计算机视觉入门到实践阿布辛纳夫·达和奇著

基本信息

书名:计算机视觉入门到实践

定价：69.00元

作者:[印]阿布辛纳夫·达和奇(AbhinavDadhich)著连

出版社：机械工业出版社

出版日期：2020-11-01

ISBN：9787111662297

字数：

页码：

版次：

装帧：平装

开本：16开

商品重量：

目录

章　计算机视觉快速入门
1.1　什么是计算机视觉
1.2　计算机视觉无处不在
1.3　入门
1.3.1　读取图像
1.3.2　图像颜色转换
1.4　计算机视觉研究的相关会议
1.5　小结
第2章　库、开发平台和数据集
2.1　库及其安装方法
2.1.1　安装Anaconda
2.1.2　安装OpenCV
2.1.3　用于深度学习的TensorFlow
2.1.4　用于深度学习的Keras
2.2　数据集
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数据集
2.3　小结
参考文献
第3章　OpenCV中的图像滤波和变换
3.1　数据集和库
3.2　图像处理
3.3　滤波器概述
3.3.1　线性滤波器
3.3.2　非线性滤波器
3.3.3　图像梯度
3.4　图像变换
3.4.1　平移
3.4.2　旋转
3.4.3　仿射变换
3.5　图像金字塔
3.6　小结
第4章　什么是特征
4.1　特征用例
4.1.1　数据集和库
4.1.2　为何特征如此重要
4.2　Harris角点检测
4.2.1　FAST特征
4.2.2　ORB特征
4.2.3　黑箱特征
4.2.4　 应用—在图像中检测目标对象
4.2.5　应用—是否相似
4.3　小结
参考文献
第5章　卷积神经网络
5.1　数据集和库
5.2　神经网络简介
5.2.1　一个简单的神经网络
5.3　重温卷积运算
5.4　卷积神经网络
5.4.1　卷积层
5.4.2　激活层
5.4.3　池化层
5.4.4　全连接层
5.4.5　批归一化
5.4.6　退出
5.5　CNN 实践
5.5.1　Fashion-MNIST 分类器训练代码
5.5.2　CNN 分析
5.5.3　迁移学习
5.6　小结
第6章 基于特征的目标检测
6.1　目标检测概述
6.2　目标检测挑战
6.3　数据集和库
6.4　目标检测方法
6.4.1　基于深度学习的目标检测
6.5　小结
参考文献
第7章　分割和跟踪
7.1　数据集和库
7.2　分割
7.2.1　分割挑战
7.2.2　用于分割的CNN
7.2.3　FCN的实现
7.3　跟踪
7.3.1　跟踪挑战
7.3.2　目标跟踪方法
7.4　小结
参考文献
第8章　三维计算机视觉
8.1　数据集和库
8.2　应用
8.3　成像原理
8.4　图像对齐
8.5　视觉里程计
8.6　视觉SLAM
8.7　小结
参考文献
第9章　计算机视觉中的数学
9.1　数据集和库
9.2　线性代数
9.2.1　向量
9.2.2　矩阵
9.2.3　Hessian矩阵
9.2.4　奇异值分解
9.3　概率论简述
9.3.1　什么是随机变量
9.3.2　期望
9.3.3　方差
9.3.4　概率分布
9.3.5　联合分布
9.3.6　边缘分布
9.3.7　条件分布
9.3.8　贝叶斯定理
9.4　小结
0章　计算机视觉中的机器学习
10.1　什么是机器学习
10.2　机器学习技术分类
10.2.1　监督式学习
10.2.2　无监督式学习
10.3　维度灾难
10.4　机器学习的滚球视角
10.5　常用工具
10.5.1　预处理
10.5.2　后处理
10.6　评估
10.6.1　准确率
10.6.2　召回率
10.6.3　F-分数
10.7　小结

作者介绍

关于作者
Abhinav Dadhich是东京ABEJA公司的一名深度学习方面的研究以及应用开发人员。其专注于为图像分类、目标检测、分割等计算机视觉应用设计深度学习模型，并且目前将精力都倾注在理解和复现人类视觉系统的研究与实现上。而此前，其一直致力于三维地图构建和机器人导航领域。Dadhich毕业于印度IIT Jodhpur学院，获得电子工程学士学位，并在日本NAIST大学获得信息科学硕士学位。在GitHub专栏为多个主题提供注释和代码。

编辑推荐

轻松入门计算机视觉一站式指南
简单快速地理解和实现各种任务
本书主要介绍了在计算机视觉的各个领域中新提出的一些方法。首先开始设置适当的Python环境来处理实际应用程序。熟悉图像变换和滤波的概念后，详细介绍FAST和ORB等特征检测器，接着利用这些特征检测器来查找类似对象。
通过对卷积神经网络的介绍，将学习如何利用Keras构建深度神经网络，以及如何利用该网络对Fashion-MNIST数据集进行分类。关于目标检测，将学习一个简单人脸检测器的具体实现方法，以及基于TensorFlow的Faster R-CNN和SSD等复杂深度学习目标检测器的工作原理。接着，学习使用FCN模型进行语义分割，并利用Deep DORT进行目标跟踪。不仅如此，还将在标准数据集上应用视觉SLAM（vSLAM）方法，如ORB-SLAM。
本书主要内容：
基于OpenCV学习图像处理的基础知识。
实现并可视化图形滤波器，如平滑、膨胀、直方图均衡等。
设置用于计算机视觉的各种库和平台，如OpenCV、Keras和TensorFlow，以及在每章中所用的相应数据集，如MSCOCO、MOT和Fashion-MNIST。
了解图像变换和下采样的具体实现方法。
利用Keras探索用于计算机视觉的神经网络和卷积神经网络。
了解基于深度学习的目标检测工作原理，如Faster R-CNN、SSD等
研究基于深度学习的运动目标跟踪。
了解ORB-SLAM等视觉SLAM技术。