类似推荐
编辑推荐
本书深入浅出地介绍了、新型人工神经网络DD生成对抗网络（GAN）的基本原理、网络结构及其在图像处理领域中的应用。
内容简介
书中分析了近年来在GAN训练、GAN质量评估及多种改进型GAN方面取得的进展；在实践方面，给出了基于Python的基本GAN编程实例。
另外，本书还介绍了支撑GAN模型的基础理论和相关算法，以使读者更好地理解和掌握GAN技术。
作者简介
编著者朱秀昌，曾任南京邮电大学通信与信息工程学院教授，博士生导师，"江苏省图像处理与图像通信重点实验室”主任。长期从事图像和多媒体通信方面的科研和教学工作。
曾主持完成了多项国家、省部级科研项目，主讲了多门本科生和研究生的专业课程。先后在5个出版社编著出版了"数字图像处理与图像通信”等书籍17本，发表专业技术论文160余篇。
章节目录
版权信息
内容简介
前言
第1章 绪论
1.1 从图像处理到数字视觉
1.1.1 数字图像技术
1.1.2 数字视觉技术
1.1.3 数字视觉的应用
1.2 神经网络由浅入深
1.2.1 神经网络的发展
1.2.2 深度神经网络
1.2.3 深度学习的进展
1.3 从概率生成到对抗生成
1.3.1 概率生成模型
1.3.2 概率分布比较
1.3.3 对抗生成模型
1.4 GAN的应用
1.4.1 在图像领域中的应用
1.4.2 在其他领域中的应用
第2章 数字图像处理
2.1 数字图像基础
2.1.1 图像的数学表示
2.1.2 图像的数字化
2.1.3 数字图像的表示
2.1.4 图像的分辨率
2.2 传统数字图像处理
2.2.1 图像采集和压缩
2.2.2 图像去噪和滤波
2.2.3 图像增强和复原
2.2.4 图像分割
2.2.5 图像特征提取和目标检测
2.2.6 图像变换和超分辨率重建
2.3 ANN图像处理
2.3.1 图像分类
2.3.2 目标检测与跟踪
2.3.3 语义分割和实例分割
2.3.4 图像生成
2.4 常用的图像数据集
第3章 人工神经网络
3.1 ANN简介
3.1.1 从生物到人工神经元
3.1.2 从感知机到神经网络
3.1.3 从浅层到深度
3.1.4 ANN的特点和应用
3.2 常见的ANN类型
3.2.1 RBF网络
3.2.2 ART网络
3.2.3 SOM网络
3.2.4 波尔兹曼机
3.2.5 级联相关网络
3.3 ANN的关键技术
3.3.1 网络类型
3.3.2 网络训练
3.3.3 激活函数
3.3.4 验证和泛化
3.4 BP算法
3.4.1 数据的正向传播
3.4.2 误差的反向传播
3.4.3 BP算法流程
3.4.4 BP算法的几个问题
3.5 ANN的学习方式
3.5.1 有监督学习
3.5.2 无监督学习
3.5.3 半监督学习
3.5.4 强化学习
第4章 GAN中常用的ANN
4.1 卷积神经网络
4.1.1 CNN的结构
4.1.2 CNN的核心技术
4.1.3 CNN的训练和改进
4.1.4 CNN一例
4.1.5 图像卷积
4.2 循环神经网络
4.2.1 RNN的结构
4.2.2 RNN与CNN的比较
4.3 变分自编码器
4.3.1 自编码器
4.3.2 VAE概述
4.4 深度残差网络
4.4.1 深度网络的困境
4.4.2 残差块结构
4.4.3 残差块的作用
4.4.4 ResNet的误差反传
第5章 相关算法
5.1 和图像处理有关的算法
5.1.1 分类算法
5.1.2 聚类算法
5.1.3 降维算法
5.1.4 迁移学习
5.1.5 马尔可夫链和HMM
5.2 和函数优化有关的算法
5.2.1 最小二乘法
5.2.2 梯度下降法
5.2.3 EM算法
第6章 GAN基础
6.1 GAN概要
6.1.1 GAN的数据生成
6.1.2 GAN的网络结构
6.1.3 GAN的优势和不足
6.2 数据分布及其转换
6.2.1 图像数据的高维分布
6.2.2 隐变量和隐空间
6.2.3 分布函数的转换
6.3 生成模型与判别模型
6.3.1 生成模型
6.3.2 判别模型
6.3.3 生成模型和判别模型的关系
6.4 GAN的工作过程
6.4.1 纳什均衡
6.4.2 对抗训练
6.4.3 训练流程
第7章 GAN的目标函数
7.1 数据的信息熵
7.1.1 随机变量
7.1.2 信息量和信息熵
7.1.3 交叉熵
7.2 数据分布的差异：散度
7.2.1 KL散度
7.2.2 JS散度
7.2.3 f散度
7.3 GAN目标函数及其优化
7.3.1 目标函数
7.3.2 判别器优化
7.3.3 生成器优化
第8章 GAN的训练
8.1 GAN训练中常见的问题
8.1.1 收敛不稳定问题
8.1.2 梯度消失问题
8.1.3 模式崩溃问题
8.2 提升GAN训练的稳定性
8.2.1 选择恰当的网络模型
8.2.2 选择恰当的目标函数
8.2.3 选择恰当的优化算法
8.3 GAN训练中的常用技巧
8.3.1 数据规范化
8.3.2 学习率衰减
8.3.3 丢弃技术
8.3.4 批量规范化
8.3.5 激活函数的选择
第9章 GAN的改进
9.1 GAN的改进之路
9.2 C GAN和info GAN
9.2.1 C GAN
9.2.2 info GAN
9.3 DC GAN
9.4 W GAN
9.5 Big GAN
第10章 GAN的图像处理应用
10.1 图像生成
10.1.1 图像生成的三种方式
10.1.2 几种特殊的图像生成
10.2 图像超分辨率重建
10.3 图像修复
10.4 图像翻译
10.4.1 图像至图像的翻译
10.4.2 文本至图像的翻译
10.5 图像风格迁移
10.6 视频预测
第11章 GAN的Python编程
11.1 Python编程语言
11.1.1 Python简介
11.1.2 Python的特点
11.1.3 Python的应用
11.2 常见的Python集成开发环境
11.3 深度学习框架
11.3.1 主流的深度学习框架
11.3.2 主流学习框架的比较
11.4 TensorFlow中的GAN编程
11.4.1 张量和张量流
11.4.2 Python的TensorFlow库
11.4.3 TensorFlow的常用模块
第12章 GAN图像处理实例
12.1 1维GAN编程
12.1.1 1维GAN小程序
12.1.2 数据对齐
12.1.3 训练中的几个问题
12.2 MNIST手写数字的生成
12.2.1 GAN模型的训练程序
12.2.2 GAN模型的生成程序
12.2.3 训练程序的图解
12.2.4 生成程序的图解
参考文献
生成对抗网络：原理及图像处理应用是2022年由电子工业出版社出版,作者朱秀昌 编著。
得书感谢您对《生成对抗网络：原理及图像处理应用》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。
