機器視覺偵測與辨識技術及應用 基於深度學習
張勤儉編著
- 出版商: 化學工業
- 出版日期: 2024-09-01
- 售價: $479
- 貴賓價: 9.5 折 $455
- 語言: 簡體中文
- 頁數: 260
- 裝訂: 平裝
- ISBN: 7122456838
- ISBN-13: 9787122456830
-
相關分類:
DeepLearning、Computer Vision
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$648$616 -
$980$647 -
$709深入理解電腦視覺:關鍵算法解析與深度神經網絡設計
-
$354$336 -
$454擴散模型:生成式 AI 模型的理論、應用與代碼實踐
-
$750$593 -
$834$792 -
$556雲端原生架構與 GitOps 實戰
-
$1,280$845 -
$714$678 -
$680$537 -
$560$442 -
$800$632 -
$620$484 -
$774$735 -
$857Unreal Engine 5 藍圖視覺化腳本遊戲開發完全學習教程
-
$850$638 -
$1,800$1,350 -
$534$507 -
$474$450 -
$780$515 -
$690$545 -
$680$537 -
$599$473 -
$480$360
相關主題
商品描述
《機器視覺偵測與辨識技術及應用:基於深度學習》致力於深入剖析機器視覺偵測與辨識技術的內在機制、
實用策略及其多元化應用,旨在為讀者建立一個堅實而全面的理論知識與實務經驗的橋樑。
內容涉獵廣泛,既涵蓋影像處理、特徵提取、目標偵測,又深入探索影像分割、人臉辨識、物件辨識等,從基礎概念到 演算法,全面又深入。
在深度解讀各主題的同時,本書著重理論與實務的緊密結合,
相關章節均配以典型的案例分析,展示這些技術在現實場景中的具體應用。
透過閱讀本書,讀者將深入理解機器視覺技術的運作原理,並學習如何將這些技術靈活運用於解決實際問題。
此外,本書也特別關注機器視覺技術所帶來的倫理、隱私和社會影響等深層議題,
確保科技的發展既有利於社會進步,也尊重與保護個人的權利與隱私,實現永續發展。
本書適合從事電腦視覺、人工智慧、影像處理以及相關領域研究和開發的專業人士閱讀,
也可作為高等院校電腦相關專業的教材,對機器視覺有興趣的人也可以閱讀。
目錄大綱
第1章 機器視覺概述
11 機器視覺的基本概念 002
12 機器視覺的發展歷程 005
13 機器視覺的發展趨勢 008
14 機器視覺的應用領域 011
第2章 深度學習基礎知識
21 基本概念與理論 018
22 基本思想 022
23 深度學習常用的方法 022
第3章 深度學習與機器視覺
31 深度學習應用於機器視覺 028
32 深度學習應用於機器視覺的範例 030
321 基於深度學習的機器視覺在Google的應用 030
322 基於深度學習的機器視覺在百度中的應用 030
323 基於深度學習的機器視覺在醫療上的應用 032
324 基於深度學習的機器視覺在安防中的應用 033
325 以深度學習為基礎的機器視覺在攝影上的應用 033
33 機器視覺的關鍵深度學習方法與應用 034
第4章 影像分類與參數學習
41 影像分類基礎 042
42 線性分類器 044
43 損失函數 047
431 損失函數的作用 047
432 常見的損失函數 048
第5章 Transformer
51 Transformer背景 052
511 Transformer簡介 052
512 傳統序列模型的限制 053
52 Transformer模型 054
521 Transformer基本框架 054
522 輸入部分 054
523 編碼器結構 057
524 解碼器結構 059
53 Transformer在機器視覺的應用 060
531 Detection Transformer(DETR) 060
532 Unsupervised Pre-training for Object Detection with Transformers(UP-DETR) 062
533 Deformable DETR 062
第6章 基於深度學習的目標偵測
61 目標偵測技術 066
611 目標偵測概念 066
612 目標檢測評估指標 067
613 目標偵測資料集 070
62 目標偵測方法 071
621 傳統目標偵測演算法 071
622 基於深度學習目標偵測演算法 073
63 基於的兩階段目標偵測方法 076
631 R-CNN 076
632 SPP-Net 080
633 Fast R-CNN 083
634 Faster R-CNN 086
64 基於的單階段目標偵測方法 091
641 SSD 092
642 YOLO v3 095
643 RetinaNet 098
65 基於深度學習的目標偵測演算法應用場景 102
651 農業領域應用—害蟲檢測 102
652 航太領域應用-遙感監測 103
653 交通領域應用-車輛偵測 103
第7章 目標識別
71 目標識別技術 108
711 目標辨識概念 108
712 目標辨識評估指標 108
72 目標識別方法 109
721 傳統目標辨識方法 109
722 深度學習目標辨識方法 112
第8章 深度學習中的目標識別
81 影像辨識模型介紹 114
82 影像辨識模型改進演算法 118
821 小加權隨機搜尋演算法 118
822 E-S判斷方法 121
823 建構小型捲積神經網路 122
824 殘差網路模型 124
825 融入註意力機制的殘差網路辨識演算法 126
83 基於深度學習的目標辨識演算法應用場景 129
831 生物資訊領域應用—人臉辨識 129
832 軍事領域應用-雷達偵測 134
833 工業領域應用—水下作業 134
第9章 攝護腺腫瘤檢測
91 前列腺影像復原、重建與合成 143
911 醫學影像復原與重建 143
912 前列腺影像合成 145
92 醫學影像配準與分割 147
921 醫學影像配準 147
922 醫學影像分割 148
第10章 目標偵測與辨識技術在醫療領域的應用
101 醫學影像處理技術及應用價值 152
1011 醫學影像的類型 152
1012 醫學影像的格式 155
1013 目標偵測與辨識技術在醫療領域的應用價值 157
102 影像影像的疾病診斷與病灶分型 158
1021 典型的疾病診斷網 159
1022 影像的疾病診斷應用 165
103 影像影像的組織器官分割技術 176
1031 通用分割網路 177
1032 專用分割技術 189
104 公開資料集 203
1041 影像診斷 203
1042 器官分割 207
1043 病理分析與生物資訊 209
1044 競賽單元/通用資料集 210
第11章 生菜辨識及性狀分析
111 背景介紹 218
112 定義問題 219
113 數據分析 220
1131 資料內容及結構 220
1132 資料相關性分析 222
114 資料處理 226
1141 資料載入及預處理 226
1142 數據增強 228
1143 標籤載入 229
115 模型搭建 230
1151 三階段多重分支自校正網路設計思路 230
1152 主模型 233
1153 輔助模型 237
116 模型訓練 241
1161 訓練參數設定 241
1162 訓練曲線及結果分析 243
117 模型評估 247
1171 評估指標 247
1172 評估結果 248
118 模型討論 254
1181 深度影像的資料處理方法討論 254
1182 輔助模型的設計與選擇 256
1183 高通量情形下的生菜性狀估計思路設計 258