新書推薦：
《
章太炎与中国的“法”（菿汉丛书）
》
售價：HK$
118.8
《
AI小科学家：人工智能创客营（创新实践篇）
》
售價：HK$
64.9
《
效率免费
》
售價：HK$
108.9
《
帝国之境：帝国主义如何塑造了现代英国
》
售價：HK$
75.9
《
颌面肌功能治疗学 原书第2版
》
售價：HK$
294.8
《
联邦建国：纹章中的瑞士史
》
售價：HK$
85.8
《
百岁人生②：从个人规划到社会长青
》
售價：HK$
74.8
《
超级肠道
》
售價：HK$
97.9
|
| 編輯推薦： |
1.双高校常州信息职业技术学院软件与大数据学院副院长撰写。
2.教材体例体现“立德树人”，满足思政育人新需求。
3.校企双元教材，教材内容体现“职业性”，满足企业岗位新需求
4.配套慕课视频
|
| 內容簡介： |
|
本书针对高职教育的特点，紧依据职业岗位需求设计建构课程内容，在覆盖基本理论的同时，强调培养学生具体的实践操作能力。本书教材内容主要包括7个单元：计算机视觉基础、图像预处理、BP神经网络、卷积神经网络、Tensorflow2.0基础、图像分类、目标检测。通过关键技术以及整体架构的学习，结合案例，要求学生了解人工智能中计算机视觉的发展状况与研究内容，掌握基本概念、基本原理，了解计算机视觉的一些经典场景应用，掌握计算机视觉开发的一般流程，初步具备计算机视觉开发的能力。
|
| 關於作者： |
|
主编曾在世界五百强企业工作多年，具有丰富的企业工作经历。曾担任第二代XX卫星通信系统等多个大型国防装备项目软件定型/鉴定测评负责人。获得信息系统项目管理师（高级），军用软件测评实验室内审员，航空军用软件测试师资格。主持编写企业标准一项，参与企业标准编制一项。参与国防”十二五”课题一项。 目前在常州信息职业技术学院从事人工智能技术服务专业相关教学和科研工作，主要讲授计算机视觉开发、数据结构、python程序设计等课程；参与编写《python程序设计》、《Docker容器技术》、《信息技术基础》等专业教材。参与软件技术专业国家教学资源库、江苏省品牌专业建设；全国职业院校技能大赛优秀指导教师、江苏省技术能手、2021年第四届江苏省百万技能人才技能竞赛岗位练兵活动暨江苏省电信与互联网行业人工智能训练师职业技能竞赛（职工组）二等奖。指导学生获2018年全国职业院校技能大赛软件测试赛项一等奖、2020年全国大学生软件测试大赛嵌入式赛项全国一等奖。
|
| 目錄：
|
目 录
第 1章初识计算机视觉1
1.1人类视觉系统1
1.2计算机视觉3
1.2.1计算机视觉的重要性3
1.2.2语义鸿沟3
1.2.3基于深度学习的计算机视觉工作原理4
1.3计算机视觉常见任务4
1.3.1图像分类5
1.3.2目标检测5
1.3.3图像分割6
1.4计算机视觉发展过程7
1.4.120世纪50年代，二维图像的分析和识别7
1.4.220世纪60年代，理解三维场景8
1.4.320世纪70年代，恢复三维结构8
1.4.420世纪80年代，基于专家系统的计算机视觉9
1.4.520世纪90年代，特征对象识别9
1.4.621世纪初，图像特征工程10
1.4.72010年至今，深度学习年代11
1.5行业应用11
1.5.1在智慧医疗领域的应用11
1.5.2在公共安全领域的应用12
1.5.3在无人机与自动驾驶领域的应用12
1.5.4在其他社会领域的应用13
1.6基础开发环境搭建13
1.6.1下载及安装Anaconda13
1.6.2使用Anaconda安装TensorFlow17
1.6.3使用Anaconda安装Opencv19
1.6.4Jupyter Notebook使用20
1.7本章小结23
第 2章TesnorFlow2.X基础24
2.1数据类型25
2.1.1数值类型25
2.1.2字符串类型29
2.1.3布尔类型30
2.1.4数值精度31
2.1.5类型转换32
2.2变量33
2.3创建张量34
2.3.1从数组、列表对象创建34
2.3.2创建全0或全1张量35
2.3.3创建已知分布的张量36
2.4索引与切片37
2.4.1索引37
2.4.2切片39
2.5维度变换40
2.5.1改变视图40
2.5.2改变维度42
2.6数学运算46
2.6.1四则常规运算46
2.6.2指数和对数运算47
2.6.3矩阵相乘运算47
2.7自动求导机制48
2.8TensorBoard 可视化组件49
2.8.1TensorBoard简介50
2.8.2TensorBoard的基本用法51
2.9keras.datasets52
2.9.1数据集加载53
2.9.2数据预处理54
2.10本章小结58
第3章 图像预处理60
3.1图像基础60
3.2图像数据解析62
3.2.1图像编码62
3.2.2图像解码65
3.3图像数据处理68
3.3.1图像缩放69
3.3.2图像翻转70
3.3.3图像旋转73
3.3.4图像色彩调整74
3.3.5图像增强77
3.4本章小结79
第4章 深度神经网络80
4.1人工神经网络（ANN）81
4.1.1生物启发81
4.1.2M-P神经元模型82
4.1.3单层感知机84
4.1.4多层感知机85
4.1.5激活函数86
4.1.6参数初始化95
4.1.7tf.keras神经网络模型构建98
4.2人工神经网络训练过程104
4.2.1前向传播104
4.2.2损失函数105
4.2.3反向传播109
4.2.4梯度下降算法109
4.2.5梯度下降优化方法111
4.2.6Epoch，Batch size，Iterations116
4.3正则化118
4.3.1L1与L2正则化118
4.3.2Dropout120
4.3.3批归一化122
4.3.4提前停止训练124
4.4实战：MNIST手写数据识别126
4.4.1数据加载128
4.4.2数据处理129
4.4.3模型构建130
4.4.4模型编译132
4.4.5模型训练132
4.4.6模型评估135
4.4.7模型保存136
4.5本章小结136
第5章 卷积神经网络138
5.1全连接神经网络VS卷积神经网络139
5.1.1全连接神经网络处理图像的不足139
5.1.2卷积神经网络的解决办法140
5.1卷积神经网络基本结构142
5.1.1输入层143
5.1.2卷积层144
5.1.3池化层144
5.1.4全连接层144
5.2卷积144
5.2.1卷积计算145
5.2.2填充（padding）146
5.2.3步长（stride）148
5.2.4多通道卷积149
5.2.5多卷积核卷积151
5.2.6特征图的大小151
5.2.7tf.keras卷积实现152
5.3池化153
5.3.1池化操作153
5.3.2tf.keras池化操作实现154
5.4LeNet-5网络构建155
5.5BatchNorm层157
5.6常见卷积神经网络模型159
5.6.1AlexNet159
5.6.2VGGNet160
5.6.3GoogLeNet163
5.7实战：花朵识别165
5.7.1前期工作166
5.7.2数据预处理167
5.7.3构建CNN模型169
5.7.4编译模型171
5.7.5训练模型171
5.7.6评估模型171
5.8本章小结172
第6章图像分类与迁移学习174
6.1图像分类概述175
6.2实战：自定义网络实现猫狗大战176
6.2.1数据集加载176
6.2.2数据预处理177
6.2.3自定义网络模型178
6.2.4编译模型180
6.2.5训练模型180
6.2.6可视化训练结果180
6.2.7数据增强181
6.3迁移学习182
6.4使用迁移学习实现猫狗大战184
6.4.1实例化InceptionV3185
6.4.2为模型添加新的层185
6.4.3编译模型186
6.4.4训练模型186
6.5TensorFlow Hub介绍187
6.6使用TensorFlow Hub进行花卉分类188
6.6.1下载数据188
6.6.2创建数据集189
6.6.3使数据适应模型189
6.6.4建立模型190
6.6.5训练与评估191
6.7本章小结193
第7章目标检测194
7.1目标检测的基本概念195
7.2目标检测常用数据集和标注工具196
7.3目标检测常用技术199
7.3.1边界框（Bounding box）199
7.3.2数据表示203
7.3.3效果评估203
7.4常用网络类型203
7.4.1R-CNN系列204
7.4.2YOLO系列207
7.5人脸识别211
7.5.1MTCNN工作原理212
7.5.2FaceNet216
7.5.3人脸检测实践219
7.6目标检测案例（YOLOv3）224
7.6.1YOLOv3模型结构和工作流程224
7.6.2YOLOv3应用实践227
7.6.3YOLOv3核心功能代码235
7.6.4采用YOLOv3源码实现目标检测238
7.7本章小结242
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
