計算機(jī)視覺入門到實踐

第1章　計算機(jī)視覺快速入門
1.1　什么是計算機(jī)視覺
1.2　計算機(jī)視覺無處不在
1.3　入門
1.3.1　讀取圖像
1.3.2　圖像顏色轉(zhuǎn)換
1.4　計算機(jī)視覺研究的相關(guān)會議
1.5　小結(jié)
第2章　庫、開發(fā)平臺和數(shù)據(jù)集
2.1　庫及其安裝方法
2.1.1　安裝Anaconda
2.1.2　安裝OpenCV
2.1.3　用于深度學(xué)習(xí)的TensorFlow
2.1.4　用于深度學(xué)習(xí)的Keras
2.2　數(shù)據(jù)集
2.2.1　ImageNet
2.2.2　MNIST
2.2.3　CIFAR-10
2.2.4　Pascal VOC
2.2.5　MSCOCO
2.2.6　TUM RGB-D數(shù)據(jù)集
2.3　小結(jié)
參考文獻(xiàn)
第3章　OpenCV中的圖像濾波和變換
3.1　數(shù)據(jù)集和庫
3.2　圖像處理
3.3　濾波器概述
3.3.1　線性濾波器
3.3.2　非線性濾波器
3.3.3　圖像梯度
3.4　圖像變換
3.4.1　平移
3.4.2　旋轉(zhuǎn)
3.4.3　仿射變換
3.5　圖像金字塔
3.6　小結(jié)
第4章　什么是特征
4.1　特征用例
4.1.1　數(shù)據(jù)集和庫
4.1.2　為何特征如此重要
4.2　Harris角點檢測
4.2.1　FAST特征
4.2.2　ORB特征
4.2.3　黑箱特征
4.2.4　 應(yīng)用—在圖像中檢測目標(biāo)對象
4.2.5　應(yīng)用—是否相似
4.3　小結(jié)
參考文獻(xiàn)
第5章　卷積神經(jīng)網(wǎng)絡(luò)
5.1　數(shù)據(jù)集和庫
5.2　神經(jīng)網(wǎng)絡(luò)簡介
5.2.1　一個簡單的神經(jīng)網(wǎng)絡(luò)
5.3　重溫卷積運(yùn)算
5.4　卷積神經(jīng)網(wǎng)絡(luò)
5.4.1　卷積層
5.4.2　激活層
5.4.3　池化層
5.4.4　全連接層
5.4.5　批歸一化
5.4.6　退出
5.5　CNN 實踐
5.5.1　Fashion-MNIST 分類器訓(xùn)練代碼
5.5.2　CNN 分析
5.5.3　遷移學(xué)習(xí)
5.6　小結(jié)
第6章 基于特征的目標(biāo)檢測
6.1　目標(biāo)檢測概述
6.2　目標(biāo)檢測挑戰(zhàn)
6.3　數(shù)據(jù)集和庫
6.4　目標(biāo)檢測方法
6.4.1　基于深度學(xué)習(xí)的目標(biāo)檢測
6.5　小結(jié)
參考文獻(xiàn)
第7章　分割和跟蹤
7.1　數(shù)據(jù)集和庫
7.2　分割
7.2.1　分割挑戰(zhàn)
7.2.2　用于分割的CNN
7.2.3　FCN的實現(xiàn)
7.3　跟蹤
7.3.1　跟蹤挑戰(zhàn)
7.3.2　目標(biāo)跟蹤方法
7.4　小結(jié)
參考文獻(xiàn)
第8章　三維計算機(jī)視覺
8.1　數(shù)據(jù)集和庫
8.2　應(yīng)用
8.3　成像原理
8.4　圖像對齊
8.5　視覺里程計
8.6　視覺SLAM
8.7　小結(jié)
參考文獻(xiàn)
第9章　計算機(jī)視覺中的數(shù)學(xué)
9.1　數(shù)據(jù)集和庫
9.2　線性代數(shù)
9.2.1　向量
9.2.2　矩陣
9.2.3　Hessian矩陣
9.2.4　奇異值分解
9.3　概率論簡述
9.3.1　什么是隨機(jī)變量
9.3.2　期望
9.3.3　方差
9.3.4　概率分布
9.3.5　聯(lián)合分布
9.3.6　邊緣分布
9.3.7　條件分布
9.3.8　貝葉斯定理
9.4　小結(jié)
第10章　計算機(jī)視覺中的機(jī)器學(xué)習(xí)
10.1　什么是機(jī)器學(xué)習(xí)
10.2　機(jī)器學(xué)習(xí)技術(shù)分類
10.2.1　監(jiān)督式學(xué)習(xí)
10.2.2　無監(jiān)督式學(xué)習(xí)
10.3　維度災(zāi)難
10.4　機(jī)器學(xué)習(xí)的滾球視角
10.5　常用工具
10.5.1　預(yù)處理
10.5.2　后處理
10.6　評估
10.6.1　準(zhǔn)確率
10.6.2　召回率
10.6.3　F-分?jǐn)?shù)
10.7　小結(jié)