電腦視覺 — 基於 OpenCV 與 TensorFlow 的深度學習方法

餘海林、翟中華

下單後立即進貨 (約4週~6週)

  • 電腦視覺 — 基於 OpenCV 與 TensorFlow 的深度學習方法-preview-1
  • 電腦視覺 — 基於 OpenCV 與 TensorFlow 的深度學習方法-preview-2
電腦視覺 — 基於 OpenCV 與 TensorFlow 的深度學習方法-preview-1

買這商品的人也買了...

相關主題

商品描述

本書詳細講解基於OpenCV的傳統電腦視覺和以TensorFlow代碼為主的基於深度學習的電腦視覺。
本書從基本的圖像特徵開始,包括顏色特徵、幾何特徵、局部特徵、梯度特徵,到圖像美化,再到傳統目標檢測、光流與跟蹤等;
繼而進入深度學習部分,首先帶來深度學習的基本原理,然後是捲積神經網絡的深入剖析,進而闡述如何將捲積神經網絡應用於電腦視覺的物體分類、
目標檢測等常見問題上,最後介紹電腦視覺最新的GAN網絡。本書以非常簡單的公式和原理解釋學習過程中遇到的問題,
通過大量精美的圖片讓讀者直觀感受電腦視覺的效果,深入理解電腦視覺的核心內容。 本書適合人工智能方向的大學本科生、研究生,
以及初學者閱讀。對於有一定基礎和經驗的讀者,也能幫助他們查缺補漏,深入理解和掌握相關原理和方法,提高實際解決問題的能力。

作者簡介

余海林,清華大學數理基礎科學實驗班畢業、美國加州大學洛杉磯分校(UCLA)計算機碩士畢業,AI火箭營高級講師。
有著紮實的數理基礎和計算機編程能力,曾獲得美國大學生數學建模大賽一等獎。
擅長機器學習、深度學習、計算機視覺、自然語言處理等AI領域的前沿技術,參與過多個AI實踐項目。
在AI火箭營開設多門課程,累計學習人次超過10萬,講課風格嚴謹而幽默、深刻且易懂,深受廣大學員的認可。


翟中華,清華大學碩士畢業,北京洪策元創智能科技有限公司CEO,AI火箭營首席講師。
在機器學習、深度學習、計算機視覺、自然語言處理等人工智能領域有紮實的理論基礎和豐富的應用實踐經驗。
主講的課程“深度學習入門系列講解”“PyTorch深度學習實戰”等累計學員約30萬人次,講課風格抽絲剝繭、深入淺出、以簡馭繁,能夠把複雜的原理簡單化,把簡單的原理內涵化,深受廣大學員的認可。

目錄大綱

目錄

1章機器看世界
1.1計算機眼裡的圖像
1.2計算機視覺的起源
1.2.1馬爾計算視覺
1.2.2主動和目的視覺
1.2.3多視幾何和分層三維重建
1.2.4基於學習的視覺
1.3計算機視覺的難點
1.4深度學習的起源
1.5基於深度學習的計算機視覺
1.5.1研究方向
1.5.2未來發展

2章傳統圖像處理之OpenCV的妙用
2.1OpenCV安裝
2.2OpenCV模塊
2.3OpenCV數據存取
2.4OpenCV圖像基本作
2.4.1OpenCV圖像縮放
2.4.2OpenCV圖像裁剪
2.4.3OpenCV圖像旋轉
2.5從攝像頭讀取
2.6矩陣作

3章傳統圖像處理之尋找特徵
3.1顏色特徵
3.1.1RGB顏色空間
3.1.2HIS顏色空間
3.1.3HSV顏色空間
3.1.4顏色直方圖
3.1.5OpenCV圖像色調,對比度變化
3.2幾何特徵
3.2.1邊緣特徵
3.2.2角點
3.2.3斑點
3.3局部特徵
3.3.1SIFT算法
3.3.2SURF算法
3.4代碼實戰: 圖像匹配

4章傳統圖像處理之圖像美化
4.1添加圖形與文字
4.2圖像美白
4.3圖像修復與去噪
4.4圖像輪廓
4.5圖像金字塔
4.6代碼實戰: 圖像融合

5章傳統圖像處理之相機模型
5.1相機模型
5.1.1針孔相機模型
5.1.2影幾何
5.2透鏡
5.3透鏡畸變

6章傳統圖像處理之目標檢測
6.1OpenCV中的機器學習
6.1.1機器學習簡介
6.1.2OpenCV機器學習數據流
6.1.3OpenCV機器學習算法
6.2基於支持向量機的目標檢測與識別
6.2.1詞袋算法
6.2.2隱式支持向量機算法
6.3基於樹方法的目標檢測與識別
6.4代碼實戰: 人臉識別
6.5傳統圖像總結

7章深度學習初識
7.1深度學習基礎
7.2正向傳播、反向傳播算法
7.3非線性激活函數
7.4Dropout正則化方法
7.5GPU加速運算

8章基於深度學習的計算機視覺之卷積神經網絡
8.1卷積神經網絡基本架構
8.1.1卷積層
8.1.2池化層
8.1.3全連接層
8.1.4Softma激活函數
8.1.5交熵損失
8.2AleNet結構詳解
8.3卷積神經網絡的優點

9章基於深度學習的計算機視覺之TensorFlow
9.1TensorFlow的起源
9.2TensorFlow基礎知識
9.2.1安裝
9.2.2圖計算
9.2.3TensorFlow 2.0
9.2.4張量
9.2.5tf.data
9.2.6可視化
9.2.7模型存取
9.2.8Keras接口
9.2.9神經網絡搭建
9.3代碼實戰: 手寫數字

10章基於深度學習的計算機視覺之目標識別
10.1目標識別的概念
10.2構建數據集的方法
10.3搭建神經網絡
10.4訓練及效果評估
10.5解決過擬合
10.6數據增強
10.7遷移學習

11章基於深度學習的計算機視覺之兩階段目標檢測
11.1什麼是目標檢測
11.2目標檢測的難點
11.3目標檢測的基礎知識
11.3.1候選框
11.3.2交並比
11.3.3非極大值抑制
11.3.4傳統目標檢測基本流程
11.4目標檢測效果評估
11.5二階段算法: RCNN類網絡
11.5.1RCNN網絡
11.5.2Fast RCNN網絡
11.5.3Faster RCNN網絡
11.6代碼實戰

12章基於深度學習的計算機視覺之階段目標檢測
12.1YOLO網絡
12.1.1YOLO起源
12.1.2YOLO原理
12.1.3YOLOv2原理
12.1.4YOLOv3原理
12.1.5YOLO應用
12.2SSD網絡
12.3代碼實戰: 車牌識別

13章人臉識別: 傳統方法VS深度學習
13.1人臉識別技術的歷史
13.2人臉識別技術的發展前景
13.3人臉識別技術主要流程
13.3.1人臉識別的主要流程
13.3.2人臉識別的主要方法
13.3.3人臉識別的技術指標
13.4深度學習方法
13.5人臉識別的挑戰

14章基於深度學習的計算機視覺: 生成模型
14.1自動編碼器
14.1.1去噪自動編碼器
14.1.2變分自動編碼器
14.2風格遷移
14.3GAN網絡

參考文獻