視覺感知：深度學習如何知圖辨物

“人工智能超入門叢書”致力於面向人工智能各技術方向零基礎的讀者，
內容涉及數據思維、機器學習、視覺感知、情感分析、搜索算法、強化學習、知識圖譜、專家系統等方向，
體系完整、內容簡潔、文字通俗，綜合介紹人工智能相關知識，並輔以程序代碼解決問題，使得零基礎的讀者快速入門。
《視覺感知：深度學習如何知圖辨物》是“人工智能超入門叢書”中的分冊，
本分冊主要介紹人工智能視覺領域的相關知識，以通俗易懂的文字風格，
解讀用卷積神經網絡等深度學習算法及機器學習算法對圖像進行分類和識別的方法，
介紹OpenCV在圖像處理中的基礎知識，為進一步學習高階內容奠定基礎。
同時，本書配有關鍵代碼，讓讀者在學習過程中快速上手，提升解決問題的能力。
本書可以作為大學生以及想要走向計算機視覺相關工作崗位的技術人員的入門讀物，同時，對人工智能感興趣的人群也可以閱讀。

袁元
美國萊斯大學計算機科學在讀碩士，未來基因（北京）人工智能研究院高級研究員，
全球青少年圖靈計劃培訓講師，中國人工智能學會中小學工作委員會師訓講師，
獲評2021年度商湯教育百優“人工智能優秀種子教師”。
國內外期刊上發表SCI文章等共4篇，擁有7項實用新型及發明專利。

第1章計算機視覺綜述
1.1 生物的視界
1.1.1 三隻眼
1.1.2 眼見為實？
1.2 人工智能的視界
1.2.1 數字圖像類型
1.2.2 從圖像到矩陣
1.2.3 視不同，理相通
1.3 計算機視覺發展與應用
1.3.1 計算機視覺發展史
1.3.2 大規模視覺識別挑戰賽
1.3.3 計算機視覺應用
第2章機器學習與圖像識別
2.1 從感知機到支持向量機
2.1.1 感知機的線性可分
2.1.2 支持向量機
2.2 支持向量機的超強“核”心
2.3 支持向量機的實踐
2.3.1 鳶尾花的辨識
2.3.2 手寫數字圖像識別
第3章神經網絡與圖像分類
3.1 從神經元到神經網絡
3.1.1 神經元與感知機
3.1.2 神經網絡的結構
3.1.3 前向與反向傳播
3.2 激活函數與損失函數
3.2.1 非線性轉換的激活函數
3.2.2 衡量優劣的損失函數
3.2.3 激活函數與損失函數的組合
3.3 擬合與誤差
3.3.1 過擬合與欠擬合
3.3.2 偏差與方差的權衡
3.4 利用神經網絡識別手寫數字圖像
3.4.1 MNIST手寫數字圖像數據集
3.4.2 Scikit-learn庫神經網絡與手寫數字圖像
3.4.3 NumPy庫神經網絡與手寫數據集
第4章卷積入門
4.1 圖像噪聲
4.2 卷積核與去噪
4.3 邊緣檢測
4.4 紋理分析
第5章卷積神經網絡及經典詳解
5.1 卷積神經網絡的提出
5.1.1 從全局到局部
5.1.2 感受野
5.2 卷積層、池化層與全連接層
5.2.1 卷積與卷積層
5.2.2 池化與池化層
5.2.3 全連接層
5.3 卷積神經網絡的圖像分類
5.3.1 CIFAR-10圖像集介紹
5.3.2 簡單實現圖像分類
5.4 ImageNet與經典網絡介紹
5.4.1 ImageNet數據集
5.4.2 經典卷積神經網絡
第6章OpenCV基礎
6.1 圖像處理入門
6.1.1 讀取、顯示與保存圖像
6.1.2 分割與合併顏色通道
6.1.3 轉換顏色空間
6.1.4 讀取、顯示與保存視頻
6.2 圖像基本變換
6.2.1 操作單個像素
6.2.2 裁剪圖像
6.2.3 調整圖像大小
6.2.4 翻轉圖像
6.3 為圖像添加註釋
6.3.1 為圖像添加線段
6.3.2 為圖像添加圓
6.3.3 為圖像添加矩形
6.3.4 為圖像添加文本
6.4 圖像增強
6.4.1 調整圖像亮度
6.4.2 調整圖像對比度
第7章OpenCV實戰應用
7.1 目標跟踪
7.1.1 目標跟踪算法
7.1.2 創建跟踪器實例
7.2 目標檢測
7.2.1 SSD目標檢測算法
7.2.2 目標檢測實例
7.3 圖像分割
7.3.1 圖像分割介紹
7.3.2 通過Mask R-CNN進行圖像分割
7.4 人臉識別
7.4.1 人臉檢測實例
7.4.2 眼睛檢測實例
附錄
附錄一優化基礎
附錄二神經網絡代碼
附錄三騰訊扣叮Python實驗室：Jupyter Lab使用說明