新書推薦：
《
美国小史（揭秘“美国何以成为美国”，理解美国的经典入门读物）
》
售價：NT$
380.0
《
中国古代北方民族史丛书——东胡史
》
售價：NT$
576.0
《
巨人传（插图珍藏本）
》
售價：NT$
3289.0
《
地下（村上春树沙林毒气事件的长篇纪实）
》
售價：NT$
358.0
《
偿还：债务与财富的阴暗面
》
售價：NT$
374.0
《
清华大学藏战国竹简校释（壹）：《命训》诸篇
》
售價：NT$
440.0
《
封建社会农民战争问题导论（光启文库）
》
售價：NT$
319.0
《
虚弱的反攻：开禧北伐
》
售價：NT$
429.0
|
| 內容簡介： |
图像特征处理技术是图像处理技术的一个重要分支，其广泛应用于图像分类、显著性目标计算、行人重识别、目标检测与跟踪、视觉注意力机制、图像细粒度识别和图像分割等领域。本书*章主要介绍了近年来的图像特征提取方法。第二章阐述了多种图像特征编码算法。图像分类是图像理解重要的研究方向，其任务是按照图像的内容将图像分成不同类别，本书第三章重点介绍了基于特征编码的图像分类方法。显著性目标计算核心思想是利用算法模仿人眼视觉显著性功能，目的是检测图像中吸引人视觉系统的感兴趣区域，本书第四章和第五章分别阐述了基于局部特征编码的条件随机场显著性目标计算方法和联合背景度量的自顶向下显著性目标计算方法。行人重识别技术在当今视频监控领域起着重要的作用，目的是在多个场景中辨别人的身份，本书第六章重点阐述了基于图像特征编码的行人重识别算法。目标检测与跟踪被广泛应用于真实场景中，其目的不仅是识别图像中的目标，同时还要定位目标所在图像中的位置，并提取目标的特征完成跟踪功能，本书第七章介绍了多种目标检测与跟踪方法。视觉注意力机制目的是快速有效地关注场景中的关键区域，避免背景信息对认识目标的干扰，本书第八章归纳了多种视觉注意力机制方法。图像细粒度识别与传统图像识别的不同之处在于不仅需要辨别目标的类别，同时还得区分出目标属于的具体子类别，本书第九章主要介绍了基于深度特征的图像细粒度识别方法。图像分割是图像处理的一个重要分支，其目的是对图像的像素进行分类，是一个具有挑战性的研究方向，本书第十章阐述了多种图像分割算法和机制。本书第十一章介绍了通过深度网络获取图像特征之后，如何实现甲骨文分类、烟雾识别和火焰检测任务。总之，图像特征处理技术是一个正在快速发展的研究方向，被广泛应用于多个领域。图像特征处理技术是图像处理技术的一个重要分支，其广泛应用于图像分类、显著性目标计算、行人重识别、目标检测与跟踪、视觉注意力机制、图像细粒度识别和图像分割等领域。本书*章主要介绍了近年来的图像特征提取方法。第二章阐述了多种图像特征编码算法。图像分类是图像理解重要的研究方向，其任务是按照图像的内容将图像分成不同类别，本书第三章重点介绍了基于特征编码的图像分类方法。显著性目标计算核心思想是利用算法模仿人眼视觉显著性功能，目的是检测图像中吸引人视觉系统的感兴趣区域，本书第四章和第五章分别阐述了基于局部特征编码的条件随机场显著性目标计算方法和联合背景度量的自顶向下显著性目标计算方法。行人重识别技术在当今视频监控领域起着重要的作用，目的是在多个场景中辨别人的身份，本书第六章重点阐述了基于图像特征编码的行人重识别算法。目标检测与跟踪被广泛应用于真实场景中，其目的不仅是识别图像中的目标，同时还要定位目标所在图像中的位置，并提取目标的特征完成跟踪功能，本书第七章介绍了多种目标检测与跟踪方法。视觉注意力机制目的是快速有效地关注场景中的关键区域，避免背景信息对认识目标的干扰，本书第八章归纳了多种视觉注意力机制方法。图像细粒度识别与传统图像识别的不同之处在于不仅需要辨别目标的类别，同时还得区分出目标属于的具体子类别，本书第九章主要介绍了基于深度特征的图像细粒度识别方法。图像分割是图像处理的一个重要分支，其目的是对图像的像素进行分类，是一个具有挑战性的研究方向，本书第十章阐述了多种图像分割算法和机制。本书第十一章介绍了通过深度网络获取图像特征之后，如何实现甲骨文分类、烟雾识别和火焰检测任务。总之，图像特征处理技术是一个正在快速发展的研究方向，被广泛应用于多个领域。
从下定决心写这本书到成稿历时超过半年，写作过程中得到了江西科技师范大学刘君雅老师的支持和帮助（统稿和修订），人工智能实验室的同学也都为本书的编写付出了辛勤劳动和汗水，他们是陈龙、傅婷、何敦云、何秀颖、黄志艺、彭小宝、史伟兰、王琦琦、王志鹏、温超和、徐磊、徐文山、余晗青、郑钦浩和朱强强（按姓氏拼音排序）。初稿完成之后，笔者和傅婷同学又进行了多次的修订。
|
| 目錄：
|
目录
第一章图像特征编码技术概述1
11图像特征编码技术背景及意义1
12图像特征编码方法起源与发展2
13内容总结与概括5
131图像分类5
132显著性目标检测6
133行人重识别10
14本书主要特点13
第二章图像特征提取及编码15
21图像特征15
211图像局部特征15
212颜色特征17
213纹理特征18
214协方差描述子19
22特征编码19
221基于表示的分类22
222基于约束项的分类24
223局部特征编码算法数学模型25
23常用的公共数据集29
231图像分类数据集29
232显著性目标检测数据集29
233行人重识别数据集30
24总结31
第三章码本学习与图像分类32
31发展历史32
32特征编码方法34
321矢量量化34
322稀疏编码35
323局部约束线性编码35
324码本学习方法36
33特征编码和类码本学习37
34基于特征编码及类码本学习的实验结果39
341Caltech101实验结果分析40
342Scene15和UIUC8实验结果43
343实验分析和讨论46
35总结47
第四章显著性目标计算48
41引言48
42显著性计算方法49
421自顶向下显著性方法49
422特征编码方法50
423CRF模型51
43基于局部性编码和CRF模型的显著性目标计算方法51
431编码51
432学习显著性目标模型52
433MSRAB数据集54
434Graz02数据集55
435Horse和Plane数据集58
44总结59
第五章背景度量和自顶向下模型60
51引言60
52显著性目标计算相关工作61
521背景度量方法62
522自顶向下方法63
523编码方法63
53融合背景信息和自顶向下模型的显著性目标计算方法64
531鲁棒背景度量显著性计算64
532LLC和CRF显著性目标模型65
54显著性目标计算实验结果67
541Graz02数据集68
542PASCAL VOC 2007数据集70
55总结72
第六章基于图像特征编码的行人重识别73
61引言73
62行人重识别相关工作74
621行人重识别流程75
622行人重识别方法76
623特征表示模块77
624模型学习78
63行人重识别系统框架79
631行人重识别系统框架图79
632行人检测80
633图像特征提取82
634行人重识别匹配准则84
64行人重识别实验结果85
641VIPeR数据集87
642CAVIAR4REID数据集89
643ETHZ数据集91
644i-LIDS数据集94
645校园采集数据集95
65总结100
第七章目标检测与跟踪101
71传统的目标检测与跟踪方法101
711传统的目标检测方法101
712传统的目标跟踪方法103
72基于深度学习的目标检测与跟踪105
721基于深度学习的目标检测算法105
722基于深度学习的目标跟踪算法107
73多种颜色特征提取109
74目标检测与跟踪在实际场景中的应用111
741目标检测在实际场景中的应用112
742目标跟踪在实际场景中的应用113
75实验结果分析114
76总结117
第八章视觉注意力机制119
81传统视觉注意力机制119
811视觉注意力机制119
812EncoderDecoder框架原理122
813Attention模型124
82深度视觉注意力机制126
821空间域126
822通道域127
83视觉注意力机制在目标检测识别中的应用128
831目标检测129
832缺陷检测129
833小目标检测129
84总结130
第九章图像细粒度识别131
91图像细粒度识别技术概述131
92基于强监督信息的识别模型134
921Partbased RCNN134
922Pose Normalized CNN136
923其他强监督识别模型136
93基于弱监督信息的识别模型137
931网络结构方法138
932多特征融合和损失函数优化方法139
94目标细粒度识别技术的应用140
95展望142
第十章图像分割技术143
101传统图像分割技术143
102深度学习图像分割方法148
103图像分割技术在实际场景中的应用152
104总结153
第十一章深度神经网络特征在实际场景中的应用154
111深度神经网络在甲骨文识别中的应用154
1111甲骨文研究的重要意义及研究目的154
1112甲骨文识别研究现状155
1113深度卷积神经网络在甲骨文识别上的应用156
1114基于深度卷积神经网络的甲骨文识别160
112基于深度特征的烟雾识别方法163
1121国内外研究现状及发展动态分析163
1122烟雾视频数据集171
1123烟雾识别方法171
1124检测结果分析176
113总结177
参考文献179
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
