Name: 卷積神經網路與計算器視覺
SKU: https://www.books.com.tw/products/CN11639397

內容簡介

本書自成一體，如果你既想了解CNN的原理，又想獲得將CNN應用於電腦視覺的一手經驗，那麼本書將非常適合閱讀。書中對CNN進行了全面介紹，首先是神經網路的基本概念：訓練、正則化和優化。然後討論了各種各樣的損失函數、網路層和流行的CNN架構，回顧了評價CNN的不同技術，並介紹了一些常用的CNN工具和庫。此外，本書還分析了CNN在電腦視覺中的應用案例，包括圖像分類、對象檢測、語義分割、場景理解和圖像生成。

作者介紹

薩爾曼·汗（Salman Khan），澳大利亞國立大學講師，聯邦科學與工業研究組織（CSIRO）研究科學家。作者：海珊·拉哈馬尼（Hossein Rahmani），西澳大利亞大學電腦科學與軟體工程學院研究員。作者：賽義德·阿法克·阿里·沙（Syed Afaq Ali Shah），西澳大利亞大學電腦科學與軟體工程學院副研究員。作者：穆罕默德·本納努恩（Mohammed Bennamoun），西澳大利亞大學教授，曾任電腦科學與軟體工程學院院長。

譯者：

黃智瀕，北京郵電大學電腦學院講師，博士，主要研究方向為電腦視覺和三維可視化。譯者：戴志濤，北京郵電大學電腦學院教授，主要研究方向為深度學習加速器和嵌入式系統。

譯者序
前言
致謝
作者簡介

第1章簡介
1.1什麼是電腦視覺
1.1.1應用案例
1.1.2影像處理與電腦視覺
1.2什麼是機器學習
1.2.1為什麼需要深度學習
1.3本書概覽

第2章特徵和分類器
2.1特徵和分類器的重要性
2.1.1特徵
2.1.2分類器
2.2傳統特徵描述符
2.2.1方向梯度長條圖
2.2.2尺度不變特徵變換
2.2.3加速健壯特徵
2.2.4傳統的手工工程特徵的局限性
2.3機器學習分類器
2.3.1支持向量機
2.3.2隨機決策森林
2.4總結

第3章神經網路基礎
3.1引言
3.2多層感知機
3.2.1基礎架構
3.2.2參數學習
3.3迴圈神經網路
3.3.1基礎架構
3.3.2參數學習
3.4與生物視覺的關聯
3.4.1生物神經元模型
3.4.2神經元的計算模型
3.4.3人工神經元與生物神經元

第4章卷積神經網路
4.1引言
4.2神經網路層
4.2.1預處理
4.2.2卷積層
4.2.3池化層
4.2.4非線性
4.2.5全連接層
4.2.6轉置卷積層
4.2.7感興趣區域的池化層
4.2.8空間金字塔池化層
4.2.9局部特徵聚合描述符層
4.2.10空間變換層
4.3CNN損失函數
4.3.1交叉熵損失函數
4.3.2SVM鉸鏈損失函數
4.3.3平方鉸鏈損失函數
4.3.4歐幾裡得損失函數
4.3.5.1誤差
4.3.6對比損失函數
4.3.7期望損失函數
4.3.8結構相似性度量

第5章CNN學習
5.1權重初始化
5.1.1高斯隨機初始化
5.1.2均勻隨機初始化
5.1.3正交隨機初始化
5.1.4無監督的預訓練
5.1.5賽維爾(Xavier)初始化
5.1.6ReLU敏感的縮放初始化
5.1.7層序單位方差
5.1.8有監督的預訓練
5.2CNN的正則化
5.2.1資料增強
5.2.2隨機失活
5.2.3隨機失連
5.2.4批量歸一化
5.2.5集成模型平均
5.2.6.2正則化
5.2.7.1正則化
5.2.8彈性網正則化
5.2.9最大範數約束
5.2.10早停
5.3基於梯度的CNN學習
5.3.1批量梯度下降
5.3.2隨機梯度下降
5.3.3小批量梯度下降
5.4神經網路優化器
5.4.1動量
5.4.2涅斯捷羅夫動量
5.4.3自我調整梯度
5.4.4自我調整增量
5.4.5RMSprop
5.4.6自我調整矩估計
5.5CNN中的梯度計算
5.5.1分析微分法
5.5.2數值微分法
5.5.3符號微分法
5.5.4自動微分法
5.6通過視覺化理解CNN
5.6.1視覺化學習的權重
5.6.2視覺化啟動
5.6.3基於梯度的視覺化

第6章CNN架構的例子
6.1LeNet
6.2AlexNet
6.3NiN
6.4VGGnet
6.5GoogleNet
6.6ResNet
6.7ResNeXt
6.8FractalNet
6.9DenseNet

第7章CNN在電腦視覺中的應用
7.1圖像分類
7.1.1PointNet
7.2目標檢測與定位
7.2.1基於區域的CNN
7.2.2快速R CNN
7.2.3區域建議網路
7.3語義分割
7.3.1全卷積網路
7.3.2深度反卷積網路
7.3.3DeepLab
7.4場景理解
7.4.1DeepContext
7.4.2從RGB D圖像中學習豐富的特徵
7.4.3用於場景理解的Point Net
7.5圖像生成
7.5.1生成對抗網路
7.5.2深度卷積生成對抗網路
7.5.3超解析度生成對抗網路
7.6基於視頻的動作識別
7.6.1靜止視頻幀的動作識別
7.6.2雙流CNN
7.6.3長期遞迴卷積網路

第8章深度學習工具和庫
8.1Caffe
8.2TensorFlow
8.3MatConvNet
8.4Torch7
8.5Theano
8.6Keras
8.7Lasagne
8.8Marvin
8.9Chainer
8.10PyTorch

第9章結束語
9.1本書概要
9.2未來研究方向
術語表
參考文獻

看更多