4.7 用户推荐指数
科技
类型
可以朗读
语音朗读
230千字
字数
2021-04-01
发行日期
展开全部
主编推荐语
本书聚焦于机器学习在计算机视觉领域的应用，既可以作为相关专业学生的教材，也可以作为研究人员或工程技术人员的参考资料。
内容简介
本书主要面向OpenCV领域的研究与开发人员，采用原理结合实战的方式，介绍OpenCV4的机器学习算法模块与深度神经网络模块中的核心算法原理与C编程实战。
全书共10章，第1~3章，介绍OpenCV4的基础知识、基本图像操作和机器学习基础知识；第4~8章，介绍K-means、KNN、决策树、随机森林、Boosting算法和支持向量机等机器学习算法与编程实战；第9~10章，介绍神经网络与深度神经网络的基本原理与编程实战，并提供了不同深度学习模型的部署示例代码。
目录
- 版权信息
- 内容简介
- 前言
- 第1章 概述
- 1.1 OpenCV简述
- 1.2 OpenCV的功能
- 1.3 OpenCV中的机器学习与深度神经网络模块
- 1.4 基本数据类型
- 1.4.1 数据类型概述
- 1.4.2 cv::Vec类
- 1.4.3 cv::Point类
- 1.4.4 cv::Scalar类
- 1.4.5 cv::Size类
- 1.4.6 cv::Rect类
- 1.4.7 cv::RotatedRect类
- 1.4.8 cv::Mat类
- 1.4.9 基本矩阵运算
- 参考文献
- 第2章 OpenCV在机器学习任务中的基本图像操作
- 2.1 基本图像操作
- 2.1.1 读取、显示和存储图像
- 2.1.2 颜色空间转换
- 2.1.3 图像的几何变换
- 2.1.4 直方图均衡化
- 2.1.5 标注文字和矩形框
- 2.2 基本视频操作
- 2.2.1 读取和播放视频文件
- 2.2.2 处理视频文件
- 2.2.3 存储视频文件
- 参考文献
- 第3章 机器学习的基本原理与OpenCV机器学习模块
- 3.1 机器学习的基本概念
- 3.1.1 机器学习的定义
- 3.1.2 机器学习的分类
- 3.2 机器学习的一般流程
- 3.2.1 机器学习流程
- 3.2.2 数据集
- 3.2.3 偏差与方差
- 3.2.4 评估分类器性能的方法
- 3.3 逻辑回归分类示例
- 3.3.1 图像数据与数据表示
- 3.3.2 逻辑回归模型
- 3.3.3 逻辑回归的损失函数
- 3.4 OpenCV支持的机器学习算法
- 3.4.1 机器学习模块的结构
- 3.4.2 机器学习模块中的算法
- 3.4.3 数据集准备
- 3.4.4 特征选择
- 参考文献
- 第4章 K-means和KNN
- 4.1 算法原理
- 4.1.1 K-means原理
- 4.1.2 KNN原理
- 4.2 OpenCV实现
- 4.2.1 K-means的实现
- 4.2.2 KNN的实现
- 4.3 应用示例
- 4.3.1 K-means聚类示例
- 4.3.2 KNN手写数字识别示例
- 4.3.3 应用提示
- 参考文献
- 第5章 决策树
- 5.1 决策树原理
- 5.1.1 决策树的基本思想
- 5.1.2 决策树的表示方法
- 5.1.3 最佳切分属性的选择
- 5.1.4 停止标准
- 5.1.5 剪枝
- 5.2 OpenCV实现
- 5.2.1 创建决策树
- 5.2.2 训练决策树
- 5.2.3 使用决策树预测
- 5.3 应用示例
- 5.3.1 蘑菇可食性分类
- 5.3.2 预测波士顿房价
- 5.3.3 应用提示
- 第6章 随机森林
- 6.1 随机森林原理
- 6.1.1 随机森林的基本思想
- 6.1.2 Bagging算法
- 6.2 OpenCV实现
- 6.2.1 OpenCV中的随机森林
- 6.2.2 创建随机森林
- 6.2.3 训练随机森林
- 6.2.4 使用随机森林预测
- 6.3 应用示例
- 6.3.1 蘑菇可食性分类
- 6.3.2 预测波士顿房价
- 6.3.3 应用提示
- 参考文献
- 第7章 Boosting算法
- 7.1 Boosting算法原理
- 7.1.1 Boosting算法的基本思想
- 7.1.2 Boosting算法的学习流程
- 7.1.3 AdaBoost算法
- 7.2 OpenCV实现
- 7.2.1 创建AdaBoost模型
- 7.2.2 训练AdaBoost模型
- 7.2.3 使用AdaBoost模型预测
- 7.3 应用示例
- 7.3.1 蘑菇可食性分类
- 7.3.2 英文字母分类问题
- 7.3.3 应用提示
- 第8章 支持向量机
- 8.1 支持向量机原理
- 8.1.1 统计学习理论概述
- 8.1.2 线性SVM算法的基本原理
- 8.1.3 非线性SVM算法的基本原理
- 8.1.4 SVM回归算法的基本原理
- 8.1.5 SVM算法执行SRM准则的解释
- 8.2 OpenCV实现
- 8.2.1 OpenCV中的SVM算法
- 8.2.2 创建SVM模型
- 8.2.3 训练SVM模型
- 8.2.4 使用SVM模型预测
- 8.3 应用示例
- 8.3.1 使用HOG特征与SVM算法识别手写数字
- 8.3.2 应用提示
- 参考文献
- 第9章 神经网络
- 9.1 神经网络原理
- 9.1.1 神经网络的结构与表示
- 9.1.2 单隐层前馈神经网络
- 9.1.3 多隐层前馈神经网络
- 9.1.4 梯度下降法
- 9.1.5 反向传播算法
- 9.2 OpenCV实现
- 9.2.1 OpenCV中的MLP算法
- 9.2.2 创建MLP模型
- 9.2.3 训练MLP模型
- 9.2.4 使用MLP模型预测
- 9.3 应用示例
- 9.3.1 使用神经网络识别手写数字
- 9.3.2 应用提示
- 参考文献
- 第10章 深度神经网络
- 10.1 卷积神经网络的基本原理
- 10.1.1 卷积神经网络的结构
- 10.1.2 卷积层
- 10.1.3 池化层
- 10.1.4 Softmax层
- 10.1.5 CNN特征学习的过程
- 10.1.6 CNN特征学习的原理
- 10.2 OpenCV的DNN模块
- 10.2.1 OpenCV支持的深度学习框架
- 10.2.2 支持的层类型
- 10.2.3 编译支持GPU加速的OpenCV
- 10.2.4 DNN模块的使用
- 10.3 应用示例
- 10.3.1 典型计算机视觉任务
- 10.3.2 使用GoogLeNet实现图像分类
- 10.3.3 使用YOLOv4实现目标检测
- 10.3.4 使用Mask R-CNN实现实例分割
- 10.3.5 使用GOTURN实现目标跟踪
- 10.3.6 使用DB算法实现场景文本检测
- 10.3.7 使用CRNN实现场景文本识别
- 10.3.8 应用提示
- 参考文献
展开全部
评分及书评
4.7
3个评分
出版方
电子工业出版社
电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。
