第1章 视觉计算简介 1
1.1图像表示基础 3
1.1.1变换域表示 6
1.1.2图像的直方图 7
1.1.3图像梯度和边缘 10
1.1.4超越图像梯度 15
1.2基于Hough变换的直线检测 16
1.3 Harris角点 16
1.4尺度不变的特征变换 17
1.5方向梯度直方图 18
1.5.1人工设计特征空间中的决策制定 19
1.5.2贝叶斯决策 21
1.5.3线性决策边界 23
1.6可变形零件模型的实例研究 25
1.7计算机视觉向神经网络转变 27
本章小结 30
参考文献 30
第2章 回归问题中的机器学习 34
2.1监督学习 34
2.2线性模型 38
2.3最小二乘法 40
2.4极大似然估计的解释 43
2.5扩展到非线性模型 45
2.6正则化 47
2.7交叉验证 50
2.8梯度下降 52
2.9几何正则化 58
2.10非凸误差面 60
2.11随机梯度、批梯度及在线梯度下降 61
2.12其他自适应学习率的更新规则 62
2.13动量 64
本章小结 65
参考文献 66
第3章人工神经网络 69
3.1感知器 70
3.2多层神经网络 78
3.3反向传播算法 82
3.4改进的反向传播算法 85
3.4.1激活函数 86
3.4.2权重剪枝 88
3.4.3批量标准化 89
本章小结 90
参考文献 90
第4章 卷积神经网络 93
4.1卷积与池化层 94
4.2卷积神经网络 102
本章小结 118
参考文献 119
第5章 卷积神经网络的新进展 121
5.1预训练网络 122
5.1.1通用性和可传递性 125
5.1.2利用预训练网络的模型压缩 130
5.1.3 Mentee网络与FitNet 134
5.1.4使用预训练网络的应用:使用CNN的图像美学 136
5.2生成网络 138
5.2.1自动编码器 139
5.2.2生成对抗网络 142
本章小结 147
参考文献 148
附录A Yann 152
后记 164