科技 类型
7.6 豆瓣评分
可以朗读 语音朗读
227千字 字数
2019-06-01 发行日期
展开全部

主编推荐语

本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。

内容简介

本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。

目录

  • 版权信息
  • 前言
  • 第1章 机器视觉在行业中的应用
  • 1.1 机器视觉的发展背景
  • 1.1.1 人工智能
  • 1.1.2 机器视觉
  • 1.2 机器视觉的主要应用场景
  • 1.2.1 人脸识别
  • 1.2.2 视频监控分析
  • 1.2.3 工业瑕疵检测
  • 1.2.4 图片识别分析
  • 1.2.5 自动驾驶/驾驶辅助
  • 1.2.6 三维图像视觉
  • 1.2.7 医疗影像诊断
  • 1.2.8 文字识别
  • 1.2.9 图像/视频的生成及设计
  • 1.3 本章小结
  • 第2章 图像识别前置技术
  • 2.1 深度学习框架
  • 2.1.1 Theano
  • 2.1.2 Tensorflow
  • 2.1.3 MXNet
  • 2.1.4 Keras
  • 2.1.5 PyTorch
  • 2.1.6 Caffe
  • 2.2 搭建图像识别开发环境
  • 2.2.1 Anaconda
  • 2.2.2 conda
  • 2.2.3 Pytorch的下载与安装
  • 2.3 Numpy使用详解
  • 2.3.1 创建数组
  • 2.3.2 创建Numpy数组
  • 2.3.3 获取Numpy属性
  • 2.3.4 Numpy数组索引
  • 2.3.5 切片
  • 2.3.6 Numpy中的矩阵运算
  • 2.3.7 数据类型转换
  • 2.3.8 Numpy的统计计算方法
  • 2.3.9 Numpy中的arg运算
  • 2.3.10 FancyIndexing
  • 2.3.11 Numpy数组比较
  • 2.4 本章小结
  • 第3章 图像分类之KNN算法
  • 3.1 KNN的理论基础与实现
  • 3.1.1 理论知识
  • 3.1.2 KNN的算法实现
  • 3.2 图像分类识别预备知识
  • 3.2.1 图像分类
  • 3.2.2 图像预处理
  • 3.3 KNN实战
  • 3.3.1 KNN实现MNIST数据分类
  • 3.3.2 KNN实现Cifar10数据分类
  • 3.4 模型参数调优
  • 3.5 本章小结
  • 第4章 机器学习基础
  • 4.1 线性回归模型
  • 4.1.1 一元线性回归
  • 4.1.2 多元线性回归
  • 4.2 逻辑回归模型
  • 4.2.1 Sigmoid函数
  • 4.2.2 梯度下降法
  • 4.2.3 学习率η的分析
  • 4.2.4 逻辑回归的损失函数
  • 4.2.5 Python实现逻辑回归
  • 4.3 本章小结
  • 第5章 神经网络基础
  • 5.1 神经网络
  • 5.1.1 神经元
  • 5.1.2 激活函数
  • 5.1.3 前向传播
  • 5.2 输出层
  • 5.2.1 Softmax
  • 5.2.2 one-hotencoding
  • 5.2.3 输出层的神经元个数
  • 5.2.4 MNIST数据集的前向传播
  • 5.3 批处理
  • 5.4 广播原则
  • 5.5 损失函数
  • 5.5.1 均方误差
  • 5.5.2 交叉熵误差
  • 5.5.3 Mini-batch
  • 5.6 最优化
  • 5.6.1 随机初始化
  • 5.6.2 跟随梯度（数值微分）
  • 5.7 基于数值微分的反向传播
  • 5.8 基于测试集的评价
  • 5.9 本章小结
  • 第6章 误差反向传播
  • 6.1 激活函数层的实现
  • 6.1.1 ReLU反向传播实现
  • 6.1.2 Sigmoid反向传播实现
  • 6.2 Affine层的实现
  • 6.3 Softmaxwithloss层的实现
  • 6.4 基于数值微分和误差反向传播的比较
  • 6.5 通过反向传播实现MNIST识别
  • 6.6 正则化惩罚
  • 6.7 本章小结
  • 第7章 PyTorch实现神经网络图像分类
  • 7.1 PyTorch的使用
  • 7.1.1 Tensor
  • 7.1.2 Variable
  • 7.1.3 激活函数
  • 7.1.4 损失函数
  • 7.2 PyTorch实战
  • 7.2.1 PyTorch实战之MNIST分类
  • 7.2.2 PyTorch实战之Cifar10分类
  • 7.3 本章小结
  • 第8章 卷积神经网络
  • 8.1 卷积神经网络基础
  • 8.1.1 全连接层
  • 8.1.2 卷积层
  • 8.1.3 池化层
  • 8.1.4 批规范化层
  • 8.2 常见卷积神经网络结构
  • 8.2.1 AlexNet
  • 8.2.2 VGGNet
  • 8.2.3 GoogLeNet
  • 8.2.4 ResNet
  • 8.2.5 其他网络结构
  • 8.3 VGG16实现Cifar10分类
  • 8.3.1 训练
  • 8.3.2 预测及评估
  • 8.4 本章小结
  • 第9章 目标检测
  • 9.1 定位+分类
  • 9.2 目标检测
  • 9.2.1 R-CNN
  • 9.2.2 Fast R-CNN
  • 9.2.3 Faster R-CNN
  • 9.2.4 YOLO
  • 9.2.5 SSD
  • 9.3 SSD实现VOC目标检测
  • 9.3.1 PASCAL VOC数据集
  • 9.3.2 数据准备
  • 9.3.3 构建模型
  • 9.3.4 定义Loss
  • 9.3.5 SSD训练细节
  • 9.3.6 训练
  • 9.3.7 测试
  • 9.4 本章小结
  • 第10章 分割
  • 10.1 语义分割
  • 10.1.1 FCN
  • 10.1.2 UNet实现裂纹分割
  • 10.1.3 SegNet
  • 10.1.4 PSPNet
  • 10.2 实例分割
  • 10.2.1 层叠式
  • 10.2.2 扁平式
  • 10.3 本章小结
  • 第11章 产生式模型
  • 11.1 自编码器
  • 11.2 对抗生成网络
  • 11.3 DCGAN及实战
  • 11.3.1 数据集
  • 11.3.2 网络设置
  • 11.3.3 构建产生网络
  • 11.3.4 构建判别网络
  • 11.3.5 定义损失函数
  • 11.3.6 训练过程
  • 11.3.7 测试
  • 11.4 其他GAN
  • 11.5 本章小结
  • 第12章 神经网络可视化
  • 12.1 卷积核
  • 12.2 特征层
  • 12.2.1 直接观测
  • 12.2.2 通过重构观测
  • 12.2.3 末端特征激活情况
  • 12.2.4 特征层的作用
  • 12.3 图片风格化
  • 12.3.1 理论介绍
  • 12.3.2 代码实现
  • 12.4 本章小结
  • 第13章 图像识别算法的部署模式
  • 13.1 图像算法部署模式介绍
  • 13.2 实际应用场景和部署模式的匹配
  • 13.3 案例介绍
  • 13.4 本章小结
展开全部

评分及书评

评分不足
2个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。