中圖網小程序
一鍵登錄
更方便
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
計算機視覺技術:事件相機原理與應用 版權信息
- ISBN：9787122396280
- 條形碼：9787122396280 ; 978-7-122-39628-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
計算機視覺技術:事件相機原理與應用 本書特色
1.本書對計算機視覺技術方向的基礎理論進行了講解，可作為該方向的入門類圖書。 2.本書是國內首本“事件相機”方向的圖書。 3.本書用較大篇幅對卷積神經網絡的相關原理和方法進行了論述。 4.本書包含LSTM/GAN/脈沖神經網絡等前沿技術。 5.本書理論性較強，為讀者打好理論基礎。
計算機視覺技術:事件相機原理與應用 內容簡介
《計算機視覺技術：事件相機原理與應用》是一本關于事件相機原理基礎的入門類圖書。主要從計算機視覺技術的基礎和相關數學基礎開始講解，對事件信息的編碼、事件的卷積（普通卷積、稀疏卷積、圖卷積、3D 卷積）分別進行了生動的介紹，*后又通過三個章節，對基于長短期記憶網絡（LSTM）、脈沖神經網絡（SNN）、生成對抗網絡（GAN）的事件處理的原理和方法做了解讀。 本書圖文并茂，文字生動有趣，內容淺顯易懂，并配有較多例題和習題，以便讀者理解和鞏固，適用于對事件相機方向感興趣的技術人員閱讀，同時也可供計算機視覺方向的初學者閱讀和學習。
計算機視覺技術:事件相機原理與應用 目錄
第1 章 計算機視覺簡介 001
1.1 計算機視覺的概念 001
1.2 計算機視覺的應用 002
1.2.1 圖像分類 003
1.2.2 目標檢測 003
1.2.3 圖像分割 004
1.2.4 目標跟蹤 004
1.2.5 其他應用 005
1.3 思考與練習 005
第2 章 事件相機的原理 006
2.1 數學基礎知識 007
2.1.1 導數 007
2.1.2 積分 014
2.1.3 神經元模型 018
2.1.4 多層感知機與全連接層 023
2.1.5 損失函數 028
2.1.6 神經網絡的優化 030
2.2 事件相機的概念及原理 034
2.3 常用的事件相機 042
2.3.1 DVS 相機 042
2.3.2 ATIS 相機 043
2.3.3 DAVIS 044
2.3.4 商業事件相機 044
2.4 思考與練習 045
第3 章 事件信息的編碼 046
3.1 點云式編碼 046
3.2 CountImage 編碼 047
3.3 張量式編碼 049
3.4 局部CountImage 編碼 050
3.5 TimeImage 編碼 051
3.6 Leaky Surface 編碼 053
3.7 思考與練習 056
第4 章 事件的普通卷積 057
4.1 2D 卷積的基本原理 057
4.2 卷積神經網絡的組成 064
4.2.1 卷積層 064
4.2.2 池化層 065
4.2.3 全連接層 066
4.2.4 全局*大/平均池化 067
4.3 事件2D 卷積的適用范圍 068
4.3.1 編碼要求 068
4.3.2 直接事件卷積存在的問題 070
4.4 思考與練習 071
第5 章 事件的稀疏卷積 072
5.1 稀疏卷積的基本原理 072
5.1.1 SC 層的定義 072
5.1.2 VSC 層的定義 074
5.2 稀疏池化與全連接層 079
5.2.1 稀疏池化層 079
5.2.2 稀疏全連接層 081
5.3 稀疏卷積的特征 082
5.3.1 編碼要求 082
5.3.2 流形擬合特性 082
5.3.3 稀疏卷積的缺點 083
5.4 思考與練習 083
第6 章 事件的圖卷積 084
6.1 圖卷積的基本原理 084
6.1.1 事件的采樣 084
6.1.2 圖的概念及事件圖的構建 088
6.1.3 圖卷積的定義 094
6.1.4 圖池化及圖全連接層的定義 097
6.2 圖卷積的特性 099
6.2.1 編碼要求 099
6.2.2 圖的普適性 099
6.2.3 方向可變性 100
6.3 思考與練習 101
第7 章 事件的3D 卷積 102
7.1 3D 卷積的原理 102
7.1.1 卷積層的擴展 102
7.1.2 池化層的擴展 105
7.2 事件輸入與3D 卷積的特點 108
7.2.1 事件輸入的編碼要求 108
7.2.2 直接3D 卷積的現存問題 109
7.2.3 3D 卷積的可分解性 110
7.3 4D 卷積簡介 110
7.4 思考與練習 114
第8 章 基于LSTM 的事件處理 115
8.1 LSTM 的基本原理 115
8.1.1 LSTM 細胞的定義 115
8.1.2 LSTM 的運算更新 118
8.2 LSTM 的變體及事件處理 123
8.2.1 ConvLSTM 123
8.2.2 PhasedLSTM 125
8.3 思考與練習 126
第9 章 基于脈沖神經網絡的事件處理 127
9.1 普通神經元的局限 127
9.2 脈沖神經網絡的概念 128
9.2.1 脈沖神經元模型 130
9.2.2 脈沖全連接層 133
9.2.3 脈沖卷積層 135
9.2.4 脈沖池化層 136
9.3 脈沖神經網絡的學習 137
9.4 脈沖神經網絡的特點 138
9.4.1 編碼要求 138
9.4.2 脈沖神經網絡的局限 139
9.5 思考與練習 140
第10 章 基于生成對抗網絡的事件處理 141
10.1 生成對抗網絡的基本原理 141
10.1.1 普通GAN 的對弈原理 141
10.1.2 cGAN 的對弈原理 148
10.1.3 Cycle-GAN 的對弈原理 149
10.1.4 Info-GAN 的對弈原理 154
10.2 事件圖像的生成 155
10.3 思考與練習 157
參考文獻 158
1.1 計算機視覺的概念 001
1.2 計算機視覺的應用 002
1.2.1 圖像分類 003
1.2.2 目標檢測 003
1.2.3 圖像分割 004
1.2.4 目標跟蹤 004
1.2.5 其他應用 005
1.3 思考與練習 005
第2 章 事件相機的原理 006
2.1 數學基礎知識 007
2.1.1 導數 007
2.1.2 積分 014
2.1.3 神經元模型 018
2.1.4 多層感知機與全連接層 023
2.1.5 損失函數 028
2.1.6 神經網絡的優化 030
2.2 事件相機的概念及原理 034
2.3 常用的事件相機 042
2.3.1 DVS 相機 042
2.3.2 ATIS 相機 043
2.3.3 DAVIS 044
2.3.4 商業事件相機 044
2.4 思考與練習 045
第3 章 事件信息的編碼 046
3.1 點云式編碼 046
3.2 CountImage 編碼 047
3.3 張量式編碼 049
3.4 局部CountImage 編碼 050
3.5 TimeImage 編碼 051
3.6 Leaky Surface 編碼 053
3.7 思考與練習 056
第4 章 事件的普通卷積 057
4.1 2D 卷積的基本原理 057
4.2 卷積神經網絡的組成 064
4.2.1 卷積層 064
4.2.2 池化層 065
4.2.3 全連接層 066
4.2.4 全局*大/平均池化 067
4.3 事件2D 卷積的適用范圍 068
4.3.1 編碼要求 068
4.3.2 直接事件卷積存在的問題 070
4.4 思考與練習 071
第5 章 事件的稀疏卷積 072
5.1 稀疏卷積的基本原理 072
5.1.1 SC 層的定義 072
5.1.2 VSC 層的定義 074
5.2 稀疏池化與全連接層 079
5.2.1 稀疏池化層 079
5.2.2 稀疏全連接層 081
5.3 稀疏卷積的特征 082
5.3.1 編碼要求 082
5.3.2 流形擬合特性 082
5.3.3 稀疏卷積的缺點 083
5.4 思考與練習 083
第6 章 事件的圖卷積 084
6.1 圖卷積的基本原理 084
6.1.1 事件的采樣 084
6.1.2 圖的概念及事件圖的構建 088
6.1.3 圖卷積的定義 094
6.1.4 圖池化及圖全連接層的定義 097
6.2 圖卷積的特性 099
6.2.1 編碼要求 099
6.2.2 圖的普適性 099
6.2.3 方向可變性 100
6.3 思考與練習 101
第7 章 事件的3D 卷積 102
7.1 3D 卷積的原理 102
7.1.1 卷積層的擴展 102
7.1.2 池化層的擴展 105
7.2 事件輸入與3D 卷積的特點 108
7.2.1 事件輸入的編碼要求 108
7.2.2 直接3D 卷積的現存問題 109
7.2.3 3D 卷積的可分解性 110
7.3 4D 卷積簡介 110
7.4 思考與練習 114
第8 章 基于LSTM 的事件處理 115
8.1 LSTM 的基本原理 115
8.1.1 LSTM 細胞的定義 115
8.1.2 LSTM 的運算更新 118
8.2 LSTM 的變體及事件處理 123
8.2.1 ConvLSTM 123
8.2.2 PhasedLSTM 125
8.3 思考與練習 126
第9 章 基于脈沖神經網絡的事件處理 127
9.1 普通神經元的局限 127
9.2 脈沖神經網絡的概念 128
9.2.1 脈沖神經元模型 130
9.2.2 脈沖全連接層 133
9.2.3 脈沖卷積層 135
9.2.4 脈沖池化層 136
9.3 脈沖神經網絡的學習 137
9.4 脈沖神經網絡的特點 138
9.4.1 編碼要求 138
9.4.2 脈沖神經網絡的局限 139
9.5 思考與練習 140
第10 章 基于生成對抗網絡的事件處理 141
10.1 生成對抗網絡的基本原理 141
10.1.1 普通GAN 的對弈原理 141
10.1.2 cGAN 的對弈原理 148
10.1.3 Cycle-GAN 的對弈原理 149
10.1.4 Info-GAN 的對弈原理 154
10.2 事件圖像的生成 155
10.3 思考與練習 157
參考文獻 158
展開全部
書友推薦
- >
我從未如此眷戀人間
- >
羅曼·羅蘭讀書隨筆-精裝
- >
上帝之肋:男人的真實旅程
- >
回憶愛瑪儂
- >
苦雨齋序跋文-周作人自編集
- >
詩經-先民的歌唱
- >
自卑與超越
- >
推拿
本類暢銷
