人工智能 类型
可以朗读 语音朗读
140千字 字数
2022-01-01 发行日期
展开全部

主编推荐语

着重阐述深度学习时代的计算机视觉算法的工作原理。

内容简介

本书首先对深度学习与计算机视觉基础进行了介绍，之后对卷积神经网络结构的演化过程，以及基于深度学习的目标检测算法、图像分割算法、人体姿态估计算法、行人重识别与目标跟踪算法、人脸识别算法以及图像超分辨率重建方法进行了介绍。

本书系统讲解了在日常生活和工作中常见的几项计算机视觉任务，并着重介绍了在当今深度学习时代，这些计算机视觉任务是如何工作的，可使读者快速了解这些算法原理，以及其相互之间的关系。本书适合高年级本科生、研究生、教师，以及对人工智能或计算机视觉算法感兴趣的工程技术人员阅读。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第1章 深度学习与计算机视觉基础
  • 1.1 人工智能简介
  • 1.2 深度学习的崛起以及存在的问题
  • 1.3 神经网络的基本概念
  • 1.3.1 前馈神经网络
  • 1.3.2 反向传播算法
  • 1.3.3 权重系数更新
  • 1.4 卷积神经网络原理
  • 1.4.1 CNN的起源与发展
  • 1.4.2 CNN结构简介
  • 1.4.3 CNN的其他组件
  • 1.5 计算机视觉简介
  • 参考文献
  • 第2章 基于深度学习的图像分类算法
  • 2.1 图像分类
  • 2.2 卷积神经网络结构演化
  • 2.2.1 从LeNet到VGG
  • 2.2.2 Inception系列
  • 2.2.3 ResNet系列
  • 2.2.4 DenseNet系列
  • 2.2.5 SqueezeNet系列
  • 2.2.6 ShuffleNet系列
  • 2.2.7 MobileNet系列
  • 2.3 神经架构搜索
  • 2.4 CNN的计算量与参数计算方法
  • 2.5 小结
  • 参考文献
  • 第3章 基于深度学习的目标检测算法
  • 3.1 目标检测
  • 3.1.1 任务简介
  • 3.1.2 传统的目标检测算法
  • 3.1.3 基于深度学习的目标检测方法
  • 3.2 目标检测的重要概念
  • 3.2.1 交并比和非极大值抑制
  • 3.2.2 难负样本挖掘
  • 3.2.3 边框回归
  • 3.2.4 检测任务中的数据增广
  • 3.2.5 先验框/默认边框/锚框
  • 3.2.6 锚框与真实边框的匹配策略
  • 3.2.7 感受野
  • 3.2.8 RoI特征图映射
  • 3.3 双阶段检测算法
  • 3.3.1 从R-CNN到Fast R-CNN
  • 3.3.2 Faster R-CNN算法原理
  • 3.4 单阶段检测算法
  • 3.4.1 YOLO检测算法
  • 3.4.2 SSD检测算法
  • 3.5 融合单阶段和双阶段的算法
  • 3.5.1 单阶段检测算法及双阶段检测算法的特点
  • 3.5.2 RefineDet：结合单阶段及双阶段优点
  • 3.6 从头训练的检测算法
  • 3.6.1 从头训练的检测算法简介
  • 3.6.2 精心设计CNN实现从头训练
  • 3.6.3 从头训练的本质
  • 3.7 检测任务中的级联设计
  • 3.7.1 传统的级联检测算法
  • 3.7.2 深度学习下的级联检测
  • 3.8 多尺度目标检测
  • 3.8.1 问题描述以及常用方法
  • 3.8.2 多尺度训练/测试
  • 3.8.3 特征金字塔融合多层特征
  • 3.8.4 小尺寸目标检测
  • 3.9 检测任务中的不平衡处理策略
  • 3.9.1 双阶段中的不平衡策略
  • 3.9.2 单阶段中的不平衡策略
  • 3.10 锚框的轮回
  • 3.10.1 锚框的起源
  • 3.10.2 现有检测算法中锚框的设计方法
  • 3.10.3 锚框存在的问题
  • 3.10.4 不需要锚框的算法
  • 3.11 目标检测的骨干网络设计
  • 3.12 检测算法加速
  • 3.12.1 检测流程的加速
  • 3.12.2 检测算法的轻量级网络
  • 3.13 自然场景文字检测
  • 3.14 遥感图像目标检测
  • 3.15 常用数据集和评价指标
  • 参考文献
  • 第4章 基于深度学习的图像语义分割算法
  • 4.1 图像语义分割简介
  • 4.2 语义分割研究难点
  • 4.3 语义分割算法模型
  • 4.3.1 全卷积网络基础算法：FCN算法
  • 4.3.2 编码-解码结构算法：U-Net算法
  • 4.3.3 空洞卷积的应用：DeepLab系列
  • 4.4 图像实时语义分割
  • 4.4.1 实时语义分割简介
  • 4.4.2 ENet算法
  • 4.5 图像分割数据集以及评价指标
  • 4.5.1 图像分割数据集
  • 4.5.2 语义分割评估指标
  • 参考文献
  • 第5章 基于深度学习的人体姿态估计算法
  • 5.1 人体姿态估计任务简介
  • 5.1.1 任务简介
  • 5.1.2 面临的挑战
  • 5.1.3 方法概述
  • 5.2 单人姿态估计
  • 5.3 自顶向下的多人姿态估计
  • 5.4 自底向上的多人姿态估计
  • 5.5 常用数据集以及评价指标
  • 参考文献
  • 第6章 基于深度学习的行人重识别与目标跟踪
  • 6.1 行人重识别任务简介
  • 6.1.1 任务简介
  • 6.1.2 工作流程
  • 6.1.3 面临的挑战
  • 6.1.4 与行人跟踪和人脸验证的关系
  • 6.1.5 行人重识别数据集及评价指标
  • 6.2 特征提取和相似度度量
  • 6.3 行人重识别：从全局特征到局部特征
  • 6.4 行人重识别：从表征学习到度量学习
  • 6.5 目标跟踪任务简介
  • 6.6 基于相关滤波的目标跟踪算法
  • 6.7 基于孪生网络的跟踪算法
  • 参考文献
  • 第7章 基于深度学习的人脸识别
  • 7.1 任务简介
  • 7.1.1 人脸验证和人脸识别的区别
  • 7.1.2 图像分类和人脸识别的异同
  • 7.1.3 技术难点
  • 7.1.4 人脸识别算法原理
  • 7.2 Softmax原理及存在的问题
  • 7.2.1 Softmax函数和Softmax损失
  • 7.2.2 Softmax存在的问题
  • 7.3 度量损失
  • 7.3.1 对比损失
  • 7.3.2 三元组损失
  • 7.4 大间隔损失
  • 7.4.1 L-Softmax
  • 7.4.2 SphereFace
  • 7.4.3 CosFace
  • 7.4.4 ArcFace
  • 7.4.5 大间隔损失总结
  • 7.5 特征规范化和权重规范化
  • 参考文献
  • 第8章 基于深度学习的图像超分辨率重建方法
  • 8.1 任务简介
  • 8.2 传统方法
  • 8.2.1 基于插值的方法
  • 8.2.2 基于重建的方法
  • 8.2.3 基于学习的方法
  • 8.3 基于卷积神经网络的图像超分辨率重建方法
  • 8.3.1 网络模型
  • 8.3.2 损失函数
  • 8.3.3 训练样本
  • 8.3.4 训练策略
  • 8.4 常用数据集与评价指标
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。