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
中國學科發展戰略(模式識別)/學術引領系列/國家科學思想庫 版權信息
- ISBN：9787030722805
- 條形碼：9787030722805 ; 978-7-03-072280-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
中國學科發展戰略(模式識別)/學術引領系列/國家科學思想庫 內容簡介
本書闡明了模式識別學科的科學意義與戰略價值，總結了模式識別學科的發展歷史及其研究規律，梳理了模式識別學科在基礎理論、計算機視覺、語音語言信息處理、模式識別應用技術等方面的發展現狀，分析了模式識別學科中尚未接近解決的關鍵科學問題，確定了面向學科前沿的優先發展方向和研究重點，指出了模式識別技術創新的新挑戰、新使命與新機遇，提出了模式識別學科發展的保障措施與政策建議。本書旨在為模式識別學科的健康穩定發展奠定堅實的科學基礎，促進模式識別在解決國計民生重大需求方面做出應有的貢獻。 本書適合高等學校、科研院所從事模式識別與人工智能等相關方向的學生和科研人員閱讀，同時也適合國家學科發展規劃和科研項目規劃等相關單位的人員閱讀。
中國學科發展戰略(模式識別)/學術引領系列/國家科學思想庫 目錄
目錄
總序 i
前言 vii
摘要 xi
Abstract xv
**章 模式識別學科的科學意義與戰略價值 1
**節 什么是模式識別 1
第二節 模式識別學科的科學意義 3
第三節 模式識別學科的戰略價值 4
第二章 模式識別學科的發展歷史與研究規律 6
**節 模式識別學科的發展歷史 6
第二節 模式識別學科的研究規律 10
第三章 模式識別學科的發展現狀 12
**節 重要研究進展概述 12
第二節 模式識別基礎理論 13
一、貝葉斯決策與估計 15
二、概率密度估計 18
三、分類器設計 20
四、聚類 23
五、特征提取與學習 26
六、人工神經網絡與深度學習 28
七、核方法與支持向量機 31
八、句法結構模式識別 33
九、概率圖模型 35
十、集成學習 38
十一、半監督學習 40
十二、遷移學習 43
十三、多任務學習 46
第三節 計算機視覺 48
一、計算成像學 50
二、初期視覺 53
三、圖像增強與復原 55
四、圖像特征提取與匹配 58
五、多視圖幾何理論 61
六、攝像機標定與視覺定位 63
七、三維重建 66
八、目標識別與檢測 69
九、圖像分割 71
十、圖像場景理解 74
十一、圖像檢索 76
十二、視覺跟蹤 79
十三、行為與事件分析 83
第四節 語音語言信息處理 86
一、語音語言基礎資源建設 88
二、漢字編碼與輸入輸出及漢字信息處理 90
三、知識工程與知識庫建設 93
四、語言模型 95
五、序列標注模型 98
六、句法結構理論和篇章表示理論 101
七、文本表示模型 103
八、自動問答與人機對話 106
九、機器翻譯 108
十、聽覺場景分析與語音增強 111
十一、語音識別 113
十二、語音合成 117
第五節 模式識別應用技術 120
一、面部生物特征識別 121
二、手部生物特征識別 124
三、行為生物特征識別 127
四、聲紋識別 129
五、圖像和視頻合成 133
六、遙感圖像分析 136
七、醫學圖像分析 139
八、文字與文本識別 142
九、復雜文檔版面分析 144
十、多媒體數據分析 148
十一、多模態情感計算 150
十二、圖像取證與安全 153
第四章 模式識別學科的發展趨勢 156
**節 重要發展趨勢概述 156
第二節 模式識別基礎理論 157
一、模式識別的認知機理與計算模型 159
二、理想貝葉斯分類器逼近 160
三、基于不充分信息的模式識別 161
四、開放環境下的自適應學習 162
五、知識嵌入的模式識別 162
六、交互式學習的理論模型與方法 163
七、可解釋性深度模型 164
八、新型計算架構下的模式識別 164
九、模式結構解釋和結構模型學習 165
十、安全強化的模式識別理論與方法 166
第三節 計算機視覺 167
一、新型成像條件下的視覺研究 168
二、生物啟發的計算機視覺研究 169
三、多傳感器融合的三維視覺研究 170
四、高動態復雜場景下的視覺場景理解 171
五、小樣本目標識別與理解 172
六、復雜行為語義理解 173
第四節 語音語言信息處理 174
一、語義表示和語義計算模型 174
二、面向小樣本和魯棒可解釋的自然語言處理 175
三、基于多模態信息的自然語言處理 176
四、交互式、自主學習的自然語言處理 177
五、類腦語言信息處理 177
六、復雜場景下的語音分離與識別 178
七、小數據個性化語音模擬 179
第五節 模式識別應用技術 179
一、非受控環境下的可信生物特征識別 180
二、生物特征深度偽造和鑒偽 181
三、遙感圖像弱小目標識別和場景理解 182
四、醫學圖像高精度解釋 183
五、復雜文檔識別與重構 184
六、異構空間網絡關聯事件分析與協同監控 185
七、神經活動模式分析 186
第五章 我國的模式識別學科研究現狀與發展建議 187
**節 我國的模式識別學科研究現狀 187
第二節 我國的模式識別學科重點發展方向 191
第三節 我國的模式識別學科發展建議 193
一、科技人才培養 193
二、團隊制度建設 194
三、科研支持政策與國際合作政策 195
參考文獻 196
關鍵詞索引 255
彩圖
總序 i
前言 vii
摘要 xi
Abstract xv
**章 模式識別學科的科學意義與戰略價值 1
**節 什么是模式識別 1
第二節 模式識別學科的科學意義 3
第三節 模式識別學科的戰略價值 4
第二章 模式識別學科的發展歷史與研究規律 6
**節 模式識別學科的發展歷史 6
第二節 模式識別學科的研究規律 10
第三章 模式識別學科的發展現狀 12
**節 重要研究進展概述 12
第二節 模式識別基礎理論 13
一、貝葉斯決策與估計 15
二、概率密度估計 18
三、分類器設計 20
四、聚類 23
五、特征提取與學習 26
六、人工神經網絡與深度學習 28
七、核方法與支持向量機 31
八、句法結構模式識別 33
九、概率圖模型 35
十、集成學習 38
十一、半監督學習 40
十二、遷移學習 43
十三、多任務學習 46
第三節 計算機視覺 48
一、計算成像學 50
二、初期視覺 53
三、圖像增強與復原 55
四、圖像特征提取與匹配 58
五、多視圖幾何理論 61
六、攝像機標定與視覺定位 63
七、三維重建 66
八、目標識別與檢測 69
九、圖像分割 71
十、圖像場景理解 74
十一、圖像檢索 76
十二、視覺跟蹤 79
十三、行為與事件分析 83
第四節 語音語言信息處理 86
一、語音語言基礎資源建設 88
二、漢字編碼與輸入輸出及漢字信息處理 90
三、知識工程與知識庫建設 93
四、語言模型 95
五、序列標注模型 98
六、句法結構理論和篇章表示理論 101
七、文本表示模型 103
八、自動問答與人機對話 106
九、機器翻譯 108
十、聽覺場景分析與語音增強 111
十一、語音識別 113
十二、語音合成 117
第五節 模式識別應用技術 120
一、面部生物特征識別 121
二、手部生物特征識別 124
三、行為生物特征識別 127
四、聲紋識別 129
五、圖像和視頻合成 133
六、遙感圖像分析 136
七、醫學圖像分析 139
八、文字與文本識別 142
九、復雜文檔版面分析 144
十、多媒體數據分析 148
十一、多模態情感計算 150
十二、圖像取證與安全 153
第四章 模式識別學科的發展趨勢 156
**節 重要發展趨勢概述 156
第二節 模式識別基礎理論 157
一、模式識別的認知機理與計算模型 159
二、理想貝葉斯分類器逼近 160
三、基于不充分信息的模式識別 161
四、開放環境下的自適應學習 162
五、知識嵌入的模式識別 162
六、交互式學習的理論模型與方法 163
七、可解釋性深度模型 164
八、新型計算架構下的模式識別 164
九、模式結構解釋和結構模型學習 165
十、安全強化的模式識別理論與方法 166
第三節 計算機視覺 167
一、新型成像條件下的視覺研究 168
二、生物啟發的計算機視覺研究 169
三、多傳感器融合的三維視覺研究 170
四、高動態復雜場景下的視覺場景理解 171
五、小樣本目標識別與理解 172
六、復雜行為語義理解 173
第四節 語音語言信息處理 174
一、語義表示和語義計算模型 174
二、面向小樣本和魯棒可解釋的自然語言處理 175
三、基于多模態信息的自然語言處理 176
四、交互式、自主學習的自然語言處理 177
五、類腦語言信息處理 177
六、復雜場景下的語音分離與識別 178
七、小數據個性化語音模擬 179
第五節 模式識別應用技術 179
一、非受控環境下的可信生物特征識別 180
二、生物特征深度偽造和鑒偽 181
三、遙感圖像弱小目標識別和場景理解 182
四、醫學圖像高精度解釋 183
五、復雜文檔識別與重構 184
六、異構空間網絡關聯事件分析與協同監控 185
七、神經活動模式分析 186
第五章 我國的模式識別學科研究現狀與發展建議 187
**節 我國的模式識別學科研究現狀 187
第二節 我國的模式識別學科重點發展方向 191
第三節 我國的模式識別學科發展建議 193
一、科技人才培養 193
二、團隊制度建設 194
三、科研支持政策與國際合作政策 195
參考文獻 196
關鍵詞索引 255
彩圖
展開全部
中國學科發展戰略(模式識別)/學術引領系列/國家科學思想庫 節選
**章 模式識別學科的科學意義與戰略價值 **節 什么是模式識別 模式識別是人工智能學科的主要分支之一，研究如何使機器（包括計算機）模擬人的感知功能，從環境感知數據中檢測、識別和理解目標、行為、事件等模式。模式是感知數據（如圖像、視頻、語音、文本）中具有一定特點的目標、行為或事件，具有相似特點的模式組成類別。 上述對模式識別的定義是對文獻中出現的多種定義的一個綜合。過去不同的定義側重模式識別的不同方面，如強調功能應用或技術手段，側重模式描述、檢測或分類、理解等。 從功能角度來說，模式識別是為了模擬人的感知能力，實現對環境的感知和理解。1973年出版的Pattern Classification and Scene Analysis一書的前言中就從機器感知的角度介紹模式識別，認為任何動物的感知能力都很強，但對如何用計算機復現動物感知性能了解不足，因此計算機試圖解決像模式分類這樣相對容易的問題。這里說明了模式識別與機器感知的關系，而且在該書后面說明了感知中場景描述（圖像理解的一種形式）的含義，認為場景描述包括圖像中單個部件和部件之間關系的信息。 從方法技術角度來說，模式識別強調如何用數學建模或計算機編程來實現。美籍華裔學者傅京孫[King Sun Fu，國際模式識別學會（IAPR）創始人]在1968年出版的Sequential Methods in Pattern Recognition and Machine Learning**章中寫到，模式識別問題是基于某種主觀標準對一組目標分類或標記，被分到同一類的目標具有一些共同特性。后來，傅京孫在1982年出版的Applications of Pattern Recognition一書的**章中指出，模式識別問題是指對過程或事件的分類和描述，過程或事件可以是物理上的物體或諸如精神狀態的抽象的事件具有相似特點的過程或事件組成類別。這個定義更加全面，對模式識別的技術（分類、描述）和模式、類別都表達得非常明確。類似地，2000在IEEE Transactions on Pattern Analysis and Mechine Intelligence（IEEE T-PAMI）上發表的綜述Statistical Pattern Recognition：A Review中給出定義：模式識別是關于機器如何觀察環境、學習從背景區分有意義的模式、對模式類別做出深入合理決策的研究。這個定義包含了模式檢測、分割和分類。 從上述定義可以看出，模式識別的研究內容包括模式（目標）檢測、分割、分類、描述等。這是從一個模式識別系統流程的角度來說的。分類是模式識別的核心任務，為此提出了大量的模型和方法。相關的研究問題還包括特征提取與選擇、概率密度估計、聚類分析（無監督分類）等。此外，根據不同的感知數據類型和應用場景，數據預處理（如去噪、恢復、增強、歸一化等）也是值得重視的研究內容。目標檢測、分割、特征提取等具體技術也往往依賴于數據類型和應用，如語音信號、圖像、視頻數據的處理和特征提取有很多不同的特點。 本書既包括對模式識別理論方法和應用技術的進展分析，還包括機器學習、計算機視覺、語音語言信息處理等方向的內容。這幾個方向是與模式識別密切相關的。模式識別的早期研究內容就包括機器學習，模式識別系統設計*重要的任務就是分類器和特征表示、描述模型的自動學習，這些是機器學習的范疇。同時，機器學習面向的對象大多是模式識別任務。計算機視覺雖然形成了一個研究領域，但研究的內容或使用的理論方法大多與模式識別或機器學習相同。從感知的角度，計算機視覺面向視覺感知，是面向視覺信息（圖像、視頻）的模式識別。語音語言信息處理包括語音識別、自然語言處理和理解，是面向語言信息獲取和理解的。語音識別中大量使用模式分類、匹配和機器學習方法。自然語言處理領域長期以來采用基于句法語義分析和統計語言模型的分析方法，近年來隨著深度學習的發展，其方法開始與模式識別的方法趨同并相互影響，如計算機視覺中常用的變換器（transformer）即首先在語言翻譯中使用。 第二節 模式識別學科的科學意義 模式識別與機器學習、知識推理、自然語言處理、智能機器人并列為人工智能學科的主要分支。但事實上，模式識別分支在人工智能學科中發揮了*核心、*普遍的作用。首先，模式識別技術或模塊是所有智能機器或智能系統（包括智能信息處理、智能機器人、無人系統等）中必不可少的部分。智能機器要感知周邊環境，從環境獲取信息或知識，或與人進行交互，都要通過模式識別。其次，模式識別影響了人工智能其他分支領域的發展，并與其他分支漸趨融合。比如，機器學習領域的研究內容大部分與模式識別重疊，早期與模式識別一樣主要關注分類問題，即使在20世紀80年代獨自成為一個研究領域之后，其研究的問題仍然與模式識別類似。 在20世紀50～60年代的早期發展階段，模式識別是作為人工智能的一個分支同步發展的。人工智能先驅之一馬文 明斯基（Marvin Minsky）在1961年發表的論文Steps Toward Artificial Intelligence中將模式識別與搜索、學習、歸納等并列為人工智能的幾個主要方向之一。從70年代開始，以傅京孫為代表的一些模式識別學者創辦了國際模式識別聯合大會（IJCPR）[后改稱國際模式識別大會（ICPR）］，成立了國際模式識別學會，與主要關注符號智能的人工智能學術界分開發展。*近十幾年，隨著深度學習（深度神經網絡）成為模式識別和人工智能多個分支領域的主流方法，不僅模式識別的方法與其他分支漸趨統一，幾個學術圈也漸趨融合，很多學者宣稱自己的研究方向同時包括模式識別、機器學習、計算機視覺等。如何表示模式和知識、如何從數據中發現模式和學習知識，成為模式識別和整個人工智能學科的主要研究問題。數據和知識聯合驅動的感知、學習、推理等成為人工智能不同分支共同關注的前沿研究方向。 隨著模式識別技術的應用不斷擴展，從簡單場景（如印刷文檔文字識別、室內正面人臉識別）擴展到復雜開放場景（自由手寫文檔識別、室外無配合人臉識別），現有方法和技術的不足也不斷顯現，因而不斷提出新的研究問題，促進該領域的理論和方法不斷向前發展。當前模式識別技術對識別對象（場景、目標、行為）的結構分析和語義理解、對開放環境未知目標和噪聲干擾的魯棒性、少量標注樣本學習的泛化性、無遺忘的連續學習和自適應等明顯不足。面對這些問題，學術界在生物啟發（類腦）的模式識別與學習、可解釋性模型和學習、開放環境魯棒學習、數據和知識推理的結合等方面進行新的探索。這些問題也是人工智能領域的前沿基礎問題。因此，模式識別的基礎理論和方法研究也將推動整個人工智能領域的發展。 一個實際環境中的智能系統要完成感知、認知、決策、控制等多項任務。模式識別是執行感知任務的核心技術，同時與感知前面的信號（語音、圖像等）處理、后面的認知與決策等任務緊密關聯耦合。同時，模式識別的方法也在與認知、決策、控制的相互影響中向前發展，如通過與環境交互，在感知—認知—決策—控制的反饋環路中進行學習。因此，模式識別與信號處理、控制科學等相關學科的關系十分密切并相互影響。 第三節 模式識別學科的戰略價值 作為智能機器和智能系統的核心部分，模式識別技術在眾多國計民生領域具有十分廣泛的應用需求。通過模式識別技術，計算機/機器可以從感知數據中檢測和識別各種模式（物體、符號、行為、現象等），這些是人們關心的（想從數據中提取的）信息或知識。由于各種傳感器（相機、攝像機、麥克風、雷達成像、手機等）大量使用，日常生活和很多應用場景中存在數量巨大的感知數據，對其的分析識別不可能靠人工完成（比如視頻監控數據，人工觀察不僅人力不夠，而且容易因疲勞而導致漏看、出錯等），因此，模式識別技術在各個應用領域可發揮關鍵作用代替人工完成艱巨的信息處理任務。下面是一些典型的應用場景。 （1）安全監控（身份識別、行為監控、交通監控等）。通過圖像、視頻中的人體檢測、人臉識別、虹膜識別等，可以自動檢測和識別場景（如公共區域、住宅小區等）中存在的人物，判定其身份，用于安全防衛、敏感和嫌疑人物偵察等。在城市交通場景，自動視頻分析可幫助檢測違規車輛、行人等，維護交通秩序。 （2）空間探測與環境資源監測（衛星/航空遙感圖像）。通過遙感圖像分析，可自動監測地理資源（土地、森林、海洋）和城市環境，及時發現地質災害，也可用于軍事用途（偵察地形、發現戰車和艦船目標等）。 （3）無人系統環境感知。無人機、戰車、無人駕駛汽車等通過計算機視覺感知環境，識別道路和地形、障礙目標和行人等，幫助機器進行決策和規劃控制。 （4）機器人環境感知。機器人通過視覺和聽覺感知環境與目標，通過觸覺感知目標形狀和硬度、材質以控制抓取動作，隨著目標位姿變化而動態調整動作，支持決策規劃。 （5）工業應用。工業生產中可通過計算機視覺自動監測生產流程，檢查零部件和產品質量，自動分揀、檢測污損和發現次品等。 （6）智能人機交互與對話。計算機通過視覺、聽覺系統識別人的表情、手勢、聲音、符號、語言等，與人進行交流，保證人機交互的順暢，提供咨詢、娛樂、遠程診斷等服務。 （7）人類健康。大量的醫學影像數據和體測數據缺乏足夠的醫生來判讀，通過計算機影像數據分析自動判斷患者的健康狀況、預測和診斷疾病，可有力支持普惠醫療。帶有精確視觸覺感知功能的醫療機器人可進行自動醫療檢查和手術等。 （8）文檔數字化。日常生活和檔案、政務、教育等部門有大量歷史書籍、報紙、檔案、手稿、筆記、表單等，可用計算機自動識別各種文檔中的文字內容，從而實現檔案和票據的自動處理。 （9）網絡搜索和信息過濾。從互聯網上海量的多模態數據（文本、圖像、視頻、音頻等）中發現有用信息是人工難以做到的，可以用模式識別技術對多模態數據進行內容分析，自動搜索和提取有用信息，過濾有害信息。 （10）輿情分析。用模式識別和機器學習技術對互聯網大數據進行分析，可及時發現社會輿論動向、熱點話題、社會事件、疫病傳播情況等。 （11）物聯網數據分析。農業、工業生產和社會管理中泛在的各種傳感器帶來大量數據需要及時分析處理，模式識別技術幫助自動分析傳感數據，及時提取關鍵信息。 總之，模式識別技術在眾多領域都有著廣泛應用，各種應用又對現有技術不斷提出新的、更高的要求，由此推動模式識別學科的理論技術不斷向前發展。因此，模式識別學科在國家經濟社會發展中具有十分重要的戰略意義。 第二章 模式識別學科的發展歷史與研究規律 **節 模式識別學科的發展歷史 模式識別學科的誕生是在數字計算機出現之后。從文獻上看，pattern recognition這一術語正式出現在20世紀50年代。人工智能先驅之一Selfridge[1]在1955年的一次會議上從計算機科學的角度給出了模式識別的一個定義：Pattern recognition is the extraction of the significant features from a background of irrelevant detail（模式識別是從無關細節的背景中提取有意義的特征）。這是截至目前本書發現的模式識別術語的*早定義。其實更早些時候已經出現模式識別技術，如維基百科（Wikipedia）的“光學字符識別”（optical character recognition，OCR）條目顯示，1914年以色列發明家伊曼紐爾 戈德堡（Emanuel Goldberg）開發了一臺閱讀字符并轉化為電報碼的機器，后來開發了一臺名為統計機器（statistical machine）的機器，通過光學碼識別搜索膠片檔案，該機器于1931年獲得美國專利。另外，History of Optical Character Recogniti
書友推薦
- >
羅曼·羅蘭讀書隨筆-精裝
- >
【精裝繪本】畫給孩子的中國神話
- >
有舍有得是人生
- >
名家帶你讀魯迅:朝花夕拾
- >
苦雨齋序跋文-周作人自編集
- >
莉莉和章魚
- >
中國歷史的瞬間
- >
山海經
本類暢銷
