計算機視覺入門到實踐 Practical Computer Vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV

Abhinav Dadhich 連曉峰譯

買這商品的人也買了...

商品描述

本書是你了解計算機視覺的一站式指南。
利用Python、TensorFlow、Keras和OpenCV的功能執行圖像處理、對象檢測、特徵檢測等項目。
通過對卷積神經網絡的介紹,你將學習如何使用Keras構建深度神經網絡,
以及如何使用它對Fashion-MNIST數據集進行分類。
關於對象檢測,你將學習到使用TensorFlow實現簡單的面部檢測器,
以及復雜的基於深度學習的對象檢測器(例如Faster R-CNN和SSD)的工作原理。
你也將學會使用FCN模型進行語義分割,並使用DeepSORT跟踪對象。
不僅如此,你還將學習到在標準數據集上使用視覺SLAM(vSLAM)技術,例如ORB-SLAM。
本書適合希望以*實際的方式理解和實現與計算機視覺和
圖像處理相關的各種任務的機器學習從業人員和深度學習學習者閱讀。

作者簡介

Abhinav Dadhich

是東京ABEJA公司的一名深度學習方面的研究以及應用開發人員。
其專注於為圖像分類、目標檢測、分割等計算機視覺應用設計深度學習模型,
並且目前將全部精力都傾注在理解和復現人類視覺系統的研究與實現上。
而此前,其一直致力於三維地圖構建和機器人導航領域。
Dadhich畢業於印度IIT Jodhpur學院,獲得電子工程學士學位,並在日本NAIST大學獲得信息科學碩士學位。
在GitHub專欄為多個主題提供註釋和代碼。

關於譯者

連曉峰

博士,北京理工大學模式識別與智能係統專業畢業。
現任北京工商大學副教授,研究生導師。
中國自動化學會機器人競賽工作委員會委員、
中國教育發展戰略學會人工智能與機器人教育專業委員會理事、
中國人工智能學會高級會員、中國電子學會高級會員等。
目前從事複雜系統建模與優化控制、智能機器人、模式識別與智能係統、
智能感知與機器學習、工業先進控制等教學與科學研究工作。

目錄大綱

目錄
第1章計算機視覺快速入門
1.1 什麼是計算機視覺
1.2 計算機視覺無處不在
1.3 入門
1.3.1 讀取圖像
1.3.2 圖像顏色轉換
1.4 計算機視覺研究的相關會議
1.5 小結

第2章庫、開發平台和數據集
2.1 庫及其安裝方法
2.1.1 安裝Anaconda
2.1.2 安裝OpenCV
2.1.3 用於深度學習的TensorFlow
2.1.4 用於深度學習的Keras
2.2 數據集
2.2.1 ImageNet
2.2.2 MNIST
2.2.3 CIFAR-10
2.2.4 Pascal VOC
2.2.5 MSCOCO
2.2.6 TUM RGB-D數據集
2.3 小結
參考文獻

第3章OpenCV中的圖像濾波和變換
3.1 數據集和庫
3.2 圖像處理
3.3 濾波器概述
3.3.1 線性濾波器
3.3.2 非線性濾波器
3.3.3 圖像梯度
3.4 圖像變換
3.4.1 平移
3.4.2 旋轉
3.4.3 仿射變換
3.5 圖像金字塔
3.6 小結

第4章什麼是特徵
4.1 特徵用例
4.1.1 數據集和庫
4.1.2 為何特徵如此重要
4.2 Harris角點檢測
4.2.1 FAST特徵
4.2.2 ORB特徵
4.2.3 黑箱特徵
4.2.4 應用—在圖像中檢測目標對象
4.2.5 應用—是否相似
4.3 小結
參考文獻

第5章卷積神經網絡
5.1 數據集和庫
5.2 神經網絡簡介
5.2.1 一個簡單的神經網絡
5.3 重溫卷積運算
5.4 卷積神經網絡
5.4.1 卷積層
5.4.2 激活層
5.4.3 池化層
5.4.4 全連接層
5.4.5 批歸一化
5.4.6 退出
5.5 CNN 實踐
5.5.1 Fashion-MNIST 分類器訓練代碼
5.5.2 CNN 分析
5.5.3 遷移學習
5.6 小結

第6章基於特徵的目標檢測
6.1 目標檢測概述
6.2 目標檢測挑戰
6.3 數據集和庫
6.4 目標檢測方法
6.4.1 基於深度學習的目標檢測
6.5 小結
參考文獻

第7章分割和跟踪
7.1 數據集和庫
7.2 分割
7.2.1 分割挑戰
7.2.2 用於分割的CNN
7.2.3 FCN的實現
7.3 跟踪
7.3.1 跟踪挑戰
7.3.2 目標跟踪方法
7.4 小結
參考文獻

第8章三維計算機視覺
8.1 數據集和庫
8.2 應用
8.3 成像原理
8.4 圖像對齊
8.5 視覺里程計
8.6 視覺SLAM
8.7 小結
參考文獻

第9章計算機視覺中的數學
9.1 數據集和庫
9.2 線性代數
9.2.1 向量
9.2.2 矩陣
9.2.3 Hessian矩陣
9.2.4 奇異值分解
9.3 概率論簡述
9.3.1 什麼是隨機變量
9.3.2 期望
9.3.3 方差
9.3.4 概率分佈
9.3.5 聯合分佈
9.3.6 邊緣分佈
9.3.7 條件分佈
9.3.8 貝葉斯定理
9.4 小結

第10章計算機視覺中的機器學習
10.1 什麼是機器學習
10.2 機器學習技術分類
10.2.1 監督式學習
10.2.2 無監督式學習
10.3 維度災難
10.4 機器學習的滾球視角
10.5 常用工具
10.5.1 預處理
10.5.2 後處理
10.6 評估
10.6.1 準確率
10.6.2 召回率
10.6.3 F-分數
10.7 小結