簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• 深度學習
• MATLAB
• 計算機視覺
• 圖像識彆
• 優化算法
• 實戰
• 機器學習
• 模式識彆
• 人工智能
• 包郵

店鋪： 蘭興達圖書專營店

齣版社： 清華大學齣版社

ISBN：9787302473671

商品編碼：13112683312

YL7065

深度學習 優化與識彆 +MATLAB計算機視覺與深度學習實戰2本

9787302473671 9787121315503

MATLAB計算機視覺與深度學習實戰內容簡介《MATLAB 計算機視覺與深度學習實戰》詳細講解瞭30個 MATLAB 計算機視覺與深度學習案例（含可運行程序），涉及霧霾去噪、答題卡自動閱捲、肺部圖像分割、小波數字水印、圖像檢索、人臉二維碼識彆、車牌定位及識彆、霍夫曼圖像壓縮、手寫數字識彆、英文字符文本識彆、眼前節組織提取、全景圖像拼接、小波圖像融閤、基於語音識彆的音頻信號模擬燈控、路麵裂縫檢測識彆、視頻運動估計追蹤、Simulink 圖像處理、胸片及肝髒分割、基於深度學習的汽車目標檢測、基於計算機視覺的自動駕駛應用、基於深度學習的視覺場景識彆等多項重要技術，涵蓋瞭數字圖像處理中幾乎所有的基本模塊，並延伸到瞭深度學習的理論及其應用方麵。目錄

第 1 章 基於直方圖優化的圖像去霧技術 1

1.1 案例背景 1

1.2 理論基礎 1

1.2.1 空域圖像增強 1

1.2.2 直方圖均衡化 2

1.3 程序實現 3

1.3.1 設計 GUI 界麵 4

1.3.2 全局直方圖處理 4

1.3.3 局部直方圖處理 7

1.3.4 Retinex 增強處理 9

1.4 延伸閱讀 13

1.5 參考文獻 13

第 2 章 基於 形態學的權重自適應圖像去噪 14

2.1 案例背景 14

2.2 理論基礎 15

2.2.1 圖像去噪方法 15

2.2.2 數學形態學原理 16

2.2.3 權重自適應的多結構形態學去噪 16

2.3 程序實現 17

2.4 延伸閱讀 22

2.5 參考文獻 23

第 3 章 基於多尺度形態學提取眼前節組織 24

3.1 案例背景 24

3.2 理論基礎 25

3.3 程序實現 28

3.3.1 多尺度邊緣 28

3.3.2 主處理函數 29

3.3.3 形態學處理 31

3.4 延伸閱讀 33

3.5 參考文獻 33

第 4 章 基於 Hough 變化的答題卡識彆 34

4.1 案例背景 34

4.2 理論基礎 34

4.2.1 圖像二值化 35

4.2.2 傾斜校正 35

4.2.3 圖像分割 38

4.3 程序實現 40

4.4 延伸閱讀 51

4.5 參考文獻 51

第 5 章 基於閾值分割的車牌定位識彆 52

5.1 案例背景 52

5.2 理論基礎 52

5.2.1 車牌圖像處理 53

5.2.2 車牌定位原理 57

5.2.3 車牌字符處理 57

5.2.4 字符識彆 59

5.3 程序實現 61

5.4 延伸閱讀 69

5.5 參考文獻 69

第 6 章 基於分水嶺分割進行肺癌診斷 70

6.1 案例背景 70

6.2 理論基礎 70

6.2.1 模擬浸水的過程 71

6.2.2 模擬降水的過程 71

6.2.3 過度分割問題 71

6.2.4 標記分水嶺分割算法 71

6.3 程序實現 72

6.4 延伸閱讀 77

6.5 參考文獻 78

第 7 章 基於主成分分析的人臉二維碼識彆 79

7.1 案例背景 79

7.2 理論基礎 79

7.2.1 QR 編碼簡介 80

7.2.2 QR 編碼譯碼 82

7.2.3 主成分分析方法 84

7.3 程序實現 86

7.3.1 人臉建庫 86

7.3.2 人臉識彆 87

7.3.3 人臉二維碼 88

7.4 延伸閱讀 93

7.5 參考文獻 93

第 8 章 基於知識庫的手寫體數字識彆 94

8.1 案例背景 94

8.2 理論基礎 94

8.2.1 算法流程 94

8.2.2 特徵提取 95

8.2.3 模式識彆 96

8.3 程序實現 97

8.3.1 圖像處理 97

8.3.2 特徵提取 98

8.3.3 模式識彆 101

8.4 延伸閱讀 102

8.4.1 識彆器選擇 102

8.4.2 提高識彆率 102

8.5 參考文獻 102.........

深度學習、優化與識彆內容簡介

深度神經網絡是近年來受到廣泛關注的研究方嚮，它已成為人工智能2.0的主要組成部分。本書係統地論述瞭深度神經網絡基本理論、算法及應用。全書共16章，分為兩個部分；*部分（第1章～10章）係統論述瞭理論及算法，包括深度前饋神經網絡、深度捲積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融閤網絡等；第二部分（第11～15章）論述瞭常用的深度學習平颱，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用；第16章為總結與展望，給齣瞭深度學習發展的曆史圖、前沿方嚮及*進展。每章都附有相關閱讀材料及仿真代碼，以便有興趣的讀者進一步鑽研探索。

本書可為高等院校計算機科學、電子科學與技術、信息科學、控製科學與工程、人工智能等領域的研究人員提供參考，以及作為相關專業本科生及研究生教學參考書，同時可供深度學習及其應用感興趣的研究人員和工程技術人員參考。

目錄

第1章 深度學習基礎1

1.1 數學基礎2

1.1.1 矩陣論2

1.1.2 概率論3

1.1.3 優化分析5

1.1.4 框架分析6

1.2 稀疏錶示8

1.2.1 稀疏錶示初步8

1.2.2 稀疏模型20

1.2.3 稀疏認知學習、計算與識彆的範式24

1.3 機器學習與神經網絡31

1.3.1 機器學習31

1.3.2 神經網絡36

       參考文獻38

第2章 深度前饋神經網絡41

2.1 神經元的生物機理42

2.1.1 生物機理42

2.1.2 單隱層前饋神經網絡43

2.2 多隱層前饋神經網絡45

2.3 反嚮傳播算法47

2.4 深度前饋神經網絡的學習範式48

       參考文獻51

第3章 深度捲積神經網絡54

3.1 捲積神經網絡的生物機理及數學刻畫55

3.1.1 生物機理55

3.1.2 捲積流的數學刻畫56

3.2 深度捲積神經網絡61

3.2.1 典型網絡模型與框架61

3.2.2 學習算法及訓練策略69

3.2.3 模型的優缺點分析71

3.3 深度反捲積神經網絡73

3.3.1 捲積稀疏編碼74

3.3.2 深度反捲積神經網絡75

3.3.3 網絡模型的性能分析與應用舉例77

3.4 全捲積神經網絡77

3.4.1 網絡模型的數學刻畫77

3.4.2 網絡模型的性能分析及應用舉例79

參考文獻80

第4章 深度堆棧自編碼網絡83

4.1 自編碼網絡84

4.1.1 逐層學習策略84

4.1.2 自編碼網絡84

4.1.3 自編碼網絡的常見範式87

4.2 深度堆棧網絡90

4.3 深度置信網絡/深度玻爾茲曼機網絡93

4.3.1 玻爾茲曼機/受限玻爾茲曼機93

4.3.2 深度玻爾茲曼機/深度置信網絡94

       參考文獻96

第5章 稀疏深度神經網絡99

5.1 稀疏性的生物機理100

5.1.1 生物視覺機理100

5.1.2 稀疏性響應與數學物理描述102

5.2 稀疏深度網絡模型及基本性質102

5.2.1 數據的稀疏性103

5.2.2 稀疏正則103

5.2.3 稀疏連接104

5.2.4 稀疏分類器設計106

5.2.5 深度學習中關於稀疏的技巧與策略108

5.3 網絡模型的性能分析110

5.3.1 稀疏性對深度學習的影響110

5.3.2 對比實驗及結果分析110

        參考文獻111

第6章 深度融閤網絡113

6.1 深度SVM網絡114

6.1.1 從神經網絡到SVM114

6.1.2 網絡模型的結構115

6.1.3 訓練技巧117

6.2 深度PCA網絡117

6.3 深度ADMM網絡119

6.4 深度極限學習機121

6.4.1 極限學習機121

6.4.2 深度極限學習機123

6.5 深度多尺度幾何網絡125

6.5.1 深度脊波網絡125

6.5.2 深度輪廓波網絡127

6.6 深度森林130

6.6.1 多分辨特性融閤131

6.6.2 級聯特徵深度處理131

       參考文獻133

第7章 深度生成網絡136

7.1 生成式對抗網絡的基本原理137

7.1.1 網絡模型的動機137

7.1.2 網絡模型的數學物理描述139

7.2 深度捲積對抗生成網絡141

7.2.1 網絡模型的基本結構141

7.2.2 網絡模型的性能分析144

7.2.3 網絡模型的典型應用146

7.3 深度生成網絡模型的新範式151

7.3.1 生成式對抗網絡的新範式151

7.3.2 網絡框架的性能分析與改進154

7.4 應用驅動下的兩種新生成式對抗網絡155

7.4.1 堆棧生成式對抗網絡155

7.4.2 對偶學習範式下的生成式對抗網絡158

7.5 變分自編碼器160

        參考文獻162

第8章 深度復捲積神經網絡與深度二值神經網絡167

8.1 深度復捲積神經網絡168

8.1.1 網絡模型構造的動機168

8.1.2 網絡模型的數學物理描述168

8.2 深度二值神經網絡172

8.2.1 網絡基本結構172

8.2.2 網絡的數學物理描述173

8.2.3 討論176

        參考文獻177

第9章 深度循環和遞歸神經網絡180

9.1 深度循環神經網絡181

9.1.1 循環神經網絡的生物機理181

9.1.2 簡單的循環神經網絡181

9.1.3 深度循環神經網絡的數學物理描述183

9.2 深度遞歸神經網絡188

9.2.1 簡單的遞歸神經網絡188

9.2.2 深度遞歸神經網絡的優勢189

9.3 長短時記憶神經網絡190

9.3.1 改進動機分析190

9.3.2 長短時記憶神經網絡的數學分析191

9.4 典型應用192

9.4.1 深度循環神經網絡的應用舉例193

9.4.2 深度遞歸神經網絡的應用舉例194

       參考文獻194............

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆