科技進(jìn)步獎(jiǎng)一等獎(jiǎng)、二等獎(jiǎng)共5項(xiàng)。孫超，工學(xué)博士，主要研究方向?yàn)閳D像處理、計(jì)算機(jī)視覺(jué)等，發(fā)表SCI、EI收錄論文10余篇，參與編寫學(xué)術(shù)專著2本，授權(quán)專利2項(xiàng)。

圖書(shū)目錄

第 1章深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)基礎(chǔ) 001
1．1 人工智能簡(jiǎn)介 002
1．2 深度學(xué)習(xí)的崛起以及存在的問(wèn)題 003
1．3 神經(jīng)網(wǎng)絡(luò)的基本概念 004
1．3．1 前饋神經(jīng)網(wǎng)絡(luò) 005
1．3．2 反向傳播算法 005
1．3．3 權(quán)重系數(shù)更新 007
1．4 卷積神經(jīng)網(wǎng)絡(luò)原理 007
1．4．1 CNN的起源與發(fā)展 008
1．4．2 CNN結(jié)構(gòu)簡(jiǎn)介 009
1．4．3 CNN的其他組件 016
1．5 計(jì)算機(jī)視覺(jué)簡(jiǎn)介 019
參考文獻(xiàn) 020
第 2章基于深度學(xué)習(xí)的圖像分類算法 023
2．1 圖像分類——從特征設(shè)計(jì)到卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 024
2．2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)演化 026
2．2．1 從LeNet到VGG 026
2．2．2 Inception系列 028
2．2．3 ResNet系列 029
2．2．4 DenseNet系列 031
2．2．5 SqueezeNet系列 033
2．2．6 ShuffleNet系列 034
2．2．7 MobileNet系列 035
2．3 神經(jīng)架構(gòu)搜索 037
2．4 CNN的計(jì)算量與參數(shù)計(jì)算方法 037
2．5 小結(jié) 038
參考文獻(xiàn) 039
第3章基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法 043
3．1 目標(biāo)檢測(cè)——從特征設(shè)計(jì)到深度學(xué)習(xí) 044
3．1．1 任務(wù)簡(jiǎn)介 044
3．1．2 傳統(tǒng)的目標(biāo)檢測(cè)算法 045
3．1．3 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法 046
3．2 目標(biāo)檢測(cè)的重要概念 047
3．2．1 交并比和非極大值抑制 047
3．2．2 難負(fù)樣本挖掘 048
3．2．3 邊框回歸 049
3．2．4 檢測(cè)任務(wù)中的數(shù)據(jù)增廣 050
3．2．5 先驗(yàn)框/默認(rèn)邊框/錨框 050
3．2．6 錨框與真實(shí)邊框的匹配策略 051
3．2．7 感受野 051
3．2．8 RoI特征圖映射 052
3．3 雙階段檢測(cè)算法 054
3．3．1 從R-CNN到Fast R-CNN 054
3．3．2 Faster R-CNN算法原理 057
3．4 單階段檢測(cè)算法 061
3．4．1 YOLO檢測(cè)算法 061
3．4．2 SSD檢測(cè)算法 067
3．5 融合單階段和雙階段的算法 073
3．5．1 單階段檢測(cè)算法及雙階段檢測(cè)算法的特點(diǎn) 073
3．5．2 RefineDet：結(jié)合單階段及雙階段優(yōu)點(diǎn) 074
3．6 從頭訓(xùn)練的檢測(cè)算法 075
3．6．1 從頭訓(xùn)練的檢測(cè)算法簡(jiǎn)介 075
3．6．2 精心設(shè)計(jì)CNN實(shí)現(xiàn)從頭訓(xùn)練 076
3．6．3 從頭訓(xùn)練的本質(zhì) 077
3．7 檢測(cè)任務(wù)中的級(jí)聯(lián)設(shè)計(jì) 079
3．7．1 傳統(tǒng)的級(jí)聯(lián)檢測(cè)算法 079
3．7．2 深度學(xué)習(xí)下的級(jí)聯(lián)檢測(cè) 079
3．8 多尺度目標(biāo)檢測(cè) 081
3．8．1 問(wèn)題描述以及常用方法 081
3．8．2 多尺度訓(xùn)練/測(cè)試 082
3．8．3 特征金字塔融合多層特征 082
3．8．4 小尺寸目標(biāo)檢測(cè) 086
3．9 檢測(cè)任務(wù)中的不平衡處理策略 087
3．9．1 雙階段中的不平衡策略 087
3．9．2 單階段中的不平衡策略 088
3．10 錨框的輪回 089
3．10．1 錨框的起源 089
3．10．2 現(xiàn)有檢測(cè)算法中錨框的設(shè)計(jì)方法 090
3．10．3 錨框存在的問(wèn)題 091
3．10．4 不需要錨框的算法 092
3．11 目標(biāo)檢測(cè)的骨干網(wǎng)絡(luò)設(shè)計(jì) 092
3．12 檢測(cè)算法加速 093
3．12．1 檢測(cè)流程的加速 094
3．12．2 檢測(cè)算法的輕量級(jí)網(wǎng)絡(luò) 094
3．13 自然場(chǎng)景文字檢測(cè) 095
3．14 遙感圖像目標(biāo)檢測(cè) 096
3．15 常用數(shù)據(jù)集和評(píng)價(jià)指標(biāo) 098
參考文獻(xiàn) 099
第4章基于深度學(xué)習(xí)的圖像語(yǔ)義分割算法 103
4．1 圖像語(yǔ)義分割簡(jiǎn)介 104
4．2 語(yǔ)義分割研究難點(diǎn) 105
4．3 語(yǔ)義分割算法模型 106
4．3．1 全卷積網(wǎng)絡(luò)基礎(chǔ)算法：FCN算法 106
4．3．2 編碼解碼結(jié)構(gòu)算法：U-Net算法 109
4．3．3 空洞卷積的應(yīng)用：DeepLab系列 111
4．4 圖像實(shí)時(shí)語(yǔ)義分割 117
4．4．1 實(shí)時(shí)語(yǔ)義分割簡(jiǎn)介 117
4．4．2 ENet算法 118
4．5 圖像分割數(shù)據(jù)集以及評(píng)價(jià)指標(biāo) 122
4．5．1 圖像分割數(shù)據(jù)集 122
4．5．2 語(yǔ)義分割評(píng)估指標(biāo) 123
參考文獻(xiàn) 124
第5章基于深度學(xué)習(xí)的人體姿態(tài)估計(jì)算法 127
5．1 人體姿態(tài)估計(jì)任務(wù)簡(jiǎn)介 128
5．1．1 任務(wù)簡(jiǎn)介 128
5．1．2 面臨的挑戰(zhàn) 130
5．1．3 方法概述 130
5．2 單人姿態(tài)估計(jì) 132
5．3 自頂向下的多人姿態(tài)估計(jì) 133
5．4 自底向上的多人姿態(tài)估計(jì) 134
5．5 常用數(shù)據(jù)集以及評(píng)價(jià)指標(biāo) 136
參考文獻(xiàn) 136
第6章基于深度學(xué)習(xí)的行人重識(shí)別與目標(biāo)跟蹤 139
6．1 行人重識(shí)別任務(wù)簡(jiǎn)介 140
6．1．1 任務(wù)簡(jiǎn)介 140
6．1．2 工作流程 141
6．1．3 面臨的挑戰(zhàn) 142
6．1．4 與行人跟蹤和人臉驗(yàn)證的關(guān)系 143
6．1．5 行人重識(shí)別數(shù)據(jù)集及評(píng)價(jià)指標(biāo) 144
6．2 特征提取和相似度度量 144
6．3 行人重識(shí)別：從全局特征到局部特征 145
6．4 行人重識(shí)別：從表征學(xué)習(xí)到度量學(xué)習(xí) 148
6．5 目標(biāo)跟蹤任務(wù)簡(jiǎn)介 149
6．6 基于相關(guān)濾波的目標(biāo)跟蹤算法 150
6．7 基于孿生網(wǎng)絡(luò)的跟蹤算法 151
參考文獻(xiàn) 153
第7章基于深度學(xué)習(xí)的人臉識(shí)別 155
7．1 任務(wù)簡(jiǎn)介 156
7．1．1 人臉驗(yàn)證和人臉識(shí)別的區(qū)別 156
7．1．2 圖像分類和人臉識(shí)別的異同 157
7．1．3 技術(shù)難點(diǎn) 157
7．1．4 人臉識(shí)別算法原理 158
7．2 Softmax原理及存在的問(wèn)題 160
7．2．1 Softmax函數(shù)和Softmax損失 160
7．2．2 Softmax存在的問(wèn)題 161
7．3 度量損失 162
7．3．1 對(duì)比損失 162
7．3．2 三元組損失 163
7．4 大間隔損失 165
7．4．1 L-Softmax 165
7．4．2 SphereFace 166
7．4．3 CosFace 167
7．4．4 ArcFace 167
7．4．5 大間隔損失總結(jié) 168
7．5 特征規(guī)范化和權(quán)重規(guī)范化 171
參考文獻(xiàn) 172
第8章基于深度學(xué)習(xí)的圖像超分辨率重建方法 175
8．1 任務(wù)簡(jiǎn)介 176
8．2 傳統(tǒng)方法 179
8．2．1 基于插值的方法 179
8．2．2 基于重建的方法 180
8．2．3 基于學(xué)習(xí)的方法 180
8．3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率重建方法 181
8．3．1 網(wǎng)絡(luò)模型 182
8．3．2 損失函數(shù) 184
8．3．3 訓(xùn)練樣本 184
8．3．4 訓(xùn)練策略 185
8．4 常用數(shù)據(jù)集與評(píng)價(jià)指標(biāo) 186
參考文獻(xiàn) 187