国产精品一久久香蕉产线看/亚洲图区欧美/亚洲国产精品电影人久久网站/欧美日韩在线视频一区

歡迎光臨中圖網 請 | 注冊
> >
計算機視覺:從感知到重建

包郵 計算機視覺:從感知到重建

出版社：上海科學技術出版社出版時間：2024-02-01
開本： 16開 頁數： 387
中 圖 價:¥87.9(5.9折) 定價  ¥149.0 登錄后可看到會員價
加入購物車 收藏
開年大促， 全場包郵
?新疆、西藏除外
本類五星書更多>

計算機視覺:從感知到重建 版權信息

  • ISBN：9787547864951
  • 條形碼：9787547864951 ; 978-7-5478-6495-1
  • 裝幀：平裝-膠訂
  • 冊數：暫無
  • 重量：暫無
  • 所屬分類：>

計算機視覺:從感知到重建 本書特色

本書以作者教學經驗和研究成果為基礎，配合大量插圖，詳細講解傳統計算機視覺方法，基于手動特征的經典算法，并深入介紹*前沿的深度學習技術。將傳統的知識與深度學習的力量相結合應對不斷變化的挑戰。
閱讀本書，您既能夠理解計算機視覺的基本原理，又能夠掌握當今*激動人心的技術。

計算機視覺:從感知到重建 內容簡介

本書主要介紹和探討計算機視覺的一系列核心主題，包括相機成像，圖像處理、分析和感知，三維重建等。首先介紹了相機模型、成像過程以及圖像的顏色模型、照射模型、渲染模型等；然后系統性地介紹了圖像濾波、特征提取、圖像和視頻感知與理解等多種任務，不僅詳細講解了各任務中的經典方法，還全面地介紹了前沿的基于深度學習的方法；*后介紹了三維重建中涉及的幾何原理、重建步驟以及基于深度學習的新方法。本書針對每一個核心問題單獨成章，并著重講解基本概念。通過大量的彩圖，幫助讀者理解問題。適合作為本科及研究生的計算機視覺和數字圖像處理課程的教材，并且可以作為深度學習課程的參考書。同時，也可供對計算機視覺感興趣的相關專業人

計算機視覺:從感知到重建 目錄

第１章 相機成像模型 ／１
１．１ 引言 ／１
１．２ 簡單的相機模型 ／２
１．２．１ 相機數學模型 ／２
１．２．２ 相機的內參 ／４
１．２．３ 相機的外參 ／６
１．２．４ 相機成像公式 ／７
１．２．５ 相機成像畸變 ／７
１．３ 圖像的顏色 ／１０
１．３．１ 基于拜爾濾波器的顏色感知 ／１０
１．３．２ ＲＧＢ顏色模型 ／１１
１．３．３ ＨＳＶ顏色模型 ／１２
１．４ 圖像的亮度 ／１４
１．４．１ 空間中的光 ／１４
１．４．２ 物體表面的光線反射 ／１６
１．４．３ 薄透鏡成像的輻射度學 ／１７
１．４．４ 數字成像過程 ／１９
１．５ 渲染 ／２０
１．５．１ 渲染方程 ／２０
１．５．２ 光線追蹤算法 ／２０
１．６ 本章小結 ／２３
第２章 圖像空間濾波 ／２４
２．１ 引言 ／２４
２．２ 卷積和互相關 ／２５
２．２．１ 卷積 ／２５
２．２．２ 互相關 ／２６
２．３ 圖像的平滑 ／２８
２．３．１ 鄰域均值濾波 ／２８
２．３．２ 加權均值濾波 ／２８
２．３．３ 高斯均值濾波 ／２９
２．３．４ 中值濾波 ／３０
２．３．５ 雙邊濾波 ／３０
２．４ 圖像的銳化 ／３２
２．４．１ 梯度銳化 ／３２
２．４．２ 拉普拉斯算子的二階微分銳化 ／３３
２．４．３ 非銳化掩膜與高頻提升濾波 ／３４
２．５ 本章小結 ／３５
第３章 圖像特征提取 ／３６
３．１ 引言 ／３６
３．２ 基于非學習方法的邊緣檢測 ／３７
３．２．１ 邊緣、導數和梯度 ／３９
３．２．２ 邊緣的卷積形式計算 ／４０
３．２．３ 噪聲對邊緣檢測的影響和處理方法 ／４１
３．２．４ Ｃａｎｎｙ邊緣檢測算子 ／４３
３．３ 基于深度學習的邊緣檢測 ／４５
３．３．１ ＨＥＤ／４５
３．３．２ ＲＣＦ／４７
３．３．３ ＣＡＳＥＮｅｔ／４９
３．４ 基于非學習方法的關鍵點檢測 ／５１
３．４．１ 角點檢測原理 ／５３
３．４．２ Ｈａｒｒｉｓ角點檢測 ／５４
３．４．３ Ｈａｒｒｉｓ角點檢測的優勢與不足 ／５８
３．４．４ 高斯拉普拉斯算子 ／５９
３．４．５ 高斯差分算子 ／６４
３．５ 基于深度學習的語義關鍵點檢測 ／６５
３．５．１ 基于深度學習的人臉關鍵點檢測 ／６５
３．５．２ 人體關鍵點檢測 ／６９
３．５．３ 房間布局估計 ／７４
３．６ 基于非學習方法的直線檢測 ／７８
３．６．１ *小二乘法 ／７８
３．６．２ 基于ＲＡＮＳＡＣ的直線擬合 ／８２
３．６．３ 霍夫變換 ／８４
３．７ 基于深度學習的線段檢測 ／８７
３．７．１ 基于圖表示的線段檢測 ／８７
３．７．２ 基于向量場表示的線段檢測 ／８８
３．７．３ 語義直線檢測及應用 ／８９
３．８ 本章小結 ／９１
參考文獻 ／９１
第４章 圖像分類 ／９４
４．１ 引言 ／９４
４．２ 圖像表達 ／９７
４．３ 基于手動特征的圖像表達 ／９８
４．３．１ 基于顏色直方圖的圖像表達 ／９８
４．３．２ 基于經典的視覺詞袋模型的圖像表達 ／９９
４．３．３ 基于空間金字塔匹配模型的圖像表達 ／１０４
４．３．４ 基于壓縮感知的圖像表達 ／１０５
４．３．５ 基于高斯混合模型的圖像特征編碼 ／１０７
４．４ 基于支持向量機的圖像分類 ／１０８
４．４．１ 面向線性可分數據的支持向量機分類 ／１０８
４．４．２ 面向非線性可分數據的支持向量機分類 ／１１４
４．４．３ 基于支持向量機的多分類實現 ／１１６
４．４．４ 基于視覺詞袋模型和支持向量機的圖像分類 ／１１６
４．５ 基于自編碼器的圖像表達 ／１１７
４．５．１ 多層感知機 ／１１８
４．５．２ 自編碼器 ／１２０
４．５．３ 降噪自編碼器 ／１２１
４．６ 基于卷積神經網絡的圖像分類 ／１２２
４．６．１ 卷積神經網絡的組件 ／１２２
４．６．２ 神經網絡的訓練 ／１２８
４．６．３ 代表性圖像分類卷積神經網絡 ／１３１
４．７ 基于膠囊網絡的圖像分類 ／１４３
４．７．１ ＣａｐｓＮｅｔ／１４４
４．７．２ 堆疊膠囊自編碼器 ／１４７
４．８ 基于Ｔｒａｎｓｆｏｒｍｅｒ的圖像分類 ／１４９
４．８．１ 自然語言處理中的Ｔｒａｎｓｆｏｒｍｅｒ／１４９
４．８．２ 基于Ｔｒａｎｓｆｏｒｍｅｒ的圖像分類 ／１５１
４．９ 本章小結 ／１５９
參考文獻 ／１５９
第５章 圖像中目標檢測 ／１６４
５．１ 引言 ／１６４
５．２ 基于手動特征的目標檢測 ／１７１
５．２．１ ＶｉｏｌａＪｏｎｅｓ人臉檢測算法 ／１７２
５．２．２ 基于ＤＰＭ的目標檢測 ／１７６
５．３ 基于卷積神經網絡的目標檢測 ／１８３
５．３．１ 兩階段目標檢測算法 ／１８５
５．３．２ 單階段目標檢測算法 ／１９０
５．３．３ 無錨框的目標檢測算法 ／１９５
５．４ 基于Ｔｒａｎｓｆｏｒｍｅｒ的目標檢測 ／１９９
５．４．１ ＤＥＴＲ／１９９
５．４．２ Ｐｉｘ２ｓｅｑ／２０１
５．５ 本章小結 ／２０３
參考文獻 ／２０４
第６章 圖像分割 ／２０７
６．１ 引言 ／２０７
６．２ 基于手動特征的圖像分割算法 ／２０９
６．２．１ 基于圖論的圖像分割 ／２０９
６．２．２ 基于聚類的圖像分割 ／２１３
６．３ 語義分割 ／２１６
６．３．１ ＦＣＮ／２１８
６．３．２ Ｕ Ｎｅｔ／２１９
６．３．３ ＤｅｅｐＬａｂ／２２０
６．３．４ ＰＳＰＮｅｔ／２２３
６．４ 實例分割 ／２２３
６．４．１ ＭａｓｋＲ ＣＮＮ／２２５
６．４．２ ＹＯＬＡＣＴ／２２５
６．４．３ ＳＯＬＯ／２２７
６．５ 全景分割 ／２２８
６．５．１ ＰａｎｏｐｔｉｃＦＰＮ／２２９
６．５．２ ＵＰＳＮｅｔ／２３０
６．６ 點云分割 ／２３２
６．６．１ 用于圖的卷積神經網絡 ／２３４
６．６．２ 基于點云的語義分割 ／２３８
６．７ 本章小結 ／２４４
參考文獻 ／２４４
第７章 視頻分類和行為識別 ／２４８
７．１ 引言 ／２４８
７．２ 基于手動特征的視頻分類 ／２５３
７．２．１ 基于詞袋模型的視頻表達和分類 ／２５４
７．２．２ 基于光流特征的視頻表達和分類 ／２５４
７．３ 基于循環神經網絡的視頻分類 ／２６３
７．３．１ 循環神經網絡 ／２６３
７．３．２ 雙向循環神經網絡 ／２６４
７．３．３ 長短期記憶網絡 ／２６６
７．３．４ 門控制循環單元 ／２６７
７．３．５ 基于ＬＳＴＭ的視頻表達 ／２６７
７．４ 基于卷積神經網絡的視頻分類 ／２７０
７．４．１ 單分支網絡 ／２７０
７．４．２ 多分支網絡 ／２７８
７．５ 基于Ｔｒａｎｓｆｏｒｍｅｒ的視頻分類 ／２８２
７．５．１ ＶｉＶｉＴ／２８２
７．５．２ ＴｉｍｅＳＦｏｒｍｅｒ／２８５
７．５．３ ＶｉｄｅｏＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ／２８６
７．５．４ ＶｉｄｅｏＣＬＩＰ／２８８
７．５．５ ＶＬＭ／２９０
７．６ 時序動作定位 ／２９１
７．６．１ 單階段方法 ／２９２
７．６．２ 自頂向下的多階段方法 ／２９５
７．６．３ 自底向上的多階段方法 ／２９９
７．７ 本章小結 ／３０４
參考文獻 ／３０４
第８章 圖像三維重建 ／３１１
８．１ 引言 ／３１１
８．２ 對極幾何 ／３１３
８．３ 相機標定 ／３１７
８．４ 基于傳統算法的多視圖立體重建 ／３２１
８．４．１ 簡單的基于匹配三維點空間坐標求解方法 ／３２１
８．４．２ 基于平面掃描的場景深度估計 ／３２２
８．４．３ 基于視差的深度估計 ／３２３
８．４．４ 基于ＰａｔｃｈＭａｔｃｈ的立體重建 ／３２５
８．５ 基于深度學習的多視角重建 ／３２８
８．５．１ ＭＶＳＮｅｔ／３２９
８．５．２ Ｆａｓｔ ＭＶＳＮｅｔ／３３０
８．６ 基于深度學習的場景的單目深度估計 ／３３２
８．６．１ 有監督學習的單目深度估計 ／３３２
８．６．２ 自監督學習的單目視頻深度估計 ／３３５
８．７ 深度學習對基于不同形狀表達的三維重建 ／３３８
８．７．１ 基于體素的顯式三維表達 ／３３８
８．７．２ 基于多邊形網格的顯式三維表達 ／３４４
８．７．３ 基于隱函數的隱式物體表達 ／３４８
８．７．４ 基于神經立體渲染的多視角重建 ／３５３
８．８ 本章小結 ／３７０
參考文獻 ／３７０
展開全部

計算機視覺:從感知到重建 作者簡介

高盛華簡介：
上海科技大學信息科學與技術學院教授，長期從事計算機視覺與機器學習領域研究，發表多篇高水平計算機視覺領域學術論文。
厲征鑫簡介：
上海科技大學信息科學與技術學院副研究員，博士畢業于江南大學，長期從事機器視覺、異常檢測相關研究，發表多篇計算機視覺領域論文。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網
在線客服