掃一掃
關(guān)注中圖網(wǎng)
官方微博
買過本商品的人還買了
中圖價(jià):¥65.3
加入購物車
生成對(duì)抗網(wǎng)絡(luò):原理及圖像處理應(yīng)用 版權(quán)信息
- ISBN：9787121439551
- 條形碼：9787121439551 ; 978-7-121-43955-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
生成對(duì)抗網(wǎng)絡(luò):原理及圖像處理應(yīng)用 本書特色
如今，雖然GAN已經(jīng)衍生出許多的變體，商業(yè)應(yīng)用場景變得非常廣泛。但GAN本身仍然存在許多開放性研究問題需要繼續(xù)深入探索，如GAN的評(píng)估優(yōu)化，由于其訓(xùn)練過程本質(zhì)上是一個(gè)無監(jiān)督學(xué)習(xí)過程，導(dǎo)致有許多指標(biāo)在訓(xùn)練過程中雖然高，但是生成效果卻未必好，所以目前還很難找到一個(gè)比較客觀且可量化的評(píng)估指標(biāo)；再如GAN的模型崩潰問題，盡管已經(jīng)有很多相關(guān)研究，但是對(duì)于高維數(shù)據(jù)，這個(gè)問題還沒完全解決。本書對(duì)GAN進(jìn)行了系統(tǒng)闡述，為之后問題的解決奠定基礎(chǔ)。
生成對(duì)抗網(wǎng)絡(luò):原理及圖像處理應(yīng)用 內(nèi)容簡介
本書深入淺出地介紹了近年來AI領(lǐng)域中十分引人注目的新型人工神經(jīng)網(wǎng)絡(luò)――生成對(duì)抗網(wǎng)絡(luò)（GAN）的基本原理、網(wǎng)絡(luò)結(jié)構(gòu)及其在圖像處理領(lǐng)域中的應(yīng)用；同時(shí)，分析了近年來在GAN訓(xùn)練、GAN質(zhì)量評(píng)估及多種改進(jìn)型GAN方面取得的進(jìn)展；在實(shí)踐方面，給出了基于Python的基本GAN編程實(shí)例。另外，本書還介紹了支撐GAN模型的基礎(chǔ)理論和相關(guān)算法，以使讀者更好地理解和掌握GAN技術(shù)。
生成對(duì)抗網(wǎng)絡(luò):原理及圖像處理應(yīng)用 目錄
第1章 緒論 1
1．1 從圖像處理到數(shù)字視覺 2
1．1．1 數(shù)字圖像技術(shù) 3
1．1．2 數(shù)字視覺技術(shù) 5
1．1．3 數(shù)字視覺的應(yīng)用 7
1．2 神經(jīng)網(wǎng)絡(luò)由淺入深 10
1．2．1 神經(jīng)網(wǎng)絡(luò)的發(fā)展 10
1．2．2 深度神經(jīng)網(wǎng)絡(luò) 11
1．2．3 深度學(xué)習(xí)的進(jìn)展 12
1．3 從概率生成到對(duì)抗生成 13
1．3．1 概率生成模型 14
1．3．2 概率分布比較 16
1．3．3 對(duì)抗生成模型 16
1．4 GAN的應(yīng)用 18
1．4．1 在圖像領(lǐng)域中的應(yīng)用 18
1．4．2 在其他領(lǐng)域中的應(yīng)用 20
第2章 數(shù)字圖像處理 22
2．1 數(shù)字圖像基礎(chǔ) 22
2．1．1 圖像的數(shù)學(xué)表示 22
2．1．2 圖像的數(shù)字化 23
2．1．3 數(shù)字圖像的表示 26
2．1．4 圖像的分辨率 28
2．2 傳統(tǒng)數(shù)字圖像處理 30
2．2．1 圖像采集和壓縮 30
2．2．2 圖像去噪和濾波 31
2．2．3 圖像增強(qiáng)和復(fù)原 32
2．2．4 圖像分割 33
2．2．5 圖像特征提取和目標(biāo)檢測 34
2．2．6 圖像變換和超分辨率重建 35
2．3 ANN圖像處理 36
2．3．1 圖像分類 36
2．3．2 目標(biāo)檢測與跟蹤 37
2．3．3 語義分割和實(shí)例分割 39
2．3．4 圖像生成 40
2．4 常用的圖像數(shù)據(jù)集 43
第3章 人工神經(jīng)網(wǎng)絡(luò) 49
3．1 ANN簡介 49
3．1．1 從生物到人工神經(jīng)元 50
3．1．2 從感知機(jī)到神經(jīng)網(wǎng)絡(luò) 51
3．1．3 從淺層到深度 54
3．1．4 ANN的特點(diǎn)和應(yīng)用 55
3．2 常見的ANN類型 57
3．2．1 RBF網(wǎng)絡(luò) 57
3．2．2 ART網(wǎng)絡(luò) 58
3．2．3 SOM網(wǎng)絡(luò) 59
3．2．4 波爾茲曼機(jī) 59
3．2．5 級(jí)聯(lián)相關(guān)網(wǎng)絡(luò) 61
3．3 ANN的關(guān)鍵技術(shù) 62
3．3．1 網(wǎng)絡(luò)類型 62
3．3．2 網(wǎng)絡(luò)訓(xùn)練 62
3．3．3 激活函數(shù) 64
3．3．4 驗(yàn)證和泛化 65
3．4 BP算法 66
3．4．1 數(shù)據(jù)的正向傳播 67
3．4．2 誤差的反向傳播 68
3．4．3 BP算法流程 70
3．4．4 BP算法的幾個(gè)問題 70
3．5 ANN的學(xué)習(xí)方式 71
3．5．1 有監(jiān)督學(xué)習(xí) 71
3．5．2 無監(jiān)督學(xué)習(xí) 72
3．5．3 半監(jiān)督學(xué)習(xí) 72
3．5．4 強(qiáng)化學(xué)習(xí) 73
第4章 GAN中常用的ANN 74
4．1 卷積神經(jīng)網(wǎng)絡(luò) 74
4．1．1 CNN的結(jié)構(gòu) 75
4．1．2 CNN的核心技術(shù) 76
4．1．3 CNN的訓(xùn)練和改進(jìn) 79
4．1．4 CNN一例 80
4．1．5 圖像卷積 81
4．2 循環(huán)神經(jīng)網(wǎng)絡(luò) 84
4．2．1 RNN的結(jié)構(gòu) 85
4．2．2 RNN與CNN的比較 85
4．3 變分自編碼器 86
4．3．1 自編碼器 86
4．3．2 VAE概述 87
4．4 深度殘差網(wǎng)絡(luò) 91
4．4．1 深度網(wǎng)絡(luò)的困境 91
4．4．2 殘差塊結(jié)構(gòu) 92
4．4．3 殘差塊的作用 92
4．4．4 ResNet的誤差反傳 93
第5章 相關(guān)算法 96
5．1 和圖像處理有關(guān)的算法 96
5．1．1 分類算法 96
5．1．2 聚類算法 104
5．1．3 降維算法 106
5．1．4 遷移學(xué)習(xí) 113
5．1．5 馬爾可夫鏈和HMM 115
5．2 和函數(shù)優(yōu)化有關(guān)的算法 120
5．2．1 *小二乘法 120
5．2．2 梯度下降法 121
5．2．3 EM算法 125
第6章 GAN基礎(chǔ) 129
6．1 GAN概要 130
6．1．1 GAN的數(shù)據(jù)生成 130
6．1．2 GAN的網(wǎng)絡(luò)結(jié)構(gòu) 133
6．1．3 GAN的優(yōu)勢和不足 137
6．2 數(shù)據(jù)分布及其轉(zhuǎn)換 139
6．2．1 圖像數(shù)據(jù)的高維分布 139
6．2．2 隱變量和隱空間 141
6．2．3 分布函數(shù)的轉(zhuǎn)換 143
6．3 生成模型與判別模型 145
6．3．1 生成模型 145
6．3．2 判別模型 149
6．3．3 生成模型和判別模型的關(guān)系 150
6．4 GAN的工作過程 152
6．4．1 納什均衡 153
6．4．2 對(duì)抗訓(xùn)練 154
6．4．3 訓(xùn)練流程 157
第7章 GAN的目標(biāo)函數(shù) 160
7．1 數(shù)據(jù)的信息熵 161
7．1．1 隨機(jī)變量 161
7．1．2 信息量和信息熵 164
7．1．3 交叉熵 166
7．2 數(shù)據(jù)分布的差異：散度 168
7．2．1 KL散度 168
7．2．2 JS散度 169
7．2．3 f散度 169
7．3 GAN目標(biāo)函數(shù)及其優(yōu)化 171
7．3．1 目標(biāo)函數(shù) 171
7．3．2 判別器優(yōu)化 178
7．3．3 生成器優(yōu)化 180
第8章 GAN的訓(xùn)練 182
8．1 GAN訓(xùn)練中常見的問題 183
8．1．1 收斂不穩(wěn)定問題 183
8．1．2 梯度消失問題 184
8．1．3 模式崩潰問題 189
8．2 提升GAN訓(xùn)練的穩(wěn)定性 192
8．2．1 選擇恰當(dāng)?shù)木W(wǎng)絡(luò)模型 192
8．2．2 選擇恰當(dāng)?shù)哪繕?biāo)函數(shù) 194
8．2．3 選擇恰當(dāng)?shù)膬?yōu)化算法 196
8．3 GAN訓(xùn)練中的常用技巧 198
8．3．1 數(shù)據(jù)規(guī)范化 198
8．3．2 學(xué)習(xí)率衰減 199
8．3．3 丟棄技術(shù) 200
8．3．4 批量規(guī)范化 203
8．3．5 激活函數(shù)的選擇 203
第9章 GAN的改進(jìn) 206
9．1 GAN的改進(jìn)之路 207
9．2 C GAN和info GAN 207
9．2．1 C GAN 207
9．2．2 info GAN 209
9．3 DC GAN 211
9．4 W GAN 213
9．5 Big GAN 214
第10章 GAN的圖像處理應(yīng)用 217
10．1 圖像生成 218
10．1．1 圖像生成的三種方式 218
10．1．2 幾種特殊的圖像生成 221
10．2 圖像超分辨率重建 221
10．3 圖像修復(fù) 222
10．4 圖像翻譯 224
10．4．1 圖像至圖像的翻譯 224
10．4．2 文本至圖像的翻譯 225
10．5 圖像風(fēng)格遷移 226
10．6 視頻預(yù)測 227
第11章 GAN的Python編程 228
11．1 Python編程語言 228
11．1．1 Python簡介 228
11．1．2 Python的特點(diǎn) 230
11．1．3 Python的應(yīng)用 232
11．2 常見的Python集成開發(fā)環(huán)境 233
11．3 深度學(xué)習(xí)框架 235
11．3．1 主流的深度學(xué)習(xí)框架 235
11．3．2 主流學(xué)習(xí)框架的比較 237
11．4 TensorFlow中的GAN編程 238
11．4．1 張量和張量流 239
11．4．2 Python的TensorFlow庫 242
11．4．3 TensorFlow的常用模塊 243
第12章 GAN圖像處理實(shí)例 245
12．1 1維GAN編程 245
12．1．1 1維GAN小程序 246
12．1．2 數(shù)據(jù)對(duì)齊 248
12．1．3 訓(xùn)練中的幾個(gè)問題 249
12．2 MNIST手寫數(shù)字的生成 249
12．2．1 GAN模型的訓(xùn)練程序 250
12．2．2 GAN模型的生成程序 254
12．2．3 訓(xùn)練程序的圖解 256
12．2．4 生成程序的圖解 257
1．1 從圖像處理到數(shù)字視覺 2
1．1．1 數(shù)字圖像技術(shù) 3
1．1．2 數(shù)字視覺技術(shù) 5
1．1．3 數(shù)字視覺的應(yīng)用 7
1．2 神經(jīng)網(wǎng)絡(luò)由淺入深 10
1．2．1 神經(jīng)網(wǎng)絡(luò)的發(fā)展 10
1．2．2 深度神經(jīng)網(wǎng)絡(luò) 11
1．2．3 深度學(xué)習(xí)的進(jìn)展 12
1．3 從概率生成到對(duì)抗生成 13
1．3．1 概率生成模型 14
1．3．2 概率分布比較 16
1．3．3 對(duì)抗生成模型 16
1．4 GAN的應(yīng)用 18
1．4．1 在圖像領(lǐng)域中的應(yīng)用 18
1．4．2 在其他領(lǐng)域中的應(yīng)用 20
第2章 數(shù)字圖像處理 22
2．1 數(shù)字圖像基礎(chǔ) 22
2．1．1 圖像的數(shù)學(xué)表示 22
2．1．2 圖像的數(shù)字化 23
2．1．3 數(shù)字圖像的表示 26
2．1．4 圖像的分辨率 28
2．2 傳統(tǒng)數(shù)字圖像處理 30
2．2．1 圖像采集和壓縮 30
2．2．2 圖像去噪和濾波 31
2．2．3 圖像增強(qiáng)和復(fù)原 32
2．2．4 圖像分割 33
2．2．5 圖像特征提取和目標(biāo)檢測 34
2．2．6 圖像變換和超分辨率重建 35
2．3 ANN圖像處理 36
2．3．1 圖像分類 36
2．3．2 目標(biāo)檢測與跟蹤 37
2．3．3 語義分割和實(shí)例分割 39
2．3．4 圖像生成 40
2．4 常用的圖像數(shù)據(jù)集 43
第3章 人工神經(jīng)網(wǎng)絡(luò) 49
3．1 ANN簡介 49
3．1．1 從生物到人工神經(jīng)元 50
3．1．2 從感知機(jī)到神經(jīng)網(wǎng)絡(luò) 51
3．1．3 從淺層到深度 54
3．1．4 ANN的特點(diǎn)和應(yīng)用 55
3．2 常見的ANN類型 57
3．2．1 RBF網(wǎng)絡(luò) 57
3．2．2 ART網(wǎng)絡(luò) 58
3．2．3 SOM網(wǎng)絡(luò) 59
3．2．4 波爾茲曼機(jī) 59
3．2．5 級(jí)聯(lián)相關(guān)網(wǎng)絡(luò) 61
3．3 ANN的關(guān)鍵技術(shù) 62
3．3．1 網(wǎng)絡(luò)類型 62
3．3．2 網(wǎng)絡(luò)訓(xùn)練 62
3．3．3 激活函數(shù) 64
3．3．4 驗(yàn)證和泛化 65
3．4 BP算法 66
3．4．1 數(shù)據(jù)的正向傳播 67
3．4．2 誤差的反向傳播 68
3．4．3 BP算法流程 70
3．4．4 BP算法的幾個(gè)問題 70
3．5 ANN的學(xué)習(xí)方式 71
3．5．1 有監(jiān)督學(xué)習(xí) 71
3．5．2 無監(jiān)督學(xué)習(xí) 72
3．5．3 半監(jiān)督學(xué)習(xí) 72
3．5．4 強(qiáng)化學(xué)習(xí) 73
第4章 GAN中常用的ANN 74
4．1 卷積神經(jīng)網(wǎng)絡(luò) 74
4．1．1 CNN的結(jié)構(gòu) 75
4．1．2 CNN的核心技術(shù) 76
4．1．3 CNN的訓(xùn)練和改進(jìn) 79
4．1．4 CNN一例 80
4．1．5 圖像卷積 81
4．2 循環(huán)神經(jīng)網(wǎng)絡(luò) 84
4．2．1 RNN的結(jié)構(gòu) 85
4．2．2 RNN與CNN的比較 85
4．3 變分自編碼器 86
4．3．1 自編碼器 86
4．3．2 VAE概述 87
4．4 深度殘差網(wǎng)絡(luò) 91
4．4．1 深度網(wǎng)絡(luò)的困境 91
4．4．2 殘差塊結(jié)構(gòu) 92
4．4．3 殘差塊的作用 92
4．4．4 ResNet的誤差反傳 93
第5章 相關(guān)算法 96
5．1 和圖像處理有關(guān)的算法 96
5．1．1 分類算法 96
5．1．2 聚類算法 104
5．1．3 降維算法 106
5．1．4 遷移學(xué)習(xí) 113
5．1．5 馬爾可夫鏈和HMM 115
5．2 和函數(shù)優(yōu)化有關(guān)的算法 120
5．2．1 *小二乘法 120
5．2．2 梯度下降法 121
5．2．3 EM算法 125
第6章 GAN基礎(chǔ) 129
6．1 GAN概要 130
6．1．1 GAN的數(shù)據(jù)生成 130
6．1．2 GAN的網(wǎng)絡(luò)結(jié)構(gòu) 133
6．1．3 GAN的優(yōu)勢和不足 137
6．2 數(shù)據(jù)分布及其轉(zhuǎn)換 139
6．2．1 圖像數(shù)據(jù)的高維分布 139
6．2．2 隱變量和隱空間 141
6．2．3 分布函數(shù)的轉(zhuǎn)換 143
6．3 生成模型與判別模型 145
6．3．1 生成模型 145
6．3．2 判別模型 149
6．3．3 生成模型和判別模型的關(guān)系 150
6．4 GAN的工作過程 152
6．4．1 納什均衡 153
6．4．2 對(duì)抗訓(xùn)練 154
6．4．3 訓(xùn)練流程 157
第7章 GAN的目標(biāo)函數(shù) 160
7．1 數(shù)據(jù)的信息熵 161
7．1．1 隨機(jī)變量 161
7．1．2 信息量和信息熵 164
7．1．3 交叉熵 166
7．2 數(shù)據(jù)分布的差異：散度 168
7．2．1 KL散度 168
7．2．2 JS散度 169
7．2．3 f散度 169
7．3 GAN目標(biāo)函數(shù)及其優(yōu)化 171
7．3．1 目標(biāo)函數(shù) 171
7．3．2 判別器優(yōu)化 178
7．3．3 生成器優(yōu)化 180
第8章 GAN的訓(xùn)練 182
8．1 GAN訓(xùn)練中常見的問題 183
8．1．1 收斂不穩(wěn)定問題 183
8．1．2 梯度消失問題 184
8．1．3 模式崩潰問題 189
8．2 提升GAN訓(xùn)練的穩(wěn)定性 192
8．2．1 選擇恰當(dāng)?shù)木W(wǎng)絡(luò)模型 192
8．2．2 選擇恰當(dāng)?shù)哪繕?biāo)函數(shù) 194
8．2．3 選擇恰當(dāng)?shù)膬?yōu)化算法 196
8．3 GAN訓(xùn)練中的常用技巧 198
8．3．1 數(shù)據(jù)規(guī)范化 198
8．3．2 學(xué)習(xí)率衰減 199
8．3．3 丟棄技術(shù) 200
8．3．4 批量規(guī)范化 203
8．3．5 激活函數(shù)的選擇 203
第9章 GAN的改進(jìn) 206
9．1 GAN的改進(jìn)之路 207
9．2 C GAN和info GAN 207
9．2．1 C GAN 207
9．2．2 info GAN 209
9．3 DC GAN 211
9．4 W GAN 213
9．5 Big GAN 214
第10章 GAN的圖像處理應(yīng)用 217
10．1 圖像生成 218
10．1．1 圖像生成的三種方式 218
10．1．2 幾種特殊的圖像生成 221
10．2 圖像超分辨率重建 221
10．3 圖像修復(fù) 222
10．4 圖像翻譯 224
10．4．1 圖像至圖像的翻譯 224
10．4．2 文本至圖像的翻譯 225
10．5 圖像風(fēng)格遷移 226
10．6 視頻預(yù)測 227
第11章 GAN的Python編程 228
11．1 Python編程語言 228
11．1．1 Python簡介 228
11．1．2 Python的特點(diǎn) 230
11．1．3 Python的應(yīng)用 232
11．2 常見的Python集成開發(fā)環(huán)境 233
11．3 深度學(xué)習(xí)框架 235
11．3．1 主流的深度學(xué)習(xí)框架 235
11．3．2 主流學(xué)習(xí)框架的比較 237
11．4 TensorFlow中的GAN編程 238
11．4．1 張量和張量流 239
11．4．2 Python的TensorFlow庫 242
11．4．3 TensorFlow的常用模塊 243
第12章 GAN圖像處理實(shí)例 245
12．1 1維GAN編程 245
12．1．1 1維GAN小程序 246
12．1．2 數(shù)據(jù)對(duì)齊 248
12．1．3 訓(xùn)練中的幾個(gè)問題 249
12．2 MNIST手寫數(shù)字的生成 249
12．2．1 GAN模型的訓(xùn)練程序 250
12．2．2 GAN模型的生成程序 254
12．2．3 訓(xùn)練程序的圖解 256
12．2．4 生成程序的圖解 257
展開全部
生成對(duì)抗網(wǎng)絡(luò):原理及圖像處理應(yīng)用 作者簡介
朱秀昌，男，1947年生，碩士，江蘇丹徒人。曾任南京郵電大學(xué)通信與信息工程學(xué)院教授，博士生導(dǎo)師，"江蘇省圖像處理與圖像通信重點(diǎn)實(shí)驗(yàn)室”主任。長期從事圖像和多媒體通信方面的科研和教學(xué)工作。曾主持完成了多項(xiàng)國家、省部級(jí)科研項(xiàng)目，主講了多門本科生和研究生的專業(yè)課程。先后在5個(gè)出版社編著出版了"數(shù)字圖像處理與圖像通信”等書籍17本，發(fā)表專業(yè)技術(shù)論文160余篇。
書友推薦
- >
煙與鏡
- >
上帝之肋:男人的真實(shí)旅程
- >
苦雨齋序跋文-周作人自編集
- >
朝聞道
- >
中國歷史的瞬間
- >
經(jīng)典常談
- >
伯納黛特,你要去哪(2021新版)
- >
唐代進(jìn)士錄
本類暢銷
