成功加入购物车
苗启广 、 刘凯 、 孔韦韦 译 / 机械工业出版社 / 2017-06 / 平装
售价 ¥ 25.00 2.1折
定价 ¥119.00
品相 八五品品相描述
优惠 满包邮
延迟发货说明
上书时间2023-10-19
卖家超过10天未登录
计算机视觉:模型、学习和推理/计算机科学丛书
《计算机视觉:模型、学习和推理/计算机科学丛书》是一本从机器学习视角讲解计算机视觉的非常好的教材。全书图文并茂、语言浅显易懂,算法描述由浅入深,即使是数学背景不强的学生也能轻松理解和掌握。作者展示了如何使用训练数据来学习观察到的图像数据和我们希望预测的现实世界现象之间的联系,以及如何如何研究这些联系来从新的图像数据中作出新的推理。《计算机视觉:模型、学习和推理/计算机科学丛书》要求少的前导知识,从介绍概率和模型的基础知识开始,接着给出让学生能够实现和修改来构建有用的视觉系统的实际示例。适合作为计算机视觉和机器学习的高年级本科生或研究生的教材,书中详细的方法演示和示例对于计算机视觉领域的专业人员也非常有用。
译者序译者简介序前言第1章 绪论1.1 本书结构1.2 其他书籍第一部分 概率第2章 概率概述2.1 随机变量2.2 联合概率2.3 边缘化2.4 条件概率2.5 贝叶斯公式2.6 独立性2.7 期望讨论备注习题第3章 常用概率分布3.1 伯努利分布3.2 贝塔分布3.3 分类分布3.4 狄利克雷分布3.5 一元正态分布3.6 正态逆伽马分布3.7 多元正态分布3.8 正态逆维希特分布3.9 共轭性总结备注习题第4章 拟合概率模型4.1 最大似然法4.2 最大后验法4.3 贝叶斯方法4.4 算例1:一元正态分布4.4.1 最大似然估计4.4.2 最大后验估计4.4.3 贝叶斯方法4.5 算例2:分类分布4.5.1 最大似然法4.5.2 最大后验法4.5.3 贝叶斯方法总结备注习题第5章 正态分布5.1 协方差矩阵的形式5.2 协方差分解5.3 变量的线性变换5.4 边缘分布5.5 条件分布5.6 正态分布的乘积5.7 变量改变总结备注习题第二部分 机器视觉的机器学习第6章 视觉学习和推理6.1 计算机视觉问题6.2 模型的种类6.2.1 判别模型6.2.2 生成模型6.3 示例1:回归6.3.1 判别模型6.3.2 生成模型6.4 示例2:二值分类6.4.1 判别模型6.4.2 生成模型6.5 应该用哪种模型6.6 应用6.6.1 皮肤检测6.6.2 背景差分总结备注习题第7章 复杂数据密度建模7.1 正态分类模型7.2 隐变量7.3 期望最大化7.4 混合高斯模型7.4.1 混合高斯边缘化7.4.2 基于期望最大化的混合模型拟合7.5 t分布7.5.1 学生t分布边缘化7.5.2 拟合t分布的期望最大化7.6 因子分析7.6.1 因子分析的边缘分布7.6.2 因子分析学习的期望最大化7.7 组合模型7.8 期望最大化算法的细节7.8.1 期望最大化算法的下界7.8.2 E步7.8.3 M步7.9 应用7.9.1 人脸检测7.9.2 目标识别7.9.3 分割7.9.4 正脸识别7.9.5 改变人脸姿态(回归)7.9.6 作为隐变量的变换总结备注习题第8章 回归模型8.1 线性回归8.1.1 学习8.1.2 线性回归模型的问题8.2 贝叶斯线性回归8.2.1 实际考虑8.2.2 拟合方差8.3 非线性回归8.3.1 最大似然法8.3.2 贝叶斯非线性回归8.4 核与核技巧8.5 高斯过程回归8.6 稀疏线性回归8.7 二元线性回归8.8 相关向量回归8.9 多变量数据回归8.1 0应用8.1 0.1 人体姿势估计8.1 0.2 位移专家讨论备注习题第9章 分类模型9.1 逻辑回归9.1.1 学习:最大似然估计9.1.2 逻辑回归模型的问题9.2 贝叶斯逻辑回归9.2.1 学习9.2.2 推理9.3 非线性逻辑回归9.4 对偶逻辑回归模型9.5 核逻辑回归9.6 相关向量分类9.7 增量拟合和boosting9.8 分类树9.9 多分类逻辑回归9.1 0随机树、随机森林和随机蕨分类器9.1 1与非概率模型的联系9.1 2应用9.1 2.1 性别分类9.1 2.2 脸部和行人检测9.1 2.3 语义分割9.1 2.4 恢复表面布局9.1 2.5 人体部位识别讨论备注习题第三部分连接局部模型第10章 图模型10.1 条件独立性10.2 有向图模型10.2.1 示例10.2.2 示例10.2.3 示例10.2.4 总结10.3 无向图模型10.3.1 示例10.3.2 示例10.4 有向图模型与无向图模型的对比10.5 计算机视觉中的图模型10.6 含有多个未知量的模型推理10.6.1 求最大后验概率的解10.6.2 求后验概率分布的边缘分布10.6.3 最大化边缘10.6.4 后验分布的采样10.7 样本采样10.7.1 有向图模型的采样10.7.2 无向图模型的采样10.8 学习10.8.1 有向图模型的学习10.8.2 无向图模型的学习讨论备注习题第11章 链式模型和树模型11.1 链式模型11.1.1 有向链式模型11.1.2 无向链式模型11.1.3 模型的等价性11.1.4 隐马尔可夫模型在手语中的应用11.2 链式MAP推理11.3 树的MAP推理11.4 链式边缘后验推理11.4.1 求解边缘分布11.4.2 前向后向算法11.4.3 置信传播11.4.4 链式模型的和积算法11.5 树的边缘后验推理11.6 链式模型和树模型的学习11.7 链式模型和树模型之外的东西11.8 应用11.8.1 手势跟踪11.8.2 立体视觉11.8.3 形象化结构11.8.4 分割讨论备注习题第12章 网格模型12.1 马尔可夫随机场12.1.1 网格示例12.1.2 离散成对MRF图像去噪12.2 二值成对马尔可夫随机场的MAP推理12.2.1 最大流/最小割12.2.2 MAP推理:二值变量12.3 多标签成对MRF的MAP推理12.4 非凸势的多标签MRF12.5 条件随机场12.6 高阶模型12.7 网格有向模型12.8 应用12.8.1 背景差分12.8.2 交互式分割12.8.3 立体视觉12.8.4 图像重排12.8.5 超分辨率12.8.6 纹理合成12.8.7 合成新面孔讨论备注习题第四部分预处理第13章 图像预处理与特征提取13.1 逐像素变换13.1.1 白化13.1.2 直方图均衡化13.1.3 线性滤波13.1.4 局部二值模式13.1.5 纹理基元映射13.2 边缘、角点和兴趣点13.2.1 Canny边缘检测器13.2.2 Harris角点检测器13.2.3 SIFT检测器13.3 描述子13.3.1 直方图13.3.2 SIFT描述子13.3.3 方向梯度直方图13.3.4 词袋描述子13.3.5 形状内容描述子13.4 降维13.4.1 单数值近似13.4.2 主成分分析13.4.3 二元主成分分析13.4.4 K均值算法结论备注习题第五部分 几何模型第14章 针孔摄像机14.1 针孔摄像机简介14.1.1 归一化摄像机14.1.2 焦距参数14.1.3 偏移量和偏移参数14.1.4 摄像机的位置与方向14.1.5 全针孔摄像机模型14.1.6 径向畸变14.2 三个几何问题14.2.1 问题1:学习外在参数14.2.2 问题2:学习内在参数14.2.3 问题3:推理3D世界点14.2.4 解决问题14.3 齐次坐标14.4 学习外在参数14.5 学习内在参数14.6 推理3D世界点14.7 应用14.7.1 结构光的深度14.7.2 剪影重构讨论备注习题第15章 变换模型15.1 二维变换模型15.1.1 欧氏变换模型15.1.2 相似变换模型15.1.3 仿射变换模型15.1.4 投影变换模型15.1.5 增加不确定性15.2 变换模型中的学习15.2.1 学习欧氏参数15.2.2 学习相似参数15.2.3 学习仿射参数15.2.4 学习投影参数15.3 变换模型中的推理15.4 平面的三个几何问题15.4.1 问题1:学习外在参数15.4.2 问题2:学习内在参数15.4.3 问题3:与摄像机相关的3D位置推理15.5 图像间的变换15.5.1 单应性的几何特征15.5.2 计算图像间的变换15.6 变换的鲁棒学习15.6.1 RANSAC15.6.2 连续RANSAC15.6.3 PEaRL15.7 应用15.7.1 增强现实追踪15.7.2 视觉全景讨论备注习题第16章 多摄像机系统16.1 双视图几何学理论16.1.1 极线约束16.1.2 极点16.2 实矩阵16.2.1 实矩阵的属性16.2.2 实矩阵的分解16.3 基础矩阵16.3.1 基础矩阵的估计16.3.2 8点算法16.4 双视图重构的流程16.5 校正16.5.1 平面校正16.5.2 极面校正16.5.3 校正后处理16.6 多视图重构16.7 应用16.7.1 三维重构16.7.2 图片浏览16.7.3 立体图割讨论备注习题第六部分 视觉模型第17章 形状模型17.1 形状及其表示17.2 snake模型17.2.1 推理17.2.2 snake模型中存在的问题17.3 形状模板17.3.1 推理17.3.2 用迭代最近点算法进行推理17.4 统计形状模型17.4.1 学习17.4.2 推理17.5 子空间形状模型17.5.1 概率主成分分析17.5.2 学习17.5.3 推理17.6 三维形状模型17.7 形状和外观的统计模型17.7.1 学习17.7.2 推理17.8 非高斯统计形状模型17.8.1 回归PPCA17.8.2 高斯过程隐变量模型17.9 铰接式模型17.1 0应用17.1 0.1 三维形变模型17.1 0.2 三维人体模型讨论备注习题第18章 身份与方式模型18.1 子空间身份模型18.1.1 学习18.1.2 推理18.1.3 在其他识别任务中的推理18.1.4 身份子空间模型的局限性18.2 概率线性判别分析18.2.1 学习18.2.2 推理18.3 非线性身份模型18.4 非对称双线性模型18.4.1 学习18.4.2 推理18.5 对称双线性和多线性模型18.5.1 学习18.5.2 推理18.5.3 多线性模型18.6 应用18.6.1 人脸识别18.6.2 纹理建模18.6.3 动画合成讨论备注习题第19章 时序模型19.1 时序估计框架19.1.1 推理19.1.2 学习19.2 卡尔曼滤波器19.2.1 推理19.2.2 改写测量合并阶段19.2.3 推理总结19.2.4 示例19.2.5 示例19.2.6 滤波19.2.7 时序和测量模型19.2.8 卡尔曼滤波器的问题19.3 扩展卡尔曼滤波器19.4 无损卡尔曼滤波器19.4.1 状态演化19.4.2 测量合并过程19.5 粒
展开全部
【封面】
【版权页】
【目录】
配送说明
...
相似商品
为你推荐
开播时间:09月02日 10:30