書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)

計(jì)算機(jī)視覺:從感知到重建

出版社：上？茖W(xué)技術(shù)出版社出版時(shí)間：2024-02-01
開本： 16開 頁(yè)數(shù)： 387
中 圖 價(jià):¥104.3(7.0折) 定價(jià)  ¥149.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

計(jì)算機(jī)視覺:從感知到重建 版權(quán)信息

計(jì)算機(jī)視覺:從感知到重建 本書特色

本書以作者教學(xué)經(jīng)驗(yàn)和研究成果為基礎(chǔ)，配合大量插圖，詳細(xì)講解傳統(tǒng)計(jì)算機(jī)視覺方法，基于手動(dòng)特征的經(jīng)典算法，并深入介紹*前沿的深度學(xué)習(xí)技術(shù)。將傳統(tǒng)的知識(shí)與深度學(xué)習(xí)的力量相結(jié)合應(yīng)對(duì)不斷變化的挑戰(zhàn)。
閱讀本書，您既能夠理解計(jì)算機(jī)視覺的基本原理，又能夠掌握當(dāng)今*激動(dòng)人心的技術(shù)。

計(jì)算機(jī)視覺:從感知到重建 內(nèi)容簡(jiǎn)介

本書主要介紹和探討計(jì)算機(jī)視覺的一系列核心主題，包括相機(jī)成像，圖像處理、分析和感知，三維重建等。首先介紹了相機(jī)模型、成像過(guò)程以及圖像的顏色模型、照射模型、渲染模型等；然后系統(tǒng)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(wù)，不僅詳細(xì)講解了各任務(wù)中的經(jīng)典方法，還全面地介紹了前沿的基于深度學(xué)習(xí)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(xué)習(xí)的新方法。本書針對(duì)每一個(gè)核心問(wèn)題單獨(dú)成章，并著重講解基本概念。通過(guò)大量的彩圖，幫助讀者理解問(wèn)題。適合作為本科及研究生的計(jì)算機(jī)視覺和數(shù)字圖像處理課程的教材，并且可以作為深度學(xué)習(xí)課程的參考書。同時(shí)，也可供對(duì)計(jì)算機(jī)視覺感興趣的相關(guān)專業(yè)人

計(jì)算機(jī)視覺:從感知到重建 目錄

第１章 相機(jī)成像模型 ／１
１．１ 引言 ／１
１．２ 簡(jiǎn)單的相機(jī)模型 ／２
１．２．１ 相機(jī)數(shù)學(xué)模型 ／２
１．２．２ 相機(jī)的內(nèi)參 ／４
１．２．３ 相機(jī)的外參 ／６
１．２．４ 相機(jī)成像公式 ／７
１．２．５ 相機(jī)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(xué) ／１７
１．４．４ 數(shù)字成像過(guò)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(jié) ／２３
第２章 圖像空間濾波 ／２４
２．１ 引言 ／２４
２．２ 卷積和互相關(guān) ／２５
２．２．１ 卷積 ／２５
２．２．２ 互相關(guān) ／２６
２．３ 圖像的平滑 ／２８
２．３．１ 鄰域均值濾波 ／２８
２．３．２ 加權(quán)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(jié) ／３５
第３章 圖像特征提取 ／３６
３．１ 引言 ／３６
３．２ 基于非學(xué)習(xí)方法的邊緣檢測(cè) ／３７
３．２．１ 邊緣、導(dǎo)數(shù)和梯度 ／３９
３．２．２ 邊緣的卷積形式計(jì)算 ／４０
３．２．３ 噪聲對(duì)邊緣檢測(cè)的影響和處理方法 ／４１
３．２．４ Ｃａｎｎｙ邊緣檢測(cè)算子 ／４３
３．３ 基于深度學(xué)習(xí)的邊緣檢測(cè) ／４５
３．３．１ ＨＥＤ／４５
３．３．２ ＲＣＦ／４７
３．３．３ ＣＡＳＥＮｅｔ／４９
３．４ 基于非學(xué)習(xí)方法的關(guān)鍵點(diǎn)檢測(cè) ／５１
３．４．１ 角點(diǎn)檢測(cè)原理 ／５３
３．４．２ Ｈａｒｒｉｓ角點(diǎn)檢測(cè) ／５４
３．４．３ Ｈａｒｒｉｓ角點(diǎn)檢測(cè)的優(yōu)勢(shì)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(xué)習(xí)的語(yǔ)義關(guān)鍵點(diǎn)檢測(cè) ／６５
３．５．１ 基于深度學(xué)習(xí)的人臉關(guān)鍵點(diǎn)檢測(cè) ／６５
３．５．２ 人體關(guān)鍵點(diǎn)檢測(cè) ／６９
３．５．３ 房間布局估計(jì) ／７４
３．６ 基于非學(xué)習(xí)方法的直線檢測(cè) ／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(xué)習(xí)的線段檢測(cè) ／８７
３．７．１ 基于圖表示的線段檢測(cè) ／８７
３．７．２ 基于向量場(chǎng)表示的線段檢測(cè) ／８８
３．７．３ 語(yǔ)義直線檢測(cè)及應(yīng)用 ／８９
３．８ 本章小結(jié) ／９１
參考文獻(xiàn) ／９１
第４章 圖像分類 ／９４
４．１ 引言 ／９４
４．２ 圖像表達(dá) ／９７
４．３ 基于手動(dòng)特征的圖像表達(dá) ／９８
４．３．１ 基于顏色直方圖的圖像表達(dá) ／９８
４．３．２ 基于經(jīng)典的視覺詞袋模型的圖像表達(dá) ／９９
４．３．３ 基于空間金字塔匹配模型的圖像表達(dá) ／１０４
４．３．４ 基于壓縮感知的圖像表達(dá) ／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(jī)的圖像分類 ／１０８
４．４．１ 面向線性可分?jǐn)?shù)據(jù)的支持向量機(jī)分類 ／１０８
４．４．２ 面向非線性可分?jǐn)?shù)據(jù)的支持向量機(jī)分類 ／１１４
４．４．３ 基于支持向量機(jī)的多分類實(shí)現(xiàn) ／１１６
４．４．４ 基于視覺詞袋模型和支持向量機(jī)的圖像分類 ／１１６
４．５ 基于自編碼器的圖像表達(dá) ／１１７
４．５．１ 多層感知機(jī) ／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(jīng)網(wǎng)絡(luò)的圖像分類 ／１２２
４．６．１ 卷積神經(jīng)網(wǎng)絡(luò)的組件 ／１２２
４．６．２ 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 ／１２８
４．６．３ 代表性圖像分類卷積神經(jīng)網(wǎng)絡(luò) ／１３１
４．７ 基于膠囊網(wǎng)絡(luò)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(yǔ)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(jié) ／１５９
參考文獻(xiàn) ／１５９
第５章 圖像中目標(biāo)檢測(cè) ／１６４
５．１ 引言 ／１６４
５．２ 基于手動(dòng)特征的目標(biāo)檢測(cè) ／１７１
５．２．１ ＶｉｏｌａＪｏｎｅｓ人臉檢測(cè)算法 ／１７２
５．２．２ 基于ＤＰＭ的目標(biāo)檢測(cè) ／１７６
５．３ 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè) ／１８３
５．３．１ 兩階段目標(biāo)檢測(cè)算法 ／１８５
５．３．２ 單階段目標(biāo)檢測(cè)算法 ／１９０
５．３．３ 無(wú)錨框的目標(biāo)檢測(cè)算法 ／１９５
５．４ 基于Ｔｒａｎｓｆｏｒｍｅｒ的目標(biāo)檢測(cè) ／１９９
５．４．１ ＤＥＴＲ／１９９
５．４．２ Ｐｉｘ２ｓｅｑ／２０１
５．５ 本章小結(jié) ／２０３
參考文獻(xiàn) ／２０４
第６章 圖像分割 ／２０７
６．１ 引言 ／２０７
６．２ 基于手動(dòng)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(yǔ)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(shí)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(diǎn)云分割 ／２３２
６．６．１ 用于圖的卷積神經(jīng)網(wǎng)絡(luò) ／２３４
６．６．２ 基于點(diǎn)云的語(yǔ)義分割 ／２３８
６．７ 本章小結(jié) ／２４４
參考文獻(xiàn) ／２４４
第７章 視頻分類和行為識(shí)別 ／２４８
７．１ 引言 ／２４８
７．２ 基于手動(dòng)特征的視頻分類 ／２５３
７．２．１ 基于詞袋模型的視頻表達(dá)和分類 ／２５４
７．２．２ 基于光流特征的視頻表達(dá)和分類 ／２５４
７．３ 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的視頻分類 ／２６３
７．３．１ 循環(huán)神經(jīng)網(wǎng)絡(luò) ／２６３
７．３．２ 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) ／２６４
７．３．３ 長(zhǎng)短期記憶網(wǎng)絡(luò) ／２６６
７．３．４ 門控制循環(huán)單元 ／２６７
７．３．５ 基于ＬＳＴＭ的視頻表達(dá) ／２６７
７．４ 基于卷積神經(jīng)網(wǎng)絡(luò)的視頻分類 ／２７０
７．４．１ 單分支網(wǎng)絡(luò) ／２７０
７．４．２ 多分支網(wǎng)絡(luò) ／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(shí)序動(dòng)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(jié) ／３０４
參考文獻(xiàn) ／３０４
第８章 圖像三維重建 ／３１１
８．１ 引言 ／３１１
８．２ 對(duì)極幾何 ／３１３
８．３ 相機(jī)標(biāo)定 ／３１７
８．４ 基于傳統(tǒng)算法的多視圖立體重建 ／３２１
８．４．１ 簡(jiǎn)單的基于匹配三維點(diǎn)空間坐標(biāo)求解方法 ／３２１
８．４．２ 基于平面掃描的場(chǎng)景深度估計(jì) ／３２２
８．４．３ 基于視差的深度估計(jì) ／３２３
８．４．４ 基于ＰａｔｃｈＭａｔｃｈ的立體重建 ／３２５
８．５ 基于深度學(xué)習(xí)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(xué)習(xí)的場(chǎng)景的單目深度估計(jì) ／３３２
８．６．１ 有監(jiān)督學(xué)習(xí)的單目深度估計(jì) ／３３２
８．６．２ 自監(jiān)督學(xué)習(xí)的單目視頻深度估計(jì) ／３３５
８．７ 深度學(xué)習(xí)對(duì)基于不同形狀表達(dá)的三維重建 ／３３８
８．７．１ 基于體素的顯式三維表達(dá) ／３３８
８．７．２ 基于多邊形網(wǎng)格的顯式三維表達(dá) ／３４４
８．７．３ 基于隱函數(shù)的隱式物體表達(dá) ／３４８
８．７．４ 基于神經(jīng)立體渲染的多視角重建 ／３５３
８．８ 本章小結(jié) ／３７０
參考文獻(xiàn) ／３７０
展開全部

計(jì)算機(jī)視覺:從感知到重建 作者簡(jiǎn)介

高盛華簡(jiǎn)介：
上海科技大學(xué)信息科學(xué)與技術(shù)學(xué)院教授，長(zhǎng)期從事計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)領(lǐng)域研究，發(fā)表多篇高水平計(jì)算機(jī)視覺領(lǐng)域?qū)W術(shù)論文。
厲征鑫簡(jiǎn)介：
上？萍即髮W(xué)信息科學(xué)與技術(shù)學(xué)院副研究員，博士畢業(yè)于江南大學(xué)，長(zhǎng)期從事機(jī)器視覺、異常檢測(cè)相關(guān)研究，發(fā)表多篇計(jì)算機(jī)視覺領(lǐng)域論文。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服