卷積神經網路與計算機視覺

內容簡介

本書自成一體，如果你既想了解CNN的原理，又想獲得將CNN套用於計算機視覺的一手經驗，那么本書將非常適合閱讀。書中對CNN進行了全面介紹，首先是神經網路的基本概念：訓練、正則化和最佳化。然後討論了各種各樣的損失函式、網路層和流行的CNN架構，回顧了評價CNN的不同技術，並介紹了一些常用的CNN工具和庫。此外，本書還分析了CNN在計算機視覺中的套用案例，包括圖像分類、對象檢測、語義分割、場景理解和圖像生成。

圖書目錄

譯者序

前言

致謝

作者簡介

第1章簡介

1.1什麼是計算機視覺

1.1.1套用案例

1.1.2圖像處理與計算機視覺

1.2什麼是機器學習

1.2.1為什麼需要深度學習

1.3本書概覽

第2章特徵和分類器

2.1特徵和分類器的重要性

2.1.1特徵

2.1.2分類器

2.2傳統特徵描述符

2.2.1方向梯度直方圖

2.2.2尺度不變特徵變換

2.2.3加速健壯特徵

2.2.4傳統的手工工程特徵的局限性

2.3機器學習分類器

2.3.1支持向量機

2.3.2隨機決策森林

2.4總結

第3章神經網路基礎

3.1引言

3.2多層感知機

3.2.1基礎架構

3.2.2參數學習

3.3循環神經網路

3.3.1基礎架構

3.3.2參數學習

3.4與生物視覺的關聯

3.4.1生物神經元模型

3.4.2神經元的計算模型

3.4.3人工神經元與生物神經元

第4章卷積神經網路

4.1引言

4.2神經網路層

4.2.1預處理

4.2.2卷積層

4.2.3池化層

4.2.4非線性

4.2.5全連線層

4.2.6轉置卷積層

4.2.7感興趣區域的池化層

4.2.8空間金字塔池化層

4.2.9局部特徵聚合描述符層

4.2.10空間變換層

4.3CNN損失函式

4.3.1交叉熵損失函式

4.3.2SVM鉸鏈損失函式

4.3.3平方鉸鏈損失函式

4.3.4歐幾里得損失函式

4.3.51誤差

4.3.6對比損失函式

4.3.7期望損失函式

卷積神經網路與計算機視覺

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條