中圖網小程序
一鍵登錄
更方便
路邊視頻數據分析:深度學習:deep learning 版權信息
- ISBN：9787305212475
- 條形碼：9787305212475 ; 978-7-305-21247-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
路邊視頻數據分析:深度學習:deep learning 內容簡介
路邊是一塊特殊的區域，在農業、林業、運輸業、能源和通訊、國家安全和環境保護部門等很多領域中具有重要的意義。如果能獲取路邊環境的精確信息，會有助于很多現實應用的建設，比如高效路邊管理、植被增長條件監測和道路危險評估。深度神經網絡學習在機器學習和數據挖掘領域正變得越來越流行。本書介紹了新的場景分析構架，利用深度學習來解決路邊視頻數據的切分和分析，重點探討了路邊視頻數據分析的方法和應用，描述了多種系統構架和方法論，這些構架和方法論建立在專門為路邊視頻數據處理而設計的不同種類的學習算法之上，包括切分、特征提取和分類的具體設計。本書還演示了路邊火災風險測量上的應用路邊視頻分析案例。
路邊視頻數據分析:深度學習:deep learning 目錄
**章 導論
1.1 背景
1.2 搜集路邊視頻數據
1.2.1 工業數據
1.2.2 測試數據
1.3 基于路邊視頻數據的應用
1.4 本書內容安排
參考文獻
第二章 路邊視頻數據分析框架
2.1 概述
2.2 方法
2.2.1 路邊視頻數據的預處理
2.2.2 將路邊視頻數據切分為對象
2.2.3 對象特征提取
2.2.4 路邊對象分類
2.2.5 路邊對象分類應用
2.3 相關工作
2.3.1 植被切分和分類
2.3.2 通用對象切分和分類
2.4 數據處理的Matlab代碼
參考文獻
第三章 路邊視頻數據分析——非深度學習技術
3.1 神經網絡學習
3.1.1 簡介
3.1.2 神經網絡學習方法
3.1.3 實驗結果
3.1 -4 總結
3.2 支持向量機學習
3.2.1 簡介
3.2.2 SVM學習方法
3.2.3 實驗結果
3.2.4 總結
3.3 聚類學習
3.3.1 簡介
3.3.2 聚類學習法
3.3.3 實驗結果
3.3.4 總結
3.4 模糊C一均值學習
3.4.1 簡介
3.4.2 模糊C一均值學習方法
3.4.3 實驗結果
3.4.4 總結
3.5 集成學習
3.5.1 簡介
3.5.2 集成學習方法
3.5.3 實驗結果
3.5.4 總結
3.6 基于多數投票法的混合學習
3.6.1 簡介
3.6.2 多數投票法
3.6.3 實驗結果
3.6.4 總結
3.7 區域合并學習
3.7.1 簡介
3.7.2 區域合并法
3.7.3 方法的組件
3.7.4 實驗結果
3.7.5 總結
參考文獻
第四章 路邊視頻數據分析的深度學習技術
4.1 簡介
4.2 相關工作
4.3 自動與手動特征提取
4.3.1 簡介
4.3.2 比較框架
4.3.3 實驗結果
4.3.4 總結
4.4 單一架構VS集成架構
4.4.1 簡介
4.4.2 比較框架
4.4.3 實驗結果
4.4.4 總結
4.5 深度學習網絡
4.5.1 簡介
4.5.2 深度學習網絡
4.5.3 實驗結果
4.5.4 討論
4.5.5 總結
參考文獻
第五章 案例分析：火災風險評估中的路邊視頻數據分析
5.1 導論
5.2 相關工作
5.3 提出的VOCGP算法
5.3.1 問題定義和動機
5.3.2 方法概覽
5.3.3 草區域分割
5.3.4 基于伽博濾波器投票的主垂直方向檢測
5.3.5 草像素的垂直方向連通性計算
5.4 實驗結果
5.4.1 路邊數據搜集
5.4.2 實驗設置
5.4.3 草生物量估計的性能
5.4.4 草密度預測的性能
5.4.5 易著火區域識別
5.5 討論
5.6 總結
參考文獻
第六章 總結和展望
6.1 對未來研究的建議
6.2 新的挑戰
6.3 新的機會和應用
1.1 背景
1.2 搜集路邊視頻數據
1.2.1 工業數據
1.2.2 測試數據
1.3 基于路邊視頻數據的應用
1.4 本書內容安排
參考文獻
第二章 路邊視頻數據分析框架
2.1 概述
2.2 方法
2.2.1 路邊視頻數據的預處理
2.2.2 將路邊視頻數據切分為對象
2.2.3 對象特征提取
2.2.4 路邊對象分類
2.2.5 路邊對象分類應用
2.3 相關工作
2.3.1 植被切分和分類
2.3.2 通用對象切分和分類
2.4 數據處理的Matlab代碼
參考文獻
第三章 路邊視頻數據分析——非深度學習技術
3.1 神經網絡學習
3.1.1 簡介
3.1.2 神經網絡學習方法
3.1.3 實驗結果
3.1 -4 總結
3.2 支持向量機學習
3.2.1 簡介
3.2.2 SVM學習方法
3.2.3 實驗結果
3.2.4 總結
3.3 聚類學習
3.3.1 簡介
3.3.2 聚類學習法
3.3.3 實驗結果
3.3.4 總結
3.4 模糊C一均值學習
3.4.1 簡介
3.4.2 模糊C一均值學習方法
3.4.3 實驗結果
3.4.4 總結
3.5 集成學習
3.5.1 簡介
3.5.2 集成學習方法
3.5.3 實驗結果
3.5.4 總結
3.6 基于多數投票法的混合學習
3.6.1 簡介
3.6.2 多數投票法
3.6.3 實驗結果
3.6.4 總結
3.7 區域合并學習
3.7.1 簡介
3.7.2 區域合并法
3.7.3 方法的組件
3.7.4 實驗結果
3.7.5 總結
參考文獻
第四章 路邊視頻數據分析的深度學習技術
4.1 簡介
4.2 相關工作
4.3 自動與手動特征提取
4.3.1 簡介
4.3.2 比較框架
4.3.3 實驗結果
4.3.4 總結
4.4 單一架構VS集成架構
4.4.1 簡介
4.4.2 比較框架
4.4.3 實驗結果
4.4.4 總結
4.5 深度學習網絡
4.5.1 簡介
4.5.2 深度學習網絡
4.5.3 實驗結果
4.5.4 討論
4.5.5 總結
參考文獻
第五章 案例分析：火災風險評估中的路邊視頻數據分析
5.1 導論
5.2 相關工作
5.3 提出的VOCGP算法
5.3.1 問題定義和動機
5.3.2 方法概覽
5.3.3 草區域分割
5.3.4 基于伽博濾波器投票的主垂直方向檢測
5.3.5 草像素的垂直方向連通性計算
5.4 實驗結果
5.4.1 路邊數據搜集
5.4.2 實驗設置
5.4.3 草生物量估計的性能
5.4.4 草密度預測的性能
5.4.5 易著火區域識別
5.5 討論
5.6 總結
參考文獻
第六章 總結和展望
6.1 對未來研究的建議
6.2 新的挑戰
6.3 新的機會和應用
展開全部
路邊視頻數據分析:深度學習:deep learning 作者簡介
布里杰什·維爾馬(Brijesh Verma)，澳大利亞中央昆士蘭大學教授，智能系統中心主任。曾任6家國際期刊的編委。主要研究方向包括計算智能和模式識別。
書友推薦
- >
莉莉和章魚
- >
二體千字文
- >
李白與唐代文化
- >
隨園食單
- >
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)
- >
伊索寓言-世界文學名著典藏-全譯本
- >
我從未如此眷戀人間
- >
羅庸西南聯大授課錄
本類暢銷
