卷積神經(jīng)網(wǎng)絡(luò)與計(jì)算機(jī)視覺
定 價(jià):99 元
叢書名:智能科學(xué)與技術(shù)叢書
- 作者:
- 出版時(shí)間:2019/4/1
- ISBN:9787111622888
- 出 版 社:機(jī)械工業(yè)出版社
- 中圖法分類:TP302.7
- 頁碼:0
- 紙張:
- 版次:
- 開本:16開
本書自成一體,如果你既想了解CNN的原理,又想獲得將CNN應(yīng)用于計(jì)算機(jī)視覺的一手經(jīng)驗(yàn),那么本書將非常適合閱讀。書中對CNN進(jìn)行了全面介紹,首先是神經(jīng)網(wǎng)絡(luò)的基本概念:訓(xùn)練、正則化和優(yōu)化。然后討論了各種各樣的損失函數(shù)、網(wǎng)絡(luò)層和流行的CNN架構(gòu),回顧了評價(jià)CNN的不同技術(shù),并介紹了一些常用的CNN工具和庫。此外,本書還分析了CNN在計(jì)算機(jī)視覺中的應(yīng)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。
譯者序
前言
致謝
作者簡介
第1章簡介
11什么是計(jì)算機(jī)視覺
111應(yīng)用案例
112圖像處理與計(jì)算機(jī)視覺
12什么是機(jī)器學(xué)習(xí)
121為什么需要深度學(xué)習(xí)
13本書概覽
第2章特征和分類器
21特征和分類器的重要性
211特征
212分類器
22傳統(tǒng)特征描述符
221方向梯度直方圖
222尺度不變特征變換
223加速健壯特征
224傳統(tǒng)的手工工程特征的局限性
23機(jī)器學(xué)習(xí)分類器
231支持向量機(jī)
232隨機(jī)決策森林
24總結(jié)
第3章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
31引言
32多層感知機(jī)
321基礎(chǔ)架構(gòu)
322參數(shù)學(xué)習(xí)
33循環(huán)神經(jīng)網(wǎng)絡(luò)
331基礎(chǔ)架構(gòu)
332參數(shù)學(xué)習(xí)
34與生物視覺的關(guān)聯(lián)
341生物神經(jīng)元模型
342神經(jīng)元的計(jì)算模型
343人工神經(jīng)元與生物神經(jīng)元
第4章卷積神經(jīng)網(wǎng)絡(luò)
41引言
42神經(jīng)網(wǎng)絡(luò)層
421預(yù)處理
422卷積層
423池化層
424非線性
425全連接層
426轉(zhuǎn)置卷積層
427感興趣區(qū)域的池化層
428空間金字塔池化層
429局部特征聚合描述符層
4210空間變換層
43CNN損失函數(shù)
431交叉熵?fù)p失函數(shù)
432SVM鉸鏈損失函數(shù)
433平方鉸鏈損失函數(shù)
434歐幾里得損失函數(shù)
4351誤差
436對比損失函數(shù)
437期望損失函數(shù)
438結(jié)構(gòu)相似性度量
第5章CNN學(xué)習(xí)
51權(quán)重初始化
511高斯隨機(jī)初始化
512均勻隨機(jī)初始化
513正交隨機(jī)初始化
514無監(jiān)督的預(yù)訓(xùn)練
515澤維爾(Xavier)初始化
516ReLU敏感的縮放初始化
517層序單位方差
518有監(jiān)督的預(yù)訓(xùn)練
52CNN的正則化
521數(shù)據(jù)增強(qiáng)
522隨機(jī)失活
523隨機(jī)失連
524批量歸一化
525集成模型平均
5262正則化
5271正則化
528彈性網(wǎng)正則化
529最大范數(shù)約束
5210早停
53基于梯度的CNN學(xué)習(xí)
531批量梯度下降
532隨機(jī)梯度下降
533小批量梯度下降
54神經(jīng)網(wǎng)絡(luò)優(yōu)化器
541動量
542涅斯捷羅夫動量
543自適應(yīng)梯度
544自適應(yīng)增量
545RMSprop
546自適應(yīng)矩估計(jì)
55CNN中的梯度計(jì)算
551分析微分法
552數(shù)值微分法
553符號微分法
554自動微分法
56通過可視化理解CNN
561可視化學(xué)習(xí)的權(quán)重
562可視化激活
563基于梯度的可視化
第6章CNN架構(gòu)的例子
61LeNet
62AlexNet
63NiN
64VGGnet
65GoogleNet
66ResNet
67ResNeXt
68FractalNet
69DenseNet
第7章CNN在計(jì)算機(jī)視覺中的應(yīng)用
71圖像分類
711PointNet
72目標(biāo)檢測與定位
721基于區(qū)域的CNN
722快速RCNN
723區(qū)域建議網(wǎng)絡(luò)
73語義分割
731全卷積網(wǎng)絡(luò)
732深度反卷積網(wǎng)絡(luò)
733DeepLab
74場景理解
741DeepContext
742從RGBD圖像中學(xué)習(xí)豐富的特征
743用于場景理解的PointNet
75圖像生成
751生成對抗網(wǎng)絡(luò)
752深度卷積生成對抗網(wǎng)絡(luò)
753超分辨率生成對抗網(wǎng)絡(luò)
76基于視頻的動作識別
761靜止視頻幀的動作識別
762雙流CNN
763長期遞歸卷積網(wǎng)絡(luò)
第8章深度學(xué)習(xí)工具和庫
81Caffe
82TensorFlow
83MatConvNet
84Torch7
85Theano
86Keras
87Lasagne
88Marvin
89Chainer
810PyTorch
第9章結(jié)束語
91本書概要
92未來研究方向
術(shù)語表
參考文獻(xiàn)