輕松入門計算機視覺一站式指南簡單快速地理解和實現各種任務本書主要介紹了在計算機視覺的各個領域中新提出的一些方法。首先開始設置適當的Python環境來處理實際應用程序。熟悉圖像變換和濾波的概念後，詳細介紹FAST和ORB等特征檢測器，接著利用這些特征檢測器來查找類似對像。通過對卷積神經網絡的介紹，將學習如何利用Keras構建深度神經網絡，以及如何利用該網絡對Fashion-MNIST數據集進行分類。關於目標檢測，將學習一個簡單人臉檢測器的具體實現方法，以及基於TensorFlow的Faster R等

●譯者序
原書千言
第1章 計算機視覺快速入門
1.1 什麼是計算機視覺
1.2 計算機視覺無處不在
1.3 入門
1.3.1 讀取圖像
1.3.2 圖像顏色轉換
1.4 計算機視覺研究的相關會議
1.5 小結
第2章 庫、開發平臺和數據集
2.1 庫及其安裝方法
2.1.1 安裝Anaconda
2.1.2 安裝OpenCV
2.1.3 用於深度學習的TensorFlow
2.1.4 用於深度學習的Keras
2.2 數據集
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數據集
2.3 小結
參考文獻
第3章 OpenCV中的圖像濾波和變換
3.1 數據集和庫
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
3.4.3 仿射變換
3.5 圖像金字塔
3.6 小結
第4章 什麼是特征
4.1 特征用例
4.1.1 數據集和庫
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 應用——在圖像中檢測目標對像
4.2.5 應用——是否相似
4.3 小結
參考文獻
第5章 卷積神經網絡
5.1 數據集和庫
5.2 神經網絡簡介
5.2.1 一個簡單的神經網絡
5.3 重溫卷積運算
5.4 卷積神經網絡
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分類器訓練代碼
5.5.2 CNN分析
5.5.3 遷移學習
5.6 小結
第6章 基於特征的目標檢測
6.1 目標檢測概述
6.2 目標檢測挑戰
6.3 數據集和庫
6.4 目標檢測方法
6.4.1 基於深度學習的目標檢測
6.5 小結
參考文獻
第7章 分割和跟蹤
7.1 數據集和庫
7.2 分割
7.2.1 分割挑戰
7.2.2 用於分割的CNN
7.2.3 FCN的實現
7.3 跟蹤
7.3.1 跟蹤挑戰
7.3.2 目標跟蹤方法
7.4 小結
參考文獻
第8章 三維計算機視覺
8.1 數據集和庫
8.2 應用
8.3 成像原理
8.4 圖像對齊
8.5 視覺裡程計
8.6 視覺SLAM
8.7 小結
參考文獻
第9章 計算機視覺中的數學
9.1 數據集和庫
9.2 線性代數
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 什麼是隨機變量
9.3.2 期望
9.3.3 方差
9.3.4 概率分布
9.3.5 聯合分布
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
第10章 計算機視覺中的機器學習
10.1 什麼是機器學習
10.2 機器學習技術分類
10.2.1 監督式學習
10.2.2 無監督式學習
10.3 維度災難
10.4 機器學習的滾球視角
10.5 常用工具
10.5.1 預處理
10.5.2 後處理
10.6 評估
10.6.1 準確率
10.6.2 召回率
10.6.3 F-分數
10.7 小結

本書是你了解計算機視覺的一站式指南。利用Python、TensorFlow、Keras和OpenCV的功能執行圖像處理、對像檢測、特征檢測等項目。通過對卷積神經網絡的介紹，你將學習如何使用Keras構建深度神經網絡，以及如何使用它對Fashion-MNIST數據集進行分類。關於對像檢測，你將學習到使用TensorFlow實現簡單的面部檢測器，以及復雜的基於深度學習的對像檢測器（例如Faster R-CNN和SSD）的工作原理。你也將學會使用FCN模型進行語義分割，並使用DeepSORT跟蹤對像。不僅如此，你還將學習到在標準數據集上使用視覺SLAM（vSLAM）技術，例如ORB-SLAM。本書適合希望以最實際的方式理解和實現與計算機視覺和圖像處理相關的各種任務的機器學習從業人員和深度學習學習者閱讀。