《计算机视觉》求取 ⇩

第1章绪论1

本章思维导图1

1.1计算机视觉简史2

1.2 2012年——计算机视觉发展的新起点4

1.3计算机视觉应用5

1.4 GPU与并行技术——深度学习和计算机视觉发展的加速器7

1.5基于卷积神经网络的计算机视觉应用8

1.6全书章节简介13

本章思考题13

本章参考文献14

第2章图像的表示15

本章思维导图15

2.1色彩学基础16

2.1.1三基色原理16

2.1.2彩色模型16

2.1.3小结17

2.2图像的数字化18

2.2.1采样18

2.2.2量化19

2.2.3图像的性质19

2.2.4像素间的关系19

2.2.5对比度21

2.2.6敏锐度21

2.2.7图像中的噪声22

2.2.8小结22

2.3图像预处理22

2.3.1灰度化23

2.3.2几何变换23

2.3.3图像增强25

2.3.4小结29

2.4本章总结29

本章思考题29

本章参考文献29

第3章特征提取31

本章思维导图31

3.1局部特征点检测概述32

3.2角点检测32

3.2.1角点介绍32

3.2.2Harris角点34

3.2.3 Fast角点35

3.2.4 FAST-ER角点检测子36

3.2.5小结37

3.3斑点检测37

3.3.1斑点介绍37

3.3.2LOG斑点检测37

3.3.3 DOG斑点检测39

3.3.4 DOH斑点检测39

3.3.5 SIFT斑点检测40

3.3.6 SURF斑点检测40

3.3.7小结41

3.4特征描述子41

3.4.1特征描述子介绍41

3.4.2BRIEF描述子41

3.4.3 ORB特征提取算法42

3.4.4 BRISK特征提取算法42

3.4.5 FREAK特征提取算法43

3.4.6小结43

3.5边缘检测43

3.5.1边缘介绍43

3.5.2边缘检测介绍44

3.5.3边缘检测的基本方法44

3.5.4边缘检测算子的概念45

3.5.5常见的边缘检测算子45

3.5.6梯度算子介绍46

3.5.7梯度的衡量方法46

3.5.8如何用梯度算子实现边缘检测47

3.5.9小结47

3.6一阶微分边缘算子48

3.6.1一阶微分边缘算子的基本思想48

3.6.2Roberts算子48

3.6.3 Prewitt算子49

3.6.4 Sobel算子50

3.6.5 Kirsch算子51

3.6.6小结51

3.7二阶微分边缘算子51

3.7.1二阶微分边缘算子的基本思想51

3.7.2Laplace算子52

3.7.3 LOG算子53

3.7.4 Canny算子53

3.7.5小结54

3.8基于窗口模板的检测方法54

3.8.1SUSAN检测方法介绍54

3.8.2小结56

3.9新兴的边缘检测算法56

3.9.1小波分析56

3.9.2模糊算法56

3.9.3人工神经网络56

3.9.4小结57

3.10本章总结57

本章思考题58

本章参考文献58

第4章神经网络60

本章思维导图60

4.1感知器61

4.1.1基本概念61

4.1.2激活函数61

4.2神经网络基础63

4.3前向传播与反向传播算法64

4.3.1前向传播算法64

4.3.2反向传播算法原理65

4.3.3反向传播计算过程推导67

4.4卷积神经网络概述70

4.5卷积神经网络结构71

4.6卷积神经网络的组成72

4.6.1局部感知72

4.6.2空间排列74

4.6.3参数共享75

4.6.4卷积75

4.6.5池化层76

4.6.6全连接层76

4.6.7卷积神经网络架构77

4.7卷积神经网络的应用77

4.8循环神经网络概述77

4.9循环神经网络与语言模型78

4.10循环神经网络结构79

4.11循环神经网络的扩展与改进80

4.11.1Simple-RNN80

4.11.2双向循环神经网络81

4.11.3深度循环神经网络81

4.11.4长短期记忆网络与门控循环单元网络82

4.12本章总结83

本章思考题84

本章参考文献84

第5章物体分类与识别86

本章思维导图86

5.1从AlexNet到GoogLeNet87

5.1.1AlexNet87

5.1.2 VGGNet90

5.1.3 GoogLeNet95

5.1.4小结102

5.2深度残差网络ResNet102

5.2.1平原网络的深度限制103

5.2.2ResNet的提出104

5.2.3残差学习突破深度限制105

5.2.4小结108

5.3迁移学习图像分类108

5.3.1迁移学习简介108

5.3.2迁移学习图像分类策略109

5.3.3小结111

5.4本章总结111

本章思考题111

本章参考文献112

第6章目标检测与语义分割113

本章思维导图113

6.1从RCNN到Faster R-CNN114

6.1.1R-CNN网络结构114

6.1.2交并比115

6.1.3边框回归算法115

6.1.4非极大值抑制116

6.1.5 SPP-Net网络结构117

6.1.6 Fast R-CNN网络结构118

6.1.7 Faster R-CNN网络结构120

6.1.8小结123

6.2端到端方法：YOLO、SSD123

6.2.1One Stage和Two Stage方法比较123

6.2.2 YOLO网络结构123

6.2.3 SSD网络结构125

6.2.4小结127

6.3从FCN到Mask R-CNN127

6.3.1FCN网络结构128

6.3.2 DeepLab网络结构130

6.3.3 Mask R-CNN网络结构131

6.3.4小结132

6.4本章总结133

本章思考题133

本章参考文献133

第7章图片描述与关系识别135

本章思维导图135

7.1单词、句子在深度学习模型中的表示136

7.1.1One-Hot表示136

7.1.2词嵌入表示136

7.1.3小结139

7.2Encoder-Decoder模型139

7.2.1 Encoder-Decoder基本结构139

7.2.2 Attention机制140

7.2.3小结145

7.3基于Encoder-Decoder的图片描述与关系识别模型145

7.3.1 NIC网络模型146

7.3.2基于Attention的图片描述146

7.3.3小结148

7.4本章总结148

本章思考题148

本章参考文献149

第8章生成对抗网络150

本章思维导图150

8.1GANs模型介绍151

8.1.1生成模型与判别模型151

8.1.2对抗网络思想151

8.1.3详细实现过程151

8.1.4小结153

8.2GANs的简单理论介绍154

8.2.1 GANs的理论灵感154

8.2.2 GANs的理论证明155

8.2.3小结157

8.3GANs的应用157

8.3.1文本转图像——CGAN157

8.3.2照片风格转化——CycleGAN160

8.3.3局部变脸术——StarGAN163

8.3.4定制图片生成——InfoGAN165

8.3.5小结168

8.4本章总结169

本章思考题169

本章参考文献170