《計算機視覺技術：事件相機原理與套用》是化學工業出版社於2021年出版的書籍，作者是高山、喬詩展、葉汝楷。
基本介紹
- 書名：計算機視覺技術：事件相機原理與套用
- 作者：高山、喬詩展、葉汝楷
- 出版社：化學工業出版社
- 出版時間：2021年11月1日
- 頁數：168 頁
- 開本：16 開
- 裝幀：平裝
- ISBN：9787122396280
內容簡介,目錄,
內容簡介
《計算機視覺技術：事件相機原理與套用》是一本關於事件相機原理基礎的入門類圖書。主要從計算機視覺技術的基礎和相關數學基礎開始講解，對事件信息的編碼、事件的卷積（普通卷積、稀疏卷積、圖卷積、3D 卷積）分別進行了生動的介紹，最後又通過三個章節，對基於長短期記憶網路（LSTM）、脈衝神經網路（SNN）、生成對抗網路（GAN）的事件處理的原理和方法做了解讀。
目錄
第1 章 計算機視覺簡介 001
1.1 計算機視覺的概念 001
1.2 計算機視覺的套用 002
1.2.1 圖像分類 003
1.2.2 目標檢測 003
1.2.3 圖像分割 004
1.2.4 目標跟蹤 004
1.2.5 其他套用 005
1.3 思考與練習 005
第2 章 事件相機的原理 006
2.1 數學基礎知識 007
2.1.1 導數 007
2.1.2 積分 014
2.1.3 神經元模型 018
2.1.4 多層感知機與全連線層 023
2.1.5 損失函式 028
2.1.6 神經網路的最佳化 030
2.2 事件相機的概念及原理 034
2.3 常用的事件相機 042
2.3.1 DVS 相機 042
2.3.2 ATIS 相機 043
2.3.3 DAVIS 044
2.3.4 商業事件相機 044
2.4 思考與練習 045
第3 章 事件信息的編碼 046
3.1 點雲式編碼 046
3.2 CountImage 編碼 047
3.3 張量式編碼 049
3.4 局部CountImage 編碼 050
3.5 TimeImage 編碼 051
3.6 Leaky Surface 編碼 053
3.7 思考與練習 056
第4 章 事件的普通卷積 057
4.1 2D 卷積的基本原理 057
4.2 卷積神經網路的組成 064
4.2.1 卷積層 064
4.2.2 池化層 065
4.2.3 全連線層 066
4.2.4 全局最大/平均池化 067
4.3 事件2D 卷積的適用範圍 068
4.3.1 編碼要求 068
4.3.2 直接事件卷積存在的問題 070
4.4 思考與練習 071
第5 章 事件的稀疏卷積 072
5.1 稀疏卷積的基本原理 072
5.1.1 SC 層的定義 072
5.1.2 VSC 層的定義 074
5.2 稀疏池化與全連線層 079
5.2.1 稀疏池化層 079
5.2.2 稀疏全連線層 081
5.3 稀疏卷積的特徵 082
5.3.1 編碼要求 082
5.3.2 流形擬合特性 082
5.3.3 稀疏卷積的缺點 083
5.4 思考與練習 083
第6 章 事件的圖卷積 084
6.1 圖卷積的基本原理 084
6.1.1 事件的採樣 084
6.1.2 圖的概念及事件圖的構建 088
6.1.3 圖卷積的定義 094
6.1.4 圖池化及圖全連線層的定義 097
6.2 圖卷積的特性 099
6.2.1 編碼要求 099
6.2.2 圖的普適性 099
6.2.3 方向可變性 100
6.3 思考與練習 101
第7 章 事件的3D 卷積 102
7.1 3D 卷積的原理 102
7.1.1 卷積層的擴展 102
7.1.2 池化層的擴展 105
7.2 事件輸入與3D 卷積的特點 108
7.2.1 事件輸入的編碼要求 108
7.2.2 直接3D 卷積的現存問題 109
7.2.3 3D 卷積的可分解性 110
7.3 4D 卷積簡介 110
7.4 思考與練習 114
第8 章 基於LSTM 的事件處理 115
8.1 LSTM 的基本原理 115
8.1.1 LSTM 細胞的定義 115
8.1.2 LSTM 的運算更新 118
8.2 LSTM 的變體及事件處理 123
8.2.1 ConvLSTM 123
8.2.2 PhasedLSTM 125
8.3 思考與練習 126
第9 章 基於脈衝神經網路的事件處理 127
9.1 普通神經元的局限 127
9.2 脈衝神經網路的概念 128
9.2.1 脈衝神經元模型 130
9.2.2 脈衝全連線層 133
9.2.3 脈衝卷積層 135
9.2.4 脈衝池化層 136
9.3 脈衝神經網路的學習 137
9.4 脈衝神經網路的特點 138
9.4.1 編碼要求 138
9.4.2 脈衝神經網路的局限 139
9.5 思考與練習 140
第10 章 基於生成對抗網路的事件處理 141
10.1 生成對抗網路的基本原理 141
10.1.1 普通GAN 的對弈原理 141
10.1.2 cGAN 的對弈原理 148
10.1.3 Cycle-GAN 的對弈原理 149
10.1.4 Info-GAN 的對弈原理 154
10.2 事件圖像的生成 155
10.3 思考與練習 157
參考文獻 158
