图书介绍

卷积神经网络与计算机视觉2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

（澳）萨尔曼·汗（Salman Khan）著著
出版社：北京：机械工业出版社
ISBN：9787111622888
出版时间：2019
标注页数：184页
文件大小：88MB
文件页数：198页
主题词：计算机视觉－研究

PDF下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢] [在线试读本书] [在线获取解压码]

点击复制MD5值：366f49d1921f8ac90449b4bc17e7bb7f

下载说明

卷积神经网络与计算机视觉PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载详情点击-查看共享计划

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数要大于标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

图书目录

第1章简介2

1.1 什么是计算机视觉2

1.1.1 应用案例3

1.1.2 图像处理与计算机视觉4

1.2 什么是机器学习6

1.2.1 为什么需要深度学习7

1.3 本书概览8

第2章特征和分类器12

2.1 特征和分类器的重要性12

2.1.1 特征12

2.1.2 分类器14

2.2 传统特征描述符14

2.2.1 方向梯度直方图15

2.2.2 尺度不变特征变换17

2.2.3 加速健壮特征21

2.2.4 传统的手工工程特征的局限性22

2.3 机器学习分类器23

2.3.1 支持向量机24

2.3.2 随机决策森林28

2.4 总结31

第3章神经网络基础33

3.1 引言33

3.2 多层感知机34

3.2.1 基础架构34

3.2.2 参数学习35

3.3 循环神经网络39

3.3.1 基础架构39

3.3.2 参数学习41

3.4 与生物视觉的关联41

3.4.1 生物神经元模型41

3.4.2 神经元的计算模型42

3.4.3 人工神经元与生物神经元44

第4章卷积神经网络45

4.1 引言45

4.2 神经网络层46

4.2.1 预处理46

4.2.2 卷积层48

4.2.3 池化层55

4.2.4 非线性56

4.2.5 全连接层58

4.2.6 转置卷积层59

4.2.7 感兴趣区域的池化层61

4.2.8 空间金字塔池化层63

4.2.9 局部特征聚合描述符层65

4.2.10 空间变换层66

4.3 CNN损失函数67

4.3.1 交叉熵损失函数68

4.3.2 SVM铰链损失函数69

4.3.3 平方铰链损失函数69

4.3.4 欧几里得损失函数69

4.3.5 ？1误差69

4.3.6 对比损失函数70

4.3.7 期望损失函数70

4.3.8 结构相似性度量71

第5章 CNN学习72

5.1 权重初始化72

5.1.1 高斯随机初始化72

5.1.2 均匀随机初始化73

5.1.3 正交随机初始化73

5.1.4 无监督的预训练73

5.1.5 泽维尔（Xavier）初始化74

5.1.6 ReLU敏感的缩放初始化74

5.1.7 层序单位方差74

5.1.8 有监督的预训练75

5.2 CNN的正则化76

5.2.1 数据增强77

5.2.2 随机失活78

5.2.3 随机失连79

5.2.4 批量归一化79

5.2.5 集成模型平均81

5.2.6 ？2正则化81

5.2.7 ？1正则化82

5.2.8 弹性网正则化82

5.2.9 最大范数约束82

5.2.10 早停83

5.3 基于梯度的CNN学习83

5.3.1 批量梯度下降84

5.3.2 随机梯度下降84

5.3.3 小批量梯度下降85

5.4 神经网络优化器85

5.4.1 动量86

5.4.2 涅斯捷罗夫动量87

5.4.3 自适应梯度87

5.4.4 自适应增量88

5.4.5 RMSprop89

5.4.6 自适应矩估计89

5.5 CNN中的梯度计算91

5.5.1 分析微分法91

5.5.2 数值微分法92

5.5.3 符号微分法92

5.5.4 自动微分法93

5.6 通过可视化理解CNN96

5.6.1 可视化学习的权重97

5.6.2 可视化激活97

5.6.3 基于梯度的可视化100

第6章 CNN架构的例子104

6.1 LeNet104

6.2 AlexNet105

6.3 NiN106

6.4 VGGnet107

6.5 GoogleNet108

6.6 ResNet110

6.7 ResNeXt114

6.8 FractalNet115

6.9 DenseNet116

第7章 CNN在计算机视觉中的应用119

7.1 图像分类119

7.1.1 PointNet120

7.2 目标检测与定位122

7.2.1 基于区域的CNN122

7.2.2 快速R-CNN124

7.2.3 区域建议网络126

7.3 语义分割129

7.3.1 全卷积网络129

7.3.2 深度反卷积网络133

7.3.3 DeepLab136

7.4 场景理解138

7.4.1 DeepContext138

7.4.2 从RGB-D图像中学习丰富的特征142

7.4.3 用于场景理解的PointNet144

7.5 图像生成145

7.5.1 生成对抗网络145

7.5.2 深度卷积生成对抗网络149

7.5.3 超分辨率生成对抗网络151

7.6 基于视频的动作识别153

7.6.1 静止视频帧的动作识别153

7.6.2 双流CNN156

7.6.3 长期递归卷积网络158

第8章深度学习工具和库161

8.1 Caffe161

8.2 TensorFlow162

8.3 MatConvNet163

8.4 Torch7163

8.5 Theano164

8.6 Keras165

8.7 Lasagne165

8.8 Marvin167

8.9 Chainer167

8.10 PyTorch168

第9章结束语170

9.1 本书概要170

9.2 未来研究方向170

术语表173

参考文献176