掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
模式識別基礎理論及其計算機視覺應用 版權信息
- ISBN：9787560656694
- 條形碼：9787560656694 ; 978-7-5606-5669-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
模式識別基礎理論及其計算機視覺應用 本書特色
適用一流大學。 本書系統地介紹了模式識別的基本原理和其在計算機視覺中的具體應用。 作者是江蘇省計算機學會圖形圖像專業委員會委員及模式識別專業委員會委員、中國計算機學會高級會員，潛力股。
模式識別基礎理論及其計算機視覺應用 內容簡介
本書系統地介紹了模式識別的基本原理和其在計算機視覺中的具體應用。本書內容包括模式識別與計算機視覺概述、距離分類器、神經網絡分類器、聚類分析、蟻群和粒子群聚類算法、時序模型、圖像匹配、圖像分類與分割以及視頻動作識別。
模式識別基礎理論及其計算機視覺應用 目錄
導論
**章 模式識別與計算機視覺概述
1．1 概念認知
1．1．1 模式識別
1．1．2 視覺與計算機視覺
1．2 模式識別與計算機視覺發展史
1．2．1 模式識別發展史
1．2．2 計算機視覺發展史
1．3 模式識別的應用
1．4 計算機視覺發展方向
1．4．1 目標檢測
1．4．2 圖像語義分割
1．4．3 運動目標檢測與跟蹤
1．4．4 三維重建
1．4．5 人體動作識別
本章小結
習題
模式識別理論篇
第二章 分類器
2．1 距離分類器
2．1．1 *近鄰分類及其加速
2．1．2 K近鄰算法
2．1．3 距離和相似性度量
2．2 支持向量機
2．2．1 *優線性判別函數分類器
2．2．2 支持向量機的學習
2．2．3 核函數與非線性支持向量機
2．3 分類器性能評價
2．3．1 評價指標
2．3．2 評價方法
本章小結
習題
第三章 神經網絡分類器
3．1 神經網絡
3．1．1 神經網絡概述
3．1．2 代價函數
3．2 反向傳播算法及其改進
3．3 BP神經網絡
3．4 對偶傳播神經網絡
3．4．1 網絡結構與運行原理
3．4．2 學習算法
3．4．3 改進CPN
3．4．4 CPN應用
3．5 概率神經網絡
3．5．1 模式分類和貝葉斯決策理論
3．5．2 概率神經網絡的結構
3．5．3 概率神經網絡的優點
3．6 卷積神經網絡
3．7 深度神經網絡模型
3．7．1 Inception V1模型
3．7．2 Inception V2模型
3．7．3 Inception V3模型
本章小結
習題
第四章 聚類分析
4．1 無監督學習與聚類
4．1．1 無監督學習動機
4．1．2 聚類分析的應用
4．1．3 聚類分析的過程
4．1．4 聚類問題的描述
4．2 簡單聚類方法
4．2．1 順序聚類
4．2．2 *大*小距離聚類
4．3 層次聚類算法
4．4 動態聚類算法
4．4．1 K均值算法理論基礎
4．4．2 K均值算法
4．4．3 K均值算法的改進
4．5 模擬退火聚類算法
4．5．1 物理退火過程
4．5．2 模擬退火算法的基本原理
4．5．3 退火方式
4．6 聚類檢驗
4．6．1 聚類結果的檢驗
4．6．2 聚類數的間接選擇
4．6．3 聚類數的直接選擇
本章小結
習題
第五章 蟻群和粒子群聚類算法
5．1 蟻群和粒子群算法簡介
5．2 蟻群算法
5．2．1 蟻群算法的基本原理
5．2．2 蟻群算法基本流程
5．2．3 蟻群算法的規則說明
5．2．4 TSP的提出
5．2．5 蟻群算法的優點和缺點
5．3 粒子群算法
5．3．1 粒子群算法的基本原理
5．3．2 粒子群優化方法的一般數學模型
5．3．3 粒子群算法的優點和缺點
5．4 蟻群算法和粒子群算法的對比
5．5 改進的蟻群算法
5．5．1 帶精英策略的螞蟻系統
5．5．2 基于優化排序的螞蟻系統
5．5．3 *大*小螞蟻系統
5．6 粒子群算法的優化
5．6．1 基于個體位置變異的粒子群算法
5．6．2 基于動態鄰域的多目標粒子群優化算法
5．6．3 基于異維變異的差分混合粒子群算法
本章小結
習題
第六章 時序模型
6．1 時序分析概述
6．1．1 時間序列數據的相關概念
6．1．2 時間序列數據預測的研究綜述
6．1．3 時間序列數據聚類的研究綜述
6．1．4 面向時間序列數據挖掘技術的應用領域
6．2 隱馬爾可夫模型
6．2．1 HMM適合的情形
6．2．2 HMM的定義
6．2．3 HMM實例
6．2．4 HMM觀測序列的生成
6．2．5 HMM的三個基本問題及其解決
6．3 隱馬爾可夫模型的優化
6．3．1 問題描述
6．3．2 改進的HMM學習算法
6．4 循環神經網絡及其優化
6．4．1 循環神經網絡概述
6．4．2 循環神經網絡模型結構
6．4．3 改進的循環神經網絡
6．5 長短期記憶網絡及其改進
6．5．1 RNN梯度消失問題
6．5．2 長短期記憶型循環神經網絡
6．5．3 LSTM型RNN訓練過程
6．5．4 LSTM改進算法——GRU算法
本章小結
習題
計算機視覺應用篇
第七章 圖像匹配
7．1 圖像匹配及其應用
7．2 圖像匹配的要素
7．3 圖像匹配的常用方法
7．3．1 基于圖像特征點的匹配方法
7．3．2 基于圖像灰度信息的匹配方法
7．3．3 基于相位相關的匹配方法
7．4 特征分布不均勻的圖像精配準算法
7．4．1 常見圖像配準方法的一般過程及存在問題
7．4．2 層次配準方法
7．4．3 粗層次配準算法
7．4．4 網格化下精配準算法
7．4．5 特征匹配與融合配準
7．5 本章小節
習題
第八章 圖像分類與分割
8．1 圖像分類及其過程
8．1．1 圖像分類概述
8．1．2 圖像分類流程
8．1．3 圖像分類方法概述
8．2 基于隨機森林的圖像分類
8．2．1 圖像分類的隨機森林算法
8．2．2 基于隨機森林的圖像分類效果及分析
8．3 基于SVM的圖像分類
8．3．1 圖像分類SVM算法
8．3．2 基于SVM的圖像分類效果及分析
8．4 基于深度學習的圖像分類
8．4．1 圖像分類CNN模型
8．4．2 基于CNN模型的圖像分類效果及分析
8．5 圖像分割
8．5．1 圖像分割的定義
8．5．2 圖像分割算法概述
8．6 基于閾值法的圖像分割
8．6．1 閾值法的基本原理
8．6．2 基于閾值法的圖像分割方法分類
8．6．3 基于閾值法的圖像分割的實現
8．7 基于分水嶺算法的圖像分割
8．7．1 分水嶺算法概述
8．7．2 分水嶺算法的原理
8．7．3 基于密度模糊聚類的分水嶺分割算法
8．8 基于蟻群算法的圖像分割
8．8．1 蟻群算法應用背景
8．8．2 圖像分割中的特征提取
8．8．3 圖像分割中的蟻群算法
8．8．4 基于蟻群算法的圖像分割效果及分析
本章小結
習題
第九章 視頻動作識別
9．1 動作識別概述
9．1．1 動作識別的難點
9．1．3 動作識別流程
9．2 運動目標檢測技術
9．2．1 動作視頻分割技術
9．2．2 動作區域分割技術
9．3 動作特征提取技術
9．3．1 剪影特征
9．3．2 光流特征
9．3．3 梯度特征
9．3．4 深度特征
9．3．5 CNNs學習特征
9．3．6 RNNs學習特征
9．4 動作特征理解技術
9．4．1 動作時空表征模板
9．4．2 動作分類器
9．5 基于雙流模型卷積神經網絡的動作識別
9．5．1 空間流卷積神經網絡
9．5．2 時間流卷積神經網絡
9．5．3 時空網絡融合策略
9．6 基于多流模型卷積神經網絡的動作識別
9．6．1 Three stream CNNs動作識別模型結構框架
9．6．2 基于Three stream CNNs動作識別的實現
本章小結
習題
參考文獻
**章 模式識別與計算機視覺概述
1．1 概念認知
1．1．1 模式識別
1．1．2 視覺與計算機視覺
1．2 模式識別與計算機視覺發展史
1．2．1 模式識別發展史
1．2．2 計算機視覺發展史
1．3 模式識別的應用
1．4 計算機視覺發展方向
1．4．1 目標檢測
1．4．2 圖像語義分割
1．4．3 運動目標檢測與跟蹤
1．4．4 三維重建
1．4．5 人體動作識別
本章小結
習題
模式識別理論篇
第二章 分類器
2．1 距離分類器
2．1．1 *近鄰分類及其加速
2．1．2 K近鄰算法
2．1．3 距離和相似性度量
2．2 支持向量機
2．2．1 *優線性判別函數分類器
2．2．2 支持向量機的學習
2．2．3 核函數與非線性支持向量機
2．3 分類器性能評價
2．3．1 評價指標
2．3．2 評價方法
本章小結
習題
第三章 神經網絡分類器
3．1 神經網絡
3．1．1 神經網絡概述
3．1．2 代價函數
3．2 反向傳播算法及其改進
3．3 BP神經網絡
3．4 對偶傳播神經網絡
3．4．1 網絡結構與運行原理
3．4．2 學習算法
3．4．3 改進CPN
3．4．4 CPN應用
3．5 概率神經網絡
3．5．1 模式分類和貝葉斯決策理論
3．5．2 概率神經網絡的結構
3．5．3 概率神經網絡的優點
3．6 卷積神經網絡
3．7 深度神經網絡模型
3．7．1 Inception V1模型
3．7．2 Inception V2模型
3．7．3 Inception V3模型
本章小結
習題
第四章 聚類分析
4．1 無監督學習與聚類
4．1．1 無監督學習動機
4．1．2 聚類分析的應用
4．1．3 聚類分析的過程
4．1．4 聚類問題的描述
4．2 簡單聚類方法
4．2．1 順序聚類
4．2．2 *大*小距離聚類
4．3 層次聚類算法
4．4 動態聚類算法
4．4．1 K均值算法理論基礎
4．4．2 K均值算法
4．4．3 K均值算法的改進
4．5 模擬退火聚類算法
4．5．1 物理退火過程
4．5．2 模擬退火算法的基本原理
4．5．3 退火方式
4．6 聚類檢驗
4．6．1 聚類結果的檢驗
4．6．2 聚類數的間接選擇
4．6．3 聚類數的直接選擇
本章小結
習題
第五章 蟻群和粒子群聚類算法
5．1 蟻群和粒子群算法簡介
5．2 蟻群算法
5．2．1 蟻群算法的基本原理
5．2．2 蟻群算法基本流程
5．2．3 蟻群算法的規則說明
5．2．4 TSP的提出
5．2．5 蟻群算法的優點和缺點
5．3 粒子群算法
5．3．1 粒子群算法的基本原理
5．3．2 粒子群優化方法的一般數學模型
5．3．3 粒子群算法的優點和缺點
5．4 蟻群算法和粒子群算法的對比
5．5 改進的蟻群算法
5．5．1 帶精英策略的螞蟻系統
5．5．2 基于優化排序的螞蟻系統
5．5．3 *大*小螞蟻系統
5．6 粒子群算法的優化
5．6．1 基于個體位置變異的粒子群算法
5．6．2 基于動態鄰域的多目標粒子群優化算法
5．6．3 基于異維變異的差分混合粒子群算法
本章小結
習題
第六章 時序模型
6．1 時序分析概述
6．1．1 時間序列數據的相關概念
6．1．2 時間序列數據預測的研究綜述
6．1．3 時間序列數據聚類的研究綜述
6．1．4 面向時間序列數據挖掘技術的應用領域
6．2 隱馬爾可夫模型
6．2．1 HMM適合的情形
6．2．2 HMM的定義
6．2．3 HMM實例
6．2．4 HMM觀測序列的生成
6．2．5 HMM的三個基本問題及其解決
6．3 隱馬爾可夫模型的優化
6．3．1 問題描述
6．3．2 改進的HMM學習算法
6．4 循環神經網絡及其優化
6．4．1 循環神經網絡概述
6．4．2 循環神經網絡模型結構
6．4．3 改進的循環神經網絡
6．5 長短期記憶網絡及其改進
6．5．1 RNN梯度消失問題
6．5．2 長短期記憶型循環神經網絡
6．5．3 LSTM型RNN訓練過程
6．5．4 LSTM改進算法——GRU算法
本章小結
習題
計算機視覺應用篇
第七章 圖像匹配
7．1 圖像匹配及其應用
7．2 圖像匹配的要素
7．3 圖像匹配的常用方法
7．3．1 基于圖像特征點的匹配方法
7．3．2 基于圖像灰度信息的匹配方法
7．3．3 基于相位相關的匹配方法
7．4 特征分布不均勻的圖像精配準算法
7．4．1 常見圖像配準方法的一般過程及存在問題
7．4．2 層次配準方法
7．4．3 粗層次配準算法
7．4．4 網格化下精配準算法
7．4．5 特征匹配與融合配準
7．5 本章小節
習題
第八章 圖像分類與分割
8．1 圖像分類及其過程
8．1．1 圖像分類概述
8．1．2 圖像分類流程
8．1．3 圖像分類方法概述
8．2 基于隨機森林的圖像分類
8．2．1 圖像分類的隨機森林算法
8．2．2 基于隨機森林的圖像分類效果及分析
8．3 基于SVM的圖像分類
8．3．1 圖像分類SVM算法
8．3．2 基于SVM的圖像分類效果及分析
8．4 基于深度學習的圖像分類
8．4．1 圖像分類CNN模型
8．4．2 基于CNN模型的圖像分類效果及分析
8．5 圖像分割
8．5．1 圖像分割的定義
8．5．2 圖像分割算法概述
8．6 基于閾值法的圖像分割
8．6．1 閾值法的基本原理
8．6．2 基于閾值法的圖像分割方法分類
8．6．3 基于閾值法的圖像分割的實現
8．7 基于分水嶺算法的圖像分割
8．7．1 分水嶺算法概述
8．7．2 分水嶺算法的原理
8．7．3 基于密度模糊聚類的分水嶺分割算法
8．8 基于蟻群算法的圖像分割
8．8．1 蟻群算法應用背景
8．8．2 圖像分割中的特征提取
8．8．3 圖像分割中的蟻群算法
8．8．4 基于蟻群算法的圖像分割效果及分析
本章小結
習題
第九章 視頻動作識別
9．1 動作識別概述
9．1．1 動作識別的難點
9．1．3 動作識別流程
9．2 運動目標檢測技術
9．2．1 動作視頻分割技術
9．2．2 動作區域分割技術
9．3 動作特征提取技術
9．3．1 剪影特征
9．3．2 光流特征
9．3．3 梯度特征
9．3．4 深度特征
9．3．5 CNNs學習特征
9．3．6 RNNs學習特征
9．4 動作特征理解技術
9．4．1 動作時空表征模板
9．4．2 動作分類器
9．5 基于雙流模型卷積神經網絡的動作識別
9．5．1 空間流卷積神經網絡
9．5．2 時間流卷積神經網絡
9．5．3 時空網絡融合策略
9．6 基于多流模型卷積神經網絡的動作識別
9．6．1 Three stream CNNs動作識別模型結構框架
9．6．2 基于Three stream CNNs動作識別的實現
本章小結
習題
參考文獻
展開全部
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
上帝之肋:男人的真實旅程
- >
隨園食單
- >
朝聞道
- >
自卑與超越
- >
推拿
- >
回憶愛瑪儂
- >
【精裝繪本】畫給孩子的中國神話
本類暢銷
