本书着重阐述了深度学习时代的计算机视觉算法的工作原理，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、人脸识别算法和图像超分辨率重建方法进行了介绍。
电子书
内容简介
本书以深度学习在计算机视觉领域的常用技术与案例相结合的方式，深入浅出地介绍计算机视觉的常见任务及实现技术。全书共7章，内容包含概述、图像处理基本操作、深度学习视觉基础任务、基于FaceNet的人脸识别实战、基于Faster R-CNN的目标检测实战、基于U-Net的城市道路场景分割实战、基于SRGAN的图像超分辨率技术实战等。本书大部分章包含操作实践代码和课后习题，希望能够帮助读者在计算机视觉基础任务中应用算法，巩固所学内容。 本书可以作为高校人工智能相关专业教材，也可以作为从事计算机视觉技术研究的从业者和科技人员的参考用书。对于有一定基础和经验的读者，本书也能帮助他们查漏补缺，深入理解和掌握相关原理及方法，提升解决实际问题的能力。
章节目录
- 第 1 章 概述
- 1.1 计算机视觉与深度学习
- 1.1.1 计算机视觉
- 1.1.2 深度学习
- 1.2 深度学习的计算机视觉应用
- 1.2.1 人脸识别
- 1.2.2 图像分类
- 1.2.3 目标检测
- 1.2.4 图像分割
- 1.2.5 姿态估计
- 1.2.6 场景识别
- 1.2.7 目标跟踪
- 1.2.8 动作识别
- 1.2.9 黑白照片自动着色
- 1.2.10 图像风格转移
- 1.3 相关Python 库
- 1.3.1 深度学习框架
- 1.3.2 图像处理库
- 小结
- 课后习题
- 第 2 章 图像处理基本操作
- 2.1 读写图像
- 2.1.1 常用图像类型
- 2.1.2 读取图像
- 2.1.3 显示图像
- 2.1.4 保存图像
- 2.2 图像颜色空间
- 2.2.1 常用颜色空间简介
- 2.2.2 颜色空间转换
- 2.3 图像几何变换
- 2.3.1 图像平移
- 2.3.2 图像缩放
- 2.3.3 图像旋转
- 2.3.4 图像仿射
- 2.4 图像增强
- 2.4.1 灰度级修正
- 2.4.2 图像平滑
- 2.4.3 图像锐化
- 小结
- 课后习题
- 第 3 章 深度学习视觉基础任务
- 3.1 深度神经网络
- 3.2 卷积神经网络
- 3.2.1 卷积层
- 3.2.2 池化层
- 3.2.3 全连接层
- 3.2.4 卷积神经网络训练过程
- 3.3 图像分类
- 3.3.1 图像分类简介
- 3.3.2 图像分类经典算法
- 3.3.3 训练图像分类网络
- 3.4 目标检测
- 3.4.1 目标检测简介
- 3.4.2 目标检测经典算法
- 3.4.3 训练目标检测网络
- 3.5 图像分割
- 3.5.1 图像分割简介
- 3.5.2 图像分割经典算法
- 3.5.3 训练图像分割网络
- 3.6 图像生成
- 3.6.1 图像生成简介
- 3.6.2 图像生成经典算法
- 3.6.3 训练图像生成器网络
- 小结
- 课后习题
- 第 4 章 基于FaceNet 的人脸识别实战
- 4.1 背景与目标
- 4.1.1 背景
- 4.1.2 目标
- 4.1.3 项目工程结构
- 4.2 流程与步骤
- 4.2.1 人脸检测
- 4.2.2 人脸对齐
- 4.2.3 人脸特征提取
- 4.2.4 人脸特征匹配
- 4.3 结果分析
- 小结
- 课后习题
- 第 5 章 基于Faster R-CNN 的目标检测实战
- 5.1 背景与目标
- 5.1.1 背景
- 5.1.2 目标
- 5.1.3 项目工程结构
- 5.2 流程与步骤
- 5.2.1 数据准备
- 5.2.2 定义Faster R-CNN 配置信息类
- 5.2.3 生成先验锚框
- 5.2.4 定义损失函数
- 5.2.5 训练网络
- 5.3 结果分析
- 小结
- 课后习题
- 第 6 章 基于U-Net 的城市道路场景分割实战
- 6.1 背景与目标
- 6.1.1 背景
- 6.1.2 目标
- 6.1.3 项目工程结构
- 6.2 流程与步骤
- 6.2.1 数据准备
- 6.2.2 搭建U-Net
- 6.2.3 定义损失函数
- 6.2.4 训练网络
- 6.3 结果分析
- 小结
- 课后习题
- 第 7 章 基于SRGAN 的图像超分辨率技术实战
- 7.1 背景与目标
- 7.1.1 背景
- 7.1.2 目标
- 7.1.3 项目工程结构
- 7.2 流程与步骤
- 7.2.1 数据准备
- 7.2.2 搭建SRGAN
- 7.2.3 定义SRGAN 损失函数
- 7.2.4 训练网络
- 7.3 结果分析
- 小结
- 课后习题
展开全部
深度学习与计算机视觉实战是2023年由人民邮电出版社出版,作者主编。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习与计算机视觉实战》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。
电子书
电子书
本书主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现—TensorFlow、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行；第2章为机器学习概述，讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本；第3章介绍从生物神经元到
电子书
本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内
电子书
本书以Keras深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用Keras进行深度学习的重要内容。全书共7章，内容包括深度学习概述、Keras深度学习通用流程、Keras深度学习基础、基于RetinaNet的目标检测、基于LSTM网络的诗歌生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现诗歌生成等。本书大部分章包含实训和课后习题，通过练习和操作实践，读者可
电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
电子书
内容提要本书全面讲解了深度学习框架PaddlePaddle，并结合典型案例，阐述了PaddlePaddle的具体应用。本书共15章。第1章介绍了深度学习及其主流框架；第2章介绍了几种不同的PaddlePaddle安装方式；第3章使用MNIST数据集实现手写数字识别；第4章介绍CIFAR彩色图像识别；第5章介绍了自定义数据集的识别；第6章介绍了验证码的识别；第7章介绍了场景文字的识别；第8章实现了验
电子书
本书以深度学习的常用技术与TensorFlow2真实案例相结合的方式，深入浅出地介绍TensorFlow2实现深度学习的重要内容。全书共7章，分为基础篇（第1～3章）和实战篇（第4～7章），基础篇内容包括深度学习概述、TensorFlow2快速入门、深度神经网络原理及实现等基础知识；实战篇内容包括4个案例，分别为基于CNN的门牌号识别、基于LSTM网络的语音识别、基于CycleGAN的图像风格转换
电子书
本书分为三个部分。第一部分是原理篇，实现了MatrixSlow框架的核心基础设施，并基于此讲解了机器学习与深度学习的概念和原理。第二部分是模型篇，介绍了多种具有代表性的模型，包括逻辑回归、多层全连接神经网络、因子分解机、Wide&Deep、DeepFM、循环神经网络以及卷积神经网络，这部分除了着重介绍这些模型的原理、结构以及它们之间的联系外，还用MatrixSlow框架搭建并训练它们以解决实际问题
