简体网页||繁体网页

☆☆☆☆☆

店铺： 兰兴达图书专营店

出版社： 清华大学出版社

ISBN：9787302473671

商品编码：13112683312

YL7065

深度学习 优化与识别 +MATLAB计算机视觉与深度学习实战2本

9787302473671 9787121315503

MATLAB计算机视觉与深度学习实战内容简介《MATLAB 计算机视觉与深度学习实战》详细讲解了30个 MATLAB 计算机视觉与深度学习案例（含可运行程序），涉及雾霾去噪、答题卡自动阅卷、肺部图像分割、小波数字水印、图像检索、人脸二维码识别、车牌定位及识别、霍夫曼图像压缩、手写数字识别、英文字符文本识别、眼前节组织提取、全景图像拼接、小波图像融合、基于语音识别的音频信号模拟灯控、路面裂缝检测识别、视频运动估计追踪、Simulink 图像处理、胸片及肝脏分割、基于深度学习的汽车目标检测、基于计算机视觉的自动驾驶应用、基于深度学习的视觉场景识别等多项重要技术，涵盖了数字图像处理中几乎所有的基本模块，并延伸到了深度学习的理论及其应用方面。目录

第 1 章 基于直方图优化的图像去雾技术 1

1.1 案例背景 1

1.2 理论基础 1

1.2.1 空域图像增强 1

1.2.2 直方图均衡化 2

1.3 程序实现 3

1.3.1 设计 GUI 界面 4

1.3.2 全局直方图处理 4

1.3.3 局部直方图处理 7

1.3.4 Retinex 增强处理 9

1.4 延伸阅读 13

1.5 参考文献 13

第 2 章 基于 形态学的权重自适应图像去噪 14

2.1 案例背景 14

2.2 理论基础 15

2.2.1 图像去噪方法 15

2.2.2 数学形态学原理 16

2.2.3 权重自适应的多结构形态学去噪 16

2.3 程序实现 17

2.4 延伸阅读 22

2.5 参考文献 23

第 3 章 基于多尺度形态学提取眼前节组织 24

3.1 案例背景 24

3.2 理论基础 25

3.3 程序实现 28

3.3.1 多尺度边缘 28

3.3.2 主处理函数 29

3.3.3 形态学处理 31

3.4 延伸阅读 33

3.5 参考文献 33

第 4 章 基于 Hough 变化的答题卡识别 34

4.1 案例背景 34

4.2 理论基础 34

4.2.1 图像二值化 35

4.2.2 倾斜校正 35

4.2.3 图像分割 38

4.3 程序实现 40

4.4 延伸阅读 51

4.5 参考文献 51

第 5 章 基于阈值分割的车牌定位识别 52

5.1 案例背景 52

5.2 理论基础 52

5.2.1 车牌图像处理 53

5.2.2 车牌定位原理 57

5.2.3 车牌字符处理 57

5.2.4 字符识别 59

5.3 程序实现 61

5.4 延伸阅读 69

5.5 参考文献 69

第 6 章 基于分水岭分割进行肺癌诊断 70

6.1 案例背景 70

6.2 理论基础 70

6.2.1 模拟浸水的过程 71

6.2.2 模拟降水的过程 71

6.2.3 过度分割问题 71

6.2.4 标记分水岭分割算法 71

6.3 程序实现 72

6.4 延伸阅读 77

6.5 参考文献 78

第 7 章 基于主成分分析的人脸二维码识别 79

7.1 案例背景 79

7.2 理论基础 79

7.2.1 QR 编码简介 80

7.2.2 QR 编码译码 82

7.2.3 主成分分析方法 84

7.3 程序实现 86

7.3.1 人脸建库 86

7.3.2 人脸识别 87

7.3.3 人脸二维码 88

7.4 延伸阅读 93

7.5 参考文献 93

第 8 章 基于知识库的手写体数字识别 94

8.1 案例背景 94

8.2 理论基础 94

8.2.1 算法流程 94

8.2.2 特征提取 95

8.2.3 模式识别 96

8.3 程序实现 97

8.3.1 图像处理 97

8.3.2 特征提取 98

8.3.3 模式识别 101

8.4 延伸阅读 102

8.4.1 识别器选择 102

8.4.2 提高识别率 102

8.5 参考文献 102.........

深度学习、优化与识别内容简介

深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章，分为两个部分；*部分（第1章～10章）系统论述了理论及算法，包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等；第二部分（第11～15章）论述了常用的深度学习平台，以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用；第16章为总结与展望，给出了深度学习发展的历史图、前沿方向及*进展。每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。

本书可为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能等领域的研究人员提供参考，以及作为相关专业本科生及研究生教学参考书，同时可供深度学习及其应用感兴趣的研究人员和工程技术人员参考。

目录

第1章 深度学习基础1

1.1 数学基础2

1.1.1 矩阵论2

1.1.2 概率论3

1.1.3 优化分析5

1.1.4 框架分析6

1.2 稀疏表示8

1.2.1 稀疏表示初步8

1.2.2 稀疏模型20

1.2.3 稀疏认知学习、计算与识别的范式24

1.3 机器学习与神经网络31

1.3.1 机器学习31

1.3.2 神经网络36

       参考文献38

第2章 深度前馈神经网络41

2.1 神经元的生物机理42

2.1.1 生物机理42

2.1.2 单隐层前馈神经网络43

2.2 多隐层前馈神经网络45

2.3 反向传播算法47

2.4 深度前馈神经网络的学习范式48

       参考文献51

第3章 深度卷积神经网络54

3.1 卷积神经网络的生物机理及数学刻画55

3.1.1 生物机理55

3.1.2 卷积流的数学刻画56

3.2 深度卷积神经网络61

3.2.1 典型网络模型与框架61

3.2.2 学习算法及训练策略69

3.2.3 模型的优缺点分析71

3.3 深度反卷积神经网络73

3.3.1 卷积稀疏编码74

3.3.2 深度反卷积神经网络75

3.3.3 网络模型的性能分析与应用举例77

3.4 全卷积神经网络77

3.4.1 网络模型的数学刻画77

3.4.2 网络模型的性能分析及应用举例79

参考文献80

第4章 深度堆栈自编码网络83

4.1 自编码网络84

4.1.1 逐层学习策略84

4.1.2 自编码网络84

4.1.3 自编码网络的常见范式87

4.2 深度堆栈网络90

4.3 深度置信网络/深度玻尔兹曼机网络93

4.3.1 玻尔兹曼机/受限玻尔兹曼机93

4.3.2 深度玻尔兹曼机/深度置信网络94

       参考文献96

第5章 稀疏深度神经网络99

5.1 稀疏性的生物机理100

5.1.1 生物视觉机理100

5.1.2 稀疏性响应与数学物理描述102

5.2 稀疏深度网络模型及基本性质102

5.2.1 数据的稀疏性103

5.2.2 稀疏正则103

5.2.3 稀疏连接104

5.2.4 稀疏分类器设计106

5.2.5 深度学习中关于稀疏的技巧与策略108

5.3 网络模型的性能分析110

5.3.1 稀疏性对深度学习的影响110

5.3.2 对比实验及结果分析110

        参考文献111

第6章 深度融合网络113

6.1 深度SVM网络114

6.1.1 从神经网络到SVM114

6.1.2 网络模型的结构115

6.1.3 训练技巧117

6.2 深度PCA网络117

6.3 深度ADMM网络119

6.4 深度极限学习机121

6.4.1 极限学习机121

6.4.2 深度极限学习机123

6.5 深度多尺度几何网络125

6.5.1 深度脊波网络125

6.5.2 深度轮廓波网络127

6.6 深度森林130

6.6.1 多分辨特性融合131

6.6.2 级联特征深度处理131

       参考文献133

第7章 深度生成网络136

7.1 生成式对抗网络的基本原理137

7.1.1 网络模型的动机137

7.1.2 网络模型的数学物理描述139

7.2 深度卷积对抗生成网络141

7.2.1 网络模型的基本结构141

7.2.2 网络模型的性能分析144

7.2.3 网络模型的典型应用146

7.3 深度生成网络模型的新范式151

7.3.1 生成式对抗网络的新范式151

7.3.2 网络框架的性能分析与改进154

7.4 应用驱动下的两种新生成式对抗网络155

7.4.1 堆栈生成式对抗网络155

7.4.2 对偶学习范式下的生成式对抗网络158

7.5 变分自编码器160

        参考文献162

第8章 深度复卷积神经网络与深度二值神经网络167

8.1 深度复卷积神经网络168

8.1.1 网络模型构造的动机168

8.1.2 网络模型的数学物理描述168

8.2 深度二值神经网络172

8.2.1 网络基本结构172

8.2.2 网络的数学物理描述173

8.2.3 讨论176

        参考文献177

第9章 深度循环和递归神经网络180

9.1 深度循环神经网络181

9.1.1 循环神经网络的生物机理181

9.1.2 简单的循环神经网络181

9.1.3 深度循环神经网络的数学物理描述183

9.2 深度递归神经网络188

9.2.1 简单的递归神经网络188

9.2.2 深度递归神经网络的优势189

9.3 长短时记忆神经网络190

9.3.1 改进动机分析190

9.3.2 长短时记忆神经网络的数学分析191

9.4 典型应用192

9.4.1 深度循环神经网络的应用举例193

9.4.2 深度递归神经网络的应用举例194

       参考文献194............

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆