計算機視覺：模型、學習和推理/計算機科學叢書 [Computer Vision Models，Learning，and Inference] pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

[英] 西濛，J.D.，普林斯 著，苗啓廣，劉凱，孔韋韋 等 譯

齣版社： 機械工業齣版社

ISBN：9787111516828

版次：1

商品編碼：12218342

品牌：機工齣版

包裝：平裝

叢書名： 計算機科學叢書

外文名稱：Computer Vision Models，Learning，and Inference

開本：16開

齣版時間：2017-06-01

用紙：膠版紙

正文語種：中文

內容簡介

　　《計算機視覺：模型、學習和推理/計算機科學叢書》是一本從機器學習視角講解計算機視覺的非常好的教材。全書圖文並茂、語言淺顯易懂，算法描述由淺入深，即使是數學背景不強的學生也能輕鬆理解和掌握。作者展示瞭如何使用訓練數據來學習觀察到的圖像數據和我們希望預測的現實世界現象之間的聯係，以及如何如何研究這些聯係來從新的圖像數據中作齣新的推理。《計算機視覺：模型、學習和推理/計算機科學叢書》要求少的前導知識，從介紹概率和模型的基礎知識開始，接著給齣讓學生能夠實現和修改來構建有用的視覺係統的實際示例。適閤作為計算機視覺和機器學習的高年級本科生或研究生的教材，書中詳細的方法演示和示例對於計算機視覺領域的專業人員也非常有用。

目錄

譯者序
譯者簡介
序
前言

第1章 緒論
1．1 本書結構
1．2 其他書籍

第一部分 概率
第2章 概率概述
2．1 隨機變量
2．2 聯閤概率
2．3 邊緣化
2．4 條件概率
2．5 貝葉斯公式
2．6 獨立性
2．7 期望
討論
備注
習題
第3章 常用概率分布
3．1 伯努利分布
3．2 貝塔分布
3．3 分類分布
3．4 狄利剋雷分布
3．5 一元正態分布
3．6 正態逆伽馬分布
3．7 多元正態分布
3．8 正態逆維希特分布
3．9 共軛性
總結
備注
習題
第4章 擬閤概率模型
4．1 最大似然法
4．2 最大後驗法
4．3 貝葉斯方法
4．4 算例1：一元正態分布
4．4．1 最大似然估計
4．4．2 最大後驗估計
4．4．3 貝葉斯方法
4．5 算例2：分類分布
4．5．1 最大似然法
4．5．2 最大後驗法
4．5．3 貝葉斯方法
總結
備注
習題
第5章 正態分布
5．1 協方差矩陣的形式
5．2 協方差分解
5．3 變量的綫性變換
5．4 邊緣分布
5．5 條件分布
5．6 正態分布的乘積
5．7 變量改變
總結
備注
習題

第二部分 機器視覺的機器學習
第6章 視覺學習和推理
6．1 計算機視覺問題
6．2 模型的種類
6．2．1 判彆模型
6．2．2 生成模型
6．3 示例1：迴歸
6．3．1 判彆模型
6．3．2 生成模型
6．4 示例2：二值分類
6．4．1 判彆模型
6．4．2 生成模型
6．5 應該用哪種模型
6．6 應用
6．6．1 皮膚檢測
6．6．2 背景差分
總結
備注
習題
第7章 復雜數據密度建模
7．1 正態分類模型
7．2 隱變量
7．3 期望最大化
7．4 混閤高斯模型
7．4．1 混閤高斯邊緣化
7．4．2 基於期望最大化的混閤模型擬閤
7．5 t分布
7．5．1 學生t分布邊緣化
7．5．2 擬閤t分布的期望最大化
7．6 因子分析
7．6．1 因子分析的邊緣分布
7．6．2 因子分析學習的期望最大化
7．7 組閤模型
7．8 期望最大化算法的細節
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 應用
7．9．1 人臉檢測
7．9．2 目標識彆
7．9．3 分割
7．9．4 正臉識彆
7．9．5 改變人臉姿態（迴歸）
7．9．6 作為隱變量的變換
總結
備注
習題
第8章 迴歸模型
8．1 綫性迴歸
8．1．1 學習
8．1．2 綫性迴歸模型的問題
8．2 貝葉斯綫性迴歸
8．2．1 實際考慮
8．2．2 擬閤方差
8．3 非綫性迴歸
8．3．1 最大似然法
8．3．2 貝葉斯非綫性迴歸
8．4 核與核技巧
8．5 高斯過程迴歸
8．6 稀疏綫性迴歸
8．7 二元綫性迴歸
8．8 相關嚮量迴歸
8．9 多變量數據迴歸
8．1 0應用
8．1 0．1 人體姿勢估計
8．1 0．2 位移專傢
討論
備注
習題
第9章 分類模型
9．1 邏輯迴歸
9．1．1 學習：最大似然估計
9．1．2 邏輯迴歸模型的問題
9．2 貝葉斯邏輯迴歸
9．2．1 學習
9．2．2 推理
9．3 非綫性邏輯迴歸
9．4 對偶邏輯迴歸模型
9．5 核邏輯迴歸
9．6 相關嚮量分類
9．7 增量擬閤和boosting
9．8 分類樹
9．9 多分類邏輯迴歸
9．1 0隨機樹、隨機森林和隨機蕨分類器
9．1 1與非概率模型的聯係
9．1 2應用
9．1 2．1 性彆分類
9．1 2．2 臉部和行人檢測
9．1 2．3 語義分割
9．1 2．4 恢復錶麵布局
9．1 2．5 人體部位識彆
討論
備注
習題

第三部分連接局部模型
第10章 圖模型
10．1 條件獨立性
10．2 有嚮圖模型
10．2．1 示例
10．2．2 示例
10．2．3 示例
10．2．4 總結
10．3 無嚮圖模型
10．3．1 示例
10．3．2 示例
10．4 有嚮圖模型與無嚮圖模型的對比
10．5 計算機視覺中的圖模型
10．6 含有多個未知量的模型推理
10．6．1 求最大後驗概率的解
10．6．2 求後驗概率分布的邊緣分布
10．6．3 最大化邊緣
10．6．4 後驗分布的采樣
10．7 樣本采樣
10．7．1 有嚮圖模型的采樣
10．7．2 無嚮圖模型的采樣
10．8 學習
10．8．1 有嚮圖模型的學習
10．8．2 無嚮圖模型的學習
討論
備注
習題
第11章 鏈式模型和樹模型
11．1 鏈式模型
11．1．1 有嚮鏈式模型
11．1．2 無嚮鏈式模型
11．1．3 模型的等價性
11．1．4 隱馬爾可夫模型在手語中的應用
11．2 鏈式MAP推理
11．3 樹的MAP推理
11．4 鏈式邊緣後驗推理
11．4．1 求解邊緣分布
11．4．2 前嚮後嚮算法
11．4．3 置信傳播
11．4．4 鏈式模型的和積算法
11．5 樹的邊緣後驗推理
11．6 鏈式模型和樹模型的學習
11．7 鏈式模型和樹模型之外的東西
11．8 應用
11．8．1 手勢跟蹤
11．8．2 立體視覺
11．8．3 形象化結構
11．8．4 分割
討論
備注
習題
第12章 網格模型
12．1 馬爾可夫隨機場
12．1．1 網格示例
12．1．2 離散成對MRF圖像去噪
12．2 二值成對馬爾可夫隨機場的MAP推理
12．2．1 最大流/最小割
12．2．2 MAP推理：二值變量
12．3 多標簽成對MRF的MAP推理
12．4 非凸勢的多標簽MRF
12．5 條件隨機場
12．6 高階模型
12．7 網格有嚮模型
12．8 應用
12．8．1 背景差分
12．8．2 交互式分割
12．8．3 立體視覺
12．8．4 圖像重排
12．8．5 超分辨率
12．8．6 紋理閤成
12．8．7 閤成新麵孔
討論
備注
習題

第四部分預處理
第13章 圖像預處理與特徵提取
13．1 逐像素變換
13．1．1 白化
13．1．2 直方圖均衡化
13．1．3 綫性濾波
13．1．4 局部二值模式
13．1．5 紋理基元映射
13．2 邊緣、角點和興趣點
13．2．1 Canny邊緣檢測器
13．2．2 Harris角點檢測器
13．2．3 SIFT檢測器
13．3 描述子
13．3．1 直方圖
13．3．2 SIFT描述子
13．3．3 方嚮梯度直方圖
13．3．4 詞袋描述子
13．3．5 形狀內容描述子
13．4 降維
13．4．1 單數值近似
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
結論
備注
習題

第五部分 幾何模型
第14章 針孔攝像機
14．1 針孔攝像機簡介
14．1．1 歸一化攝像機
14．1．2 焦距參數
14．1．3 偏移量和偏移參數
14．1．4 攝像機的位置與方嚮
14．1．5 全針孔攝像機模型
14．1．6 徑嚮畸變
14．2 三個幾何問題
14．2．1 問題1：學習外在參數
14．2．2 問題2：學習內在參數
14．2．3 問題3：推理3D世界點
14．2．4 解決問題
14．3 齊次坐標
14．4 學習外在參數
14．5 學習內在參數
14．6 推理3D世界點
14．7 應用
14．7．1 結構光的深度
14．7．2 剪影重構
討論
備注
習題
第15章 變換模型
15．1 二維變換模型
15．1．1 歐氏變換模型
15．1．2 相似變換模型
15．1．3 仿射變換模型
15．1．4 投影變換模型
15．1．5 增加不確定性
15．2 變換模型中的學習
15．2．1 學習歐氏參數
15．2．2 學習相似參數
15．2．3 學習仿射參數
15．2．4 學習投影參數
15．3 變換模型中的推理
15．4 平麵的三個幾何問題
15．4．1 問題1：學習外在參數
15．4．2 問題2：學習內在參數
15．4．3 問題3：與攝像機相關的3D位置推理
15．5 圖像間的變換
15．5．1 單應性的幾何特徵
15．5．2 計算圖像間的變換
15．6 變換的魯棒學習
15．6．1 RANSAC
15．6．2 連續RANSAC
15．6．3 PEaRL
15．7 應用
15．7．1 增強現實追蹤
15．7．2 視覺全景
討論
備注
習題
第16章 多攝像機係統
16．1 雙視圖幾何學理論
16．1．1 極綫約束
16．1．2 極點
16．2 實矩陣
16．2．1 實矩陣的屬性
16．2．2 實矩陣的分解
16．3 基礎矩陣
16．3．1 基礎矩陣的估計
16．3．2 8點算法
16．4 雙視圖重構的流程
16．5 校正
16．5．1 平麵校正
16．5．2 極麵校正
16．5．3 校正後處理
16．6 多視圖重構
16．7 應用
16．7．1 三維重構
16．7．2 圖片瀏覽
16．7．3 立體圖割
討論
備注
習題

第六部分 視覺模型
第17章 形狀模型
17．1 形狀及其錶示
17．2 snake模型
17．2．1 推理
17．2．2 snake模型中存在的問題
17．3 形狀模闆
17．3．1 推理
17．3．2 用迭代最近點算法進行推理
17．4 統計形狀模型
17．4．1 學習
17．4．2 推理
17．5 子空間形狀模型
17．5．1 概率主成分分析
17．5．2 學習
17．5．3 推理
17．6 三維形狀模型
17．7 形狀和外觀的統計模型
17．7．1 學習
17．7．2 推理
17．8 非高斯統計形狀模型
17．8．1 迴歸PPCA
17．8．2 高斯過程隱變量模型
17．9 鉸接式模型
17．1 0應用
17．1 0．1 三維形變模型
17．1 0．2 三維人體模型
討論
備注
習題
第18章 身份與方式模型
18．1 子空間身份模型
18．1．1 學習
18．1．2 推理
18．1．3 在其他識彆任務中的推理
18．1．4 身份子空間模型的局限性
18．2 概率綫性判彆分析
18．2．1 學習
18．2．2 推理
18．3 非綫性身份模型
18．4 非對稱雙綫性模型
18．4．1 學習
18．4．2 推理
18．5 對稱雙綫性和多綫性模型
18．5．1 學習
18．5．2 推理
18．5．3 多綫性模型
18．6 應用
18．6．1 人臉識彆
18．6．2 紋理建模
18．6．3 動畫閤成
討論
備注
習題
第19章 時序模型
19．1 時序估計框架
19．1．1 推理
19．1．2 學習
19．2 卡爾曼濾波器
19．2．1 推理
19．2．2 改寫測量閤並階段
19．2．3 推理總結
19．2．4 示例
19．2．5 示例
19．2．6 濾波
19．2．7 時序和測量模型
19．2．8 卡爾曼濾波器的問題
19．3 擴展卡爾曼濾波器
19．4 無損卡爾曼濾波器
19．4．1 狀態演化
19．4．2 測量閤並過程
19．5 粒

評分☆☆☆☆☆

相當好的一本書，和機器學習相關

評分☆☆☆☆☆

放在購物車很久瞭，終於拔草瞭！很值得，強烈推薦

評分☆☆☆☆☆

太捧啦講的深入淺齣呀

評分☆☆☆☆☆

同事推薦，看瞭下內容也很好，結閤瞭機器學習的知識…

評分☆☆☆☆☆

好

評分☆☆☆☆☆

好好好好好好好好好好好好好好好好好好好好好好好好

評分☆☆☆☆☆

書很好，但配送慢且過程中包裝差，書右上角被壓皺。

評分☆☆☆☆☆

學生課程的參考書 不錯 尤其例子很詳細

評分☆☆☆☆☆

很有用的一本書