| 作者 |
| [澳] 萨尔曼·汗(Salman Khan) 侯赛因·拉哈马尼(Hossein Rahmani) 赛义德·阿法克·阿里·沙(Syed Afaq Ali Shah) 穆罕默德·本纳努恩(Mohammed Bennamoun) |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111622888 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书自成一体,如果你既想了解CNN的原理,又想获得将CNN应用于计算机视觉的一手经验,那么本书将非常适合阅读。书中对CNN进行了全面介绍,首先是神经网络的基本概念:训练、正则化和优化。然后讨论了各种各样的损失函数、网络层和流行的CNN架构,回顾了评价CNN的不同技术,并介绍了一些常用的CNN工具和库。此外,本书还分析了CNN在计算机视觉中的应用案例,包括图像分类、对象检测、语义分割、场景理解和图像生成。 |
| 目录 |
| 译者序 前言 致谢 作者简介 第1章简介 11什么是计算机视觉 111应用案例 112图像处理与计算机视觉 12什么是机器学习 121为什么需要深度学习 13本书概览 第2章特征和分类器 21特征和分类器的重要性 211特征 212分类器 22传统特征描述符 221方向梯度直方图 222尺度不变特征变换 223加速健壮特征 224传统的手工工程特征的局限性 23机器学习分类器 231支持向量机 232随机决策森林 24总结 第3章神经网络基础 31引言 32多层感知机 321基础架构 322参数学习 33循环神经网络 331基础架构 332参数学习 34与生物视觉的关联 341生物神经元模型 342神经元的计算模型 343人工神经元与生物神经元 第4章卷积神经网络 41引言 42神经网络层 421预处理 422卷积层 423池化层 424非线性 425全连接层 426转置卷积层 427感兴趣区域的池化层 428空间金字塔池化层 429局部特征聚合描述符层 4210空间变换层 43CNN损失函数 431交叉熵损失函数 432SVM铰链损失函数 433平方铰链损失函数 434欧几里得损失函数 4351误差 436对比损失函数 437期望损失函数 438结构相似性度量 第5章CNN学习 51权重初始化 511高斯随机初始化 512均匀随机初始化 513正交随机初始化 514无监督的预训练 515泽维尔(Xavier)初始化 516ReLU敏感的缩放初始化 517层序单位方差 518有监督的预训练 52CNN的正则化 521数据增强 522随机失活 523随机失连 524批量归一化 525集成模型平均 5262正则化 5271正则化 528弹性网正则化 529最大范数约束 5210早停 53基于梯度的CNN学习 531批量梯度下降 532随机梯度下降 533小批量梯度下降 54神经网络优化器 541动量 542涅斯捷罗夫动量 543自适应梯度 544自适应增量 545RMSprop 546自适应矩估计 55CNN中的梯度计算 551分析微分法 552数值微分法 553符号微分法 554自动微分法 56通过可视化理解CNN 561可视化学习的权重 562可视化激活 563基于梯度的可视化 第6章CNN架构的例子 61LeNet 62AlexNet 63NiN 64VGGnet 65GoogleNet 66ResNet 67ResNeXt 68FractalNet 69DenseNet 第7章CNN在计算机视觉中的应用 71图像分类 711PointNet 72目标检测与定位 721基于区域的CNN 722快速RCNN 723区域建议网络 73语义分割 731全卷积网络 732深度反卷积网络 733DeepLab 74场景理解 741DeepContext 742从RGBD图像中学习丰富的特征 743用于场景理解的PointNet 75图像生成 751生成对抗网络 752深度卷积生成对抗网络 753超分辨率生成对抗网络 76基于视频的动作识别 761静止视频帧的动作识别 762双流CNN 763长期递归卷积网络 第8章深度学习工具和库 81Caffe 82TensorFlow 83MatConvNet 84Torch7 85Theano 86Keras 87Lasagne 88Marvin 89Chainer 810PyTorch 第9章结束语 91本书概要 92未来研究方向 术语表 参考文献 |