| | | | 卷積神經網絡與計算機視覺 [澳] 薩爾曼·汗（Salman Khan）等 卷 | | 該商品所屬分類：圖書 -> 機械工業出版社 | | 【市場價】 | 817-1184元 | | 【優惠價】 | 511-740元 | | 【作者】 | 薩爾曼·汗（Salman | | 【出版社】 | 機械工業出版社 | | 【ISBN】 | 9787111622888 | | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品
一次購物滿2000元台幣95折+免運費+贈品
一次購物滿3000元台幣92折+免運費+贈品
一次購物滿4000元台幣88折+免運費+贈品
| | 【本期贈品】 | ①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾
|
|
| 版本 | 正版全新電子版PDF檔 | | 您已选择： | 正版全新 | 溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。
*. 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。
*. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。 | | | |
| | 內容介紹 | |
店鋪：機械工業出版社官方旗艦店 出版社：機械工業出版社 ISBN：9787111622888 商品編碼：10026499360927 品牌：機械工業出版社（CMP） 頁數：200 字數：90000 審圖號：9787111622888 作者：薩爾曼·汗（Salman
" 
商品參數
| 商品基本信息 | | 商品名稱： | 卷積神經網絡與計算機視覺 | | 作者： | [澳] 薩爾曼·汗（Salman Khan）等 | | 市場價： | 99.00 | | ISBN號： | 9787111622888 | | 版次： | 1-1 | | 出版日期： | 1900-01 | | 頁數： | 184 | | 字數： | 90 | | 出版社： | 機械工業出版社 |
內容介紹
| 內容簡介 | 本書自成一體，如果你既想了解CNN的原理，又想獲得將CNN應用於計算機視覺的一手經驗，那麼本書將非常適合閱讀。書中對CNN進行了全面介紹，首先是神經網絡的基本概念：訓練、正則化和優化。然後討論了各種各樣的損失函數、網絡層和流行的CNN架構，回顧了評價CNN的不同技術，並介紹了一些常用的CNN工具和庫。此外，本書還分析了CNN在計算機視覺中的應用案例，包括圖像分類、對像檢測、語義分割、場景理解和圖像生成。
|
目錄
| 目錄 | 譯者序
前言
致謝
作者簡介
*1章簡介
1*1什麼是計算機視覺
1*1*1應用案例
1*1*2圖像處理與計算機視覺
1*2什麼是機器學習
1*2*1為什麼需要深度學習
1*3本書概覽
*2章特征和分類器
2*1特征和分類器的重要性
2*1*1特征
2*1*2分類器
2*2傳統特征描述符
2*2*1方向梯度直方圖
2*2*2尺度不變特征變換
2*2*3加速健壯特征
2*2*4傳統的手工工程特征的局限性
2*3機器學習分類器
2*3*1支持向量機
2*3*2隨機決策森林
2*4總結
第3章神經網絡基礎
3*1引言
3*2多層感知機
3*2*1基礎架構
3*2*2參數學習
3*3循環神經網絡
3*3*1基礎架構
3*3*2參數學習
3*4與生物視覺的關聯
3*4*1生模型
3*4*的計算模型
3*4*3人與生
第4章卷積神經網絡
4*1引言
4*2神經網絡層
4*2*1預處理
4*2*2卷積層
4*2*3池化層
4*2*4非線性
4*2*5全連接層
4*2*6轉置卷積層
4*2*7感興趣區域的池化層
4*2*8空間金字塔池化層
4*2*9局部特征聚合描述符層
4*2*10空間變換層
4*3CNN損失函數
4*3*1交叉熵損失函數
4*3*2SVM鉸鏈損失函數
4*3*3平方鉸鏈損失函數
4*3*4歐幾裡得損失函數
4*3*51誤差
4*3*6對比損失函數
4*3*7期望損失函數
4*3*8結構相似性度量
第5章CNN學習
5*1權重初始化
5*1*1高斯隨機初始化
5*1*2均勻隨機初始化
5*1*3正交隨機初始化
5*1*4無監督的預訓練
5*1*5澤維爾(Xavier)初始化
5*1*6ReLU敏感的縮放初始化
5*1*7層序單位方差
5*1*8有監督的預訓練
5*2CNN的正則化
5*2*1數據增強
5*2*2隨機失活
5*2*3隨機失連
5*2*4批量歸一化
5*2*5集成模型平均
5*2*62正則化
5*2*71正則化
5*2*8彈性網正則化
5*2*9*大範數約束
5*2*10早停
5*3基於梯度的CNN學習
5*3*1批量梯度下降
5*3*2隨機梯度下降
5*3*3小批量梯度下降
5*4神經網絡優化器
5*4*1動量
5*4*2涅斯捷羅夫動量
5*4*3自適應梯度
5*4*4自適應增量
5*4*5RMSprop
5*4*6自適應矩估計
5*5CNN中的梯度計算
5*5*1分析微分法
5*5*2數值微分法
5*5*3符號微分法
5*5*4自動微分法
5*6通過可視化理解CNN
5*6*1可視化學習的權重
5*6*2可視化激活
5*6*3基於梯度的可視化
第6章CNN架構的例子
6*1LeNet
6*2AlexNet
6*3NiN
6*4VGGnet
6*5GoogleNet
6*6ResNet
6*7ResNeXt
6*8FractalNet
6*9DenseNet
第7章CNN在計算機視覺中的應用
7*1圖像分類
7*1*1PointNet
7*2目標檢測與定位
7*2*1基於區域的CNN
7*2*2快速R*CNN
7*2*3區域建議網絡
7*3語義分割
7*3*1全卷積網絡
7*3*2深度反卷積網絡
7*3*3DeepLab
7*4場景理解
7*4*1DeepContext
7*4*2從RGB*D圖像中學習豐富的特征
7*4*3用於場景理解的PointNet
7*5圖像生成
7*5*1生成對抗網絡
7*5*2深度卷積生成對抗網絡
7*5*3超分辨率生成對抗網絡
7*6基於視頻的動作識別
7*6*1靜止視頻幀的動作識別
7*6*2雙流CNN
7*6*3長期遞歸卷積網絡
第8章深度學習工具和庫
8*1Caffe
8*2TensorFlow
8*3MatConvNet
8*4Torch7
8*5Theano
8*6Keras
8*7Lasagne
8*8Marvin
8*9Chainer
8*10PyTorch
第9章結束語
9*1本書概要
9*2未來研究方向
術語表
參考文獻
|
" | | |
| | | | |
|
