計算機視覺：基于OpenCV與TensorFlow的深度學習方法

定　價：￥69.00

作　者：	余海林，翟中華著
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787302567431	出版時間：	2021-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	212	字數(shù)：

內(nèi)容簡介

　　本書詳細講解基于OpenCV的傳統(tǒng)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(tǒng)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(jīng)網(wǎng)絡的深入剖析，進而闡述如何將卷積神經(jīng)網(wǎng)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z新的GAN網(wǎng)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(nèi)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(jīng)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。

作者簡介

　　余海林，清華大學數(shù)理基礎科學實驗班畢業(yè)、美國加州大學洛杉磯分校（UCLA）計算機碩士畢業(yè)，AI火箭營高級講師。有著扎實的數(shù)理基礎和計算機編程能力，曾獲得美國大學生數(shù)學建模大賽一等獎。擅長機器學習、深度學習、計算機視覺、自然語言處理等AI領域的前沿技術，參與過多個AI實踐項目。在AI火箭營開設多門課程，累計學習人次超過10萬，講課風格嚴謹而幽默、深刻且易懂，深受廣大學員的認可。翟中華，清華大學碩士畢業(yè)，北京洪策元創(chuàng)智能科技有限公司CEO，AI火箭營首席講師。在機器學習、深度學習、計算機視覺、自然語言處理等人工智能領域有扎實的理論基礎和豐富的應用實踐經(jīng)驗。主講的課程“深度學習入門系列講解”“PyTorch深度學習實戰(zhàn)”等累計學員約30萬人次，講課風格抽絲剝繭、深入淺出、以簡馭繁，能夠把復雜的原理簡單化，把簡單的原理內(nèi)涵化，深受廣大學員的認可。

圖書目錄

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(fā)展

第2章傳統(tǒng)圖像處理之OpenCV的妙用

2.1OpenCV安裝

2.2OpenCV模塊

2.3OpenCV數(shù)據(jù)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(tǒng)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(diào)，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(zhàn)：圖像匹配

第4章傳統(tǒng)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(zhàn)：圖像融合

第5章傳統(tǒng)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(tǒng)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(shù)據(jù)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(zhàn)：人臉識別

6.5傳統(tǒng)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(shù)

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(jīng)網(wǎng)絡

8.1卷積神經(jīng)網(wǎng)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(shù)

8.1.5交叉熵損失

8.2AlexNet結構詳解

8.3卷積神經(jīng)網(wǎng)絡的優(yōu)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

9.2.3TensorFlow 2.0

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(jīng)網(wǎng)絡搭建

9.3代碼實戰(zhàn)：手寫數(shù)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(shù)據(jù)集的方法

10.3搭建神經(jīng)網(wǎng)絡

10.4訓練及效果評估

10.5解決過擬合

10.6數(shù)據(jù)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(tǒng)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CNN類網(wǎng)絡

11.5.1RCNN網(wǎng)絡

11.5.2Fast RCNN網(wǎng)絡

11.5.3Faster RCNN網(wǎng)絡

11.6代碼實戰(zhàn)

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(wǎng)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(wǎng)絡

12.3代碼實戰(zhàn)：車牌識別

第13章人臉識別：傳統(tǒng)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(fā)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(zhàn)

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(wǎng)絡

參考文獻