计算机视觉PDF电子书下载

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

3.2.2 Harris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

3.3.2 LOG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

3.4.2 BRIEF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

3.6.2 Roberts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

3.7.2 Laplace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

3.8.1 SUSAN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

4.11.1 Simple-RNN 80

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GoogLeNet 87

5.1.1 AlexNet 87

5.1.2 VGGNet 90

5.1.3 GoogLeNet 95

5.1.4小结 102

5.2深度残差网络ResNet 102

5.2.1平原网络的深度限制 103

5.2.2 ResNet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-CNN 114

6.1.1 R-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、SSD 123

6.2.1 One 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-CNN 127

6.3.1 FCN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

7.1.1 One-Hot表示 136

7.1.2词嵌入表示 136

7.1.3小结 139

7.2 Encoder-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

8.1 GANs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

8.2 GANs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

8.3 GANs的应用 157

8.3.1文本转图像——CGAN 157

8.3.2照片风格转化——CycleGAN 160

8.3.3局部变脸术——StarGAN 163

8.3.4定制图片生成——InfoGAN 165

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