类似推荐
编辑推荐
本书适合从事图像和视频的处理和理解的研究人员、相关领域软件开发人员或研究生阅读。
内容简介
人工智能相比于人力而言具有低成本、高效率和全天候等巨大优势，但其发展往往不能全面满足实际场景的旺盛需求。近年来人工智能与计算机视觉的结合日益紧密，基于深度学习研究计算机视觉成为一个新方向。深度学习的特点是层次化的特征提取、规模更大、数据更多、计算更复杂。
本书从介绍计算机视觉的任务入手，总结从传统手工提取特征方法到深度学习的发展历程。然后，针对不同层次的计算机视觉任务，结合作者团队近年来的研究成果，以及部分学界公认的里程碑式成果，从理论层面论述深度学习在具体计算机视觉任务中的应用。本书作者来自北京邮电大学长期从事多媒体技术教学和研究的一线教师。
作者简介
作者姜竹青，博士，加拿大麦吉尔大学访问学者，现任教于北京邮电大学，硕士生导师。
主持或主要参与多项机器学习相关的国家自然科学基金，在国际学术会议发表相关论文30余篇，并与国家广播电影电视总局、中国航天科技集团、中国石油天然气股份有限公司、中国移动通信集团等部委和企业保持合作关系。
章节目录
版权信息
内容简介
前言
第1章 计算机视觉及其任务
1.1 计算机视觉的定义
1.2 计算机视觉的发展沿革
1.3 计算机视觉的主要任务及其应用
1.4 本章小结
本章参考文献
第2章 手工特征
2.1 初级图像特征
2.2 中级图像特征
2.3 本章小结
本章参考文献
第3章 神经网络基础理论
3.1 神经元概述
3.2 神经网络基础结构
3.3 神经网络训练
3.4 常见的神经元模型
3.5 本章小结
本章参考文献
第4章 神经网络结构
4.1 LeNet5
4.2 AlexNet
4.3 VGGNet
4.4 Inception
4.5 ResNet
4.6 DenseNet
4.7 MobileNet
4.8 FCN
4.9 本章小结
本章参考文献
第5章 目标分割
5.1 目标分割技术概述
5.2 基于深度学习多路径特征融合的图像语义分割
5.3 基于模糊逻辑的多特征视频运动目标分割
5.4 目标分割未来趋势
本章参考文献
第6章 目标检测
6.1 目标检测算法概述
6.2 传统目标检测方法
6.3 基于候选区域的目标检测方法
6.4 基于回归的目标检测
6.5 改进算法拾萃
6.6 目标检测未来趋势
本章参考文献
第7章 目标跟踪
7.1 目标跟踪技术概述
7.2 平衡正负样本权重的多示例学习跟踪算法
7.3 基于核化相关滤波器的视觉目标跟踪算法研究与改进
7.4 基于中心对比CNN的目标跟踪算法研究
7.5 目标跟踪未来趋势
本章参考文献
第8章 行人再识别
8.1 行人再识别技术概述
8.2 基于AdaRank进行特征集成的行人再识别算法
8.3 基于增强深度特征的行人再识别算法
8.4 基于属性和身份特征融合的行人再识别算法
8.5 行人再识别未来趋势
本章参考文献
第9章 图像压缩
9.1 有损压缩和无损压缩
9.2 经典的有损图像压缩方法
9.3 基于深度学习的图像压缩技术
9.4 基于空间能量压缩的图像压缩
9.5 利用卷积神经网络进行内容加权的图像压缩
9.6 基于生成式对抗网络的图像压缩
9.7 图像压缩未来趋势
本章参考文献
第10章 超分辨率重建
10.1 超分辨率技术概述
10.2 基于深度残差网络注意力机制的图像超分辨率重建
10.3 基于增强的可变形卷积网络的视频超分辨率
10.4 真实原始传感器数据的超分辨率重建
10.5 超分辨率重建未来趋势
本章参考文献
第11章 图像去噪技术
11.1 图像去噪技术概述
11.2 去噪卷积神经网络
11.3 盲去噪卷积神经网络
11.4 真实图像去噪神经网络
11.5 图像去噪未来趋势
本章参考文献
附录A 术语与缩略词表
计算机视觉中的深度学习是2021年由电子工业出版社出版,作者姜竹青。
得书感谢您对《计算机视觉中的深度学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
