简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 深度学习
• MATLAB
• 计算机视觉
• 图像识别
• 优化算法
• 实战
• 机器学习
• 模式识别
• 人工智能
• 包邮

店铺： 兰兴达图书专营店

出版社： 清华大学出版社

ISBN：9787302473671

商品编码：13112683312

YL7065

深度学习 优化与识别 +MATLAB计算机视觉与深度学习实战2本

9787302473671 9787121315503

MATLAB计算机视觉与深度学习实战内容简介《MATLAB 计算机视觉与深度学习实战》详细讲解了30个 MATLAB 计算机视觉与深度学习案例（含可运行程序），涉及雾霾去噪、答题卡自动阅卷、肺部图像分割、小波数字水印、图像检索、人脸二维码识别、车牌定位及识别、霍夫曼图像压缩、手写数字识别、英文字符文本识别、眼前节组织提取、全景图像拼接、小波图像融合、基于语音识别的音频信号模拟灯控、路面裂缝检测识别、视频运动估计追踪、Simulink 图像处理、胸片及肝脏分割、基于深度学习的汽车目标检测、基于计算机视觉的自动驾驶应用、基于深度学习的视觉场景识别等多项重要技术，涵盖了数字图像处理中几乎所有的基本模块，并延伸到了深度学习的理论及其应用方面。目录

第 1 章 基于直方图优化的图像去雾技术 1

1.1 案例背景 1

1.2 理论基础 1

1.2.1 空域图像增强 1

1.2.2 直方图均衡化 2

1.3 程序实现 3

1.3.1 设计 GUI 界面 4

1.3.2 全局直方图处理 4

1.3.3 局部直方图处理 7

1.3.4 Retinex 增强处理 9

1.4 延伸阅读 13

1.5 参考文献 13

第 2 章 基于 形态学的权重自适应图像去噪 14

2.1 案例背景 14

2.2 理论基础 15

2.2.1 图像去噪方法 15

2.2.2 数学形态学原理 16

2.2.3 权重自适应的多结构形态学去噪 16

2.3 程序实现 17

2.4 延伸阅读 22

2.5 参考文献 23

第 3 章 基于多尺度形态学提取眼前节组织 24

3.1 案例背景 24

3.2 理论基础 25

3.3 程序实现 28

3.3.1 多尺度边缘 28

3.3.2 主处理函数 29

3.3.3 形态学处理 31

3.4 延伸阅读 33

3.5 参考文献 33

第 4 章 基于 Hough 变化的答题卡识别 34

4.1 案例背景 34

4.2 理论基础 34

4.2.1 图像二值化 35

4.2.2 倾斜校正 35

4.2.3 图像分割 38

4.3 程序实现 40

4.4 延伸阅读 51

4.5 参考文献 51

第 5 章 基于阈值分割的车牌定位识别 52

5.1 案例背景 52

5.2 理论基础 52

5.2.1 车牌图像处理 53

5.2.2 车牌定位原理 57

5.2.3 车牌字符处理 57

5.2.4 字符识别 59

5.3 程序实现 61

5.4 延伸阅读 69

5.5 参考文献 69

第 6 章 基于分水岭分割进行肺癌诊断 70

6.1 案例背景 70

6.2 理论基础 70

6.2.1 模拟浸水的过程 71

6.2.2 模拟降水的过程 71

6.2.3 过度分割问题 71

6.2.4 标记分水岭分割算法 71

6.3 程序实现 72

6.4 延伸阅读 77

6.5 参考文献 78

第 7 章 基于主成分分析的人脸二维码识别 79

7.1 案例背景 79

7.2 理论基础 79

7.2.1 QR 编码简介 80

7.2.2 QR 编码译码 82

7.2.3 主成分分析方法 84

7.3 程序实现 86

7.3.1 人脸建库 86

7.3.2 人脸识别 87

7.3.3 人脸二维码 88

7.4 延伸阅读 93

7.5 参考文献 93

第 8 章 基于知识库的手写体数字识别 94

8.1 案例背景 94

8.2 理论基础 94

8.2.1 算法流程 94

8.2.2 特征提取 95

8.2.3 模式识别 96

8.3 程序实现 97

8.3.1 图像处理 97

8.3.2 特征提取 98

8.3.3 模式识别 101

8.4 延伸阅读 102

8.4.1 识别器选择 102

8.4.2 提高识别率 102

8.5 参考文献 102.........

深度学习、优化与识别内容简介

深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章，分为两个部分；*部分（第1章～10章）系统论述了理论及算法，包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等；第二部分（第11～15章）论述了常用的深度学习平台，以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用；第16章为总结与展望，给出了深度学习发展的历史图、前沿方向及*进展。每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。

本书可为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能等领域的研究人员提供参考，以及作为相关专业本科生及研究生教学参考书，同时可供深度学习及其应用感兴趣的研究人员和工程技术人员参考。

目录

第1章 深度学习基础1

1.1 数学基础2

1.1.1 矩阵论2

1.1.2 概率论3

1.1.3 优化分析5

1.1.4 框架分析6

1.2 稀疏表示8

1.2.1 稀疏表示初步8

1.2.2 稀疏模型20

1.2.3 稀疏认知学习、计算与识别的范式24

1.3 机器学习与神经网络31

1.3.1 机器学习31

1.3.2 神经网络36

       参考文献38

第2章 深度前馈神经网络41

2.1 神经元的生物机理42

2.1.1 生物机理42

2.1.2 单隐层前馈神经网络43

2.2 多隐层前馈神经网络45

2.3 反向传播算法47

2.4 深度前馈神经网络的学习范式48

       参考文献51

第3章 深度卷积神经网络54

3.1 卷积神经网络的生物机理及数学刻画55

3.1.1 生物机理55

3.1.2 卷积流的数学刻画56

3.2 深度卷积神经网络61

3.2.1 典型网络模型与框架61

3.2.2 学习算法及训练策略69

3.2.3 模型的优缺点分析71

3.3 深度反卷积神经网络73

3.3.1 卷积稀疏编码74

3.3.2 深度反卷积神经网络75

3.3.3 网络模型的性能分析与应用举例77

3.4 全卷积神经网络77

3.4.1 网络模型的数学刻画77

3.4.2 网络模型的性能分析及应用举例79

参考文献80

第4章 深度堆栈自编码网络83

4.1 自编码网络84

4.1.1 逐层学习策略84

4.1.2 自编码网络84

4.1.3 自编码网络的常见范式87

4.2 深度堆栈网络90

4.3 深度置信网络/深度玻尔兹曼机网络93

4.3.1 玻尔兹曼机/受限玻尔兹曼机93

4.3.2 深度玻尔兹曼机/深度置信网络94

       参考文献96

第5章 稀疏深度神经网络99

5.1 稀疏性的生物机理100

5.1.1 生物视觉机理100

5.1.2 稀疏性响应与数学物理描述102

5.2 稀疏深度网络模型及基本性质102

5.2.1 数据的稀疏性103

5.2.2 稀疏正则103

5.2.3 稀疏连接104

5.2.4 稀疏分类器设计106

5.2.5 深度学习中关于稀疏的技巧与策略108

5.3 网络模型的性能分析110

5.3.1 稀疏性对深度学习的影响110

5.3.2 对比实验及结果分析110

        参考文献111

第6章 深度融合网络113

6.1 深度SVM网络114

6.1.1 从神经网络到SVM114

6.1.2 网络模型的结构115

6.1.3 训练技巧117

6.2 深度PCA网络117

6.3 深度ADMM网络119

6.4 深度极限学习机121

6.4.1 极限学习机121

6.4.2 深度极限学习机123

6.5 深度多尺度几何网络125

6.5.1 深度脊波网络125

6.5.2 深度轮廓波网络127

6.6 深度森林130

6.6.1 多分辨特性融合131

6.6.2 级联特征深度处理131

       参考文献133

第7章 深度生成网络136

7.1 生成式对抗网络的基本原理137

7.1.1 网络模型的动机137

7.1.2 网络模型的数学物理描述139

7.2 深度卷积对抗生成网络141

7.2.1 网络模型的基本结构141

7.2.2 网络模型的性能分析144

7.2.3 网络模型的典型应用146

7.3 深度生成网络模型的新范式151

7.3.1 生成式对抗网络的新范式151

7.3.2 网络框架的性能分析与改进154

7.4 应用驱动下的两种新生成式对抗网络155

7.4.1 堆栈生成式对抗网络155

7.4.2 对偶学习范式下的生成式对抗网络158

7.5 变分自编码器160

        参考文献162

第8章 深度复卷积神经网络与深度二值神经网络167

8.1 深度复卷积神经网络168

8.1.1 网络模型构造的动机168

8.1.2 网络模型的数学物理描述168

8.2 深度二值神经网络172

8.2.1 网络基本结构172

8.2.2 网络的数学物理描述173

8.2.3 讨论176

        参考文献177

第9章 深度循环和递归神经网络180

9.1 深度循环神经网络181

9.1.1 循环神经网络的生物机理181

9.1.2 简单的循环神经网络181

9.1.3 深度循环神经网络的数学物理描述183

9.2 深度递归神经网络188

9.2.1 简单的递归神经网络188

9.2.2 深度递归神经网络的优势189

9.3 长短时记忆神经网络190

9.3.1 改进动机分析190

9.3.2 长短时记忆神经网络的数学分析191

9.4 典型应用192

9.4.1 深度循环神经网络的应用举例193

9.4.2 深度递归神经网络的应用举例194

       参考文献194............

深度学习在计算机视觉领域的应用探索与实践 深度学习，作为当前人工智能领域最炙手可热的技术之一，正以前所未有的速度改变着我们与数字世界的互动方式。在计算机视觉这个与人类感知能力息息相关的领域，深度学习的崛起更是带来了革命性的突破。它模拟人脑神经网络的结构和学习机制，使得计算机能够像人一样“看懂”图像和视频，从而在诸多应用场景中展现出惊人的性能。 本书旨在深入浅出地探讨深度学习在计算机视觉领域的理论基础、核心技术以及前沿应用，并结合MATLAB这一强大的工程计算和可视化平台，为读者提供一套完整的实践指导。我们将从深度学习的基本概念入手，逐步深入到卷积神经网络（CNN）、循环神经网络（RNN）等关键模型，并阐述它们在图像分类、目标检测、语义分割、人脸识别等经典计算机视觉任务中的应用原理与实现细节。 第一部分：深度学习基础与优化策略 在计算机视觉领域，原始的图像数据往往具有高维度、非线性和冗余性等特点，传统的图像处理方法在面对复杂的视觉任务时显得力不从心。深度学习的出现，为解决这些难题提供了全新的思路。 1. 深度学习的基石：神经网络理论 我们将首先回顾神经网络的基本原理，包括神经元模型、激活函数、前向传播与反向传播算法。理解这些基础概念是掌握深度学习模型的关键。我们将详细解释反向传播算法如何通过梯度下降优化模型参数，使得网络能够从大量数据中学习到有用的特征表示。 2. 卷积神经网络（CNN）：视觉的“眼睛” 卷积神经网络是深度学习在计算机视觉领域最成功的模型之一。本书将详细剖析CNN的架构，重点讲解卷积层、池化层、全连接层等核心组件的作用。我们将解释卷积核如何提取图像的局部特征，池化层如何降低特征维度并增强模型的鲁棒性，以及全连接层如何将提取到的高层特征映射到最终的分类结果。 卷积层（Convolutional Layer）： 深入探讨不同类型的卷积核（例如，3x3, 5x5），感受野的概念，以及如何通过多层卷积来捕获更抽象、更高级的图像特征。我们将分析步长（stride）和填充（padding）对卷积输出的影响。 池化层（Pooling Layer）： 介绍最大池化（Max Pooling）和平均池化（Average Pooling）的区别与优劣，以及它们在减小模型尺寸、防止过拟合方面的重要作用。 激活函数（Activation Function）： 讨论ReLU、Sigmoid、Tanh等常用激活函数的特性，以及它们在引入非线性、加速模型收敛中的关键作用。 批量归一化（Batch Normalization）： 讲解批量归一化层如何稳定训练过程，加速收敛，并缓解梯度消失/爆炸问题。 3. 深度学习模型的优化与改进 训练一个高性能的深度学习模型并非易事，需要精心的优化策略。本书将重点介绍以下几个方面： 损失函数（Loss Function）： 探讨交叉熵损失、均方误差损失等常用损失函数，并解释它们如何衡量模型预测值与真实值之间的差异。 优化器（Optimizer）： 详细讲解SGD、Adam、RMSprop等经典和现代优化器的算法原理，以及它们在调整学习率、加速收敛方面的不同策略。我们将分析动量（momentum）在加速优化过程中的作用。 正则化技术（Regularization Techniques）： 介绍L1、L2正则化，Dropout等常用正则化方法，以及它们如何防止模型过拟合，提高泛化能力。 模型调优与超参数选择： 讨论学习率衰减、早停法（early stopping）等模型训练过程中的关键技巧，以及如何通过网格搜索、随机搜索等方法来寻找最优的超参数组合。 数据增强（Data Augmentation）： 阐述如何通过旋转、翻转、裁剪、色彩抖动等数据增强技术来扩充训练数据集，提高模型的鲁棒性和泛化能力。 第二部分：计算机视觉核心任务与MATLAB实践 在掌握了深度学习的基础理论和优化策略后，我们将把目光聚焦于计算机视觉领域的几个核心任务，并结合MATLAB这一强大的工具，带领读者进行实战演练。MATLAB凭借其丰富的工具箱和易于使用的语法，为深度学习模型的开发和实验提供了极大的便利。 1. 图像分类：让机器识别“这是什么” 图像分类是计算机视觉中最基本也是最重要的任务之一。我们将介绍如何利用CNN模型（如AlexNet, VGG, ResNet）来解决图像分类问题。 经典数据集介绍： 简要介绍ImageNet、CIFAR-10等常用的图像分类数据集。 迁移学习（Transfer Learning）： 讲解如何利用预训练模型来加速模型的训练，尤其是在数据量有限的情况下。我们将演示如何在MATLAB中加载预训练模型，并对其进行微调（fine-tuning）。 MATLAB实现： 提供详细的MATLAB代码示例，演示如何构建、训练和评估一个图像分类模型，包括数据加载、模型定义、训练循环、性能评估等。 2. 目标检测：定位并识别“图像中的物体” 目标检测的任务不仅要识别图像中的物体，还要在图像中框出物体的位置。我们将介绍Faster R-CNN、YOLO（You Only Look Once）、SSD（Single Shot MultiBox Detector）等经典的目标检测算法。 区域建议网络（Region Proposal Network - RPN）： 讲解RPN在Faster R-CNN中的作用，如何生成潜在的目标候选框。 锚框（Anchor Boxes）： 介绍锚框机制在目标检测中的应用，如何有效地处理不同尺寸和长宽比的目标。 单阶段与双阶段检测器： 对比单阶段（如YOLO, SSD）和双阶段（如Faster R-CNN）目标检测器的原理、优缺点以及速度与精度的权衡。 MATLAB实现： 通过MATLAB代码示例，演示如何利用预训练的目标检测模型进行推理，以及如何构建和训练一个简单的目标检测模型。 3. 图像分割：区分图像中的不同区域 图像分割是将图像划分为具有语义意义的区域。我们将探讨语义分割（Semantic Segmentation）和实例分割（Instance Segmentation）。 全卷积网络（Fully Convolutional Networks - FCN）： 介绍FCN如何将传统的分类网络转化为分割网络，以及上采样（upsampling）和跳跃连接（skip connections）在恢复空间信息中的作用。 U-Net架构： 讲解U-Net在医学图像分割等领域的成功应用，以及其独特的“U”形结构。 实例分割： 简要介绍Mask R-CNN等模型，如何同时实现目标检测和像素级的分割。 MATLAB实现： 提供MATLAB代码示例，演示如何进行图像的语义分割，包括数据准备、模型构建和结果可视化。 4. 人脸识别与检测：理解“谁是谁” 人脸识别是计算机视觉领域一个备受关注的应用。我们将介绍人脸检测（找到人脸的位置）和人脸识别（判断人脸的身份）的技术。 人脸检测算法： 介绍Haar Cascades、HOG+SVM、MTCNN等常用的人脸检测方法。 人脸特征提取： 探讨如何从人脸图像中提取具有区分度的高维特征，例如利用CNN模型提取人脸嵌入（face embedding）。 人脸匹配： 介绍余弦相似度、欧氏距离等常用的度量方式来比较人脸特征，实现人脸识别。 MATLAB实现： 通过MATLAB代码演示人脸检测和基本的特征提取，为进一步的人脸识别应用打下基础。 5. 其他前沿应用与未来展望 本书还将简要介绍深度学习在计算机视觉领域的其他热门应用，如图像生成（GANs）、视频分析、三维重建等，并对未来发展趋势进行展望，包括模型压缩、联邦学习、自监督学习等。 总结 本书通过理论讲解与MATLAB实践相结合的方式，系统地梳理了深度学习在计算机视觉领域的核心概念、关键技术和实际应用。我们希望本书能够帮助读者建立起扎实的理论基础，掌握实用的编程技能，从而能够独立地解决实际的计算机视觉问题，并在这个快速发展的领域中不断探索和创新。无论您是初学者还是有一定基础的研究者，相信本书都能为您提供宝贵的学习资源。

评分☆☆☆☆☆

我对这套书的组合方式感到非常满意，它提供了一个学习深度学习和计算机视觉的完整路径。《包邮 深度学习 优化与识别》听起来像是深度学习的核心原理和方法论的讲解，而《MATLAB计算机视觉与深度学习实战》则提供了一个具体的实践平台。我设想，前者会深入剖析深度学习模型是如何工作的，特别是它在“优化”上的侧重点，让我理解如何调整模型的参数、结构，以及使用各种正则化技术来防止过拟合，从而提升模型的“识别”能力。我希望它能解答我的一些疑问，比如为什么某些损失函数更适合特定的任务，如何有效地利用梯度下降来更新模型权重，以及在面对大规模数据集时，如何进行高效的训练。同时，我也非常期待它能讲解一些前沿的优化技术，比如知识蒸馏、迁移学习等，这些技术对于在有限的资源下提升模型性能至关重要。这本书的“识别”部分，我猜测会涵盖各种基于深度学习的识别任务，例如人脸识别、语音识别、文本识别等，并能提供通用的解决方案框架。这样的理论基础，加上MATLAB这个强大的工具，我想我一定能很快地将学到的知识应用到实际项目中，解决实际问题。

评分☆☆☆☆☆

当我看到这套书的名字时，就觉得它非常“接地气”，尤其《MATLAB计算机视觉与深度学习实战》这个标题，充满了实践的导向性。作为一名正在学习计算机视觉和深度学习的学生，我深知理论知识固然重要，但更关键的是能够将这些理论知识转化为实际的动手能力。MATLAB作为一款强大的工程计算软件，在学术界和工业界都有着广泛的应用，而将其与计算机视觉和深度学习结合，无疑为我们提供了一个绝佳的学习和研究平台。我期待这本书能够提供详细的MATLAB代码示例，指导我们如何利用MATLAB来实现各种经典的计算机视觉算法，例如图像处理、特征提取、目标检测、图像分割等，并且如何将深度学习模型集成到这些流程中。更重要的是，我希望书中能够涵盖一些具有挑战性的实战项目，让我们能够通过亲手实践，加深对理论知识的理解，并解决实际问题。例如，通过MATLAB实现一个简单的图像分类器，或者一个目标跟踪系统。我相信，通过这样的实战练习，我能够更快地掌握将深度学习技术应用于计算机视觉领域的各项技能，并为未来的研究和工作打下坚实的基础。

评分☆☆☆☆☆

这套书给我一种“全面掌握”的学习体验。《包邮 深度学习 优化与识别》的标题就非常有吸引力，它直击了深度学习中最核心也是最具挑战性的两个方面：优化和识别。我理解这本书会深入讲解如何让深度学习模型变得更“优”，也就是如何提高模型的训练效率、泛化能力和鲁棒性。我非常期待它能详细介绍各种优化算法，比如动量法、Adam、RMSprop等等，以及它们背后的数学原理和适用场景。同时，我也希望它能深入探讨如何解决训练过程中遇到的各种问题，例如梯度消失、梯度爆炸、局部最优解等，并提供有效的解决方案。而“识别”部分，我猜想这本书会涵盖各种常见的识别任务，例如图像分类、物体检测、语义分割、人脸识别等，并能提供基于深度学习的解决方案。更重要的是，我希望能从中学习到如何构建、训练和评估这些模型，并且能够了解不同模型在不同任务上的优劣。我期望这本书能够提供清晰的逻辑框架和丰富的案例，让我能够循序渐进地掌握深度学习的核心技术，并能将这些技术应用到实际的计算机视觉问题中。

评分☆☆☆☆☆

这套书的组合真的太吸引人了！作为一名初学者，我一直对深度学习在计算机视觉领域的应用充满好奇，但又常常被那些晦涩难懂的理论所吓倒。而这本《包邮 深度学习 优化与识别》直接点出了“优化与识别”，这不正是深度学习的核心应用吗？我理解这本书应该会非常务实地讲解如何通过各种优化技巧，让深度学习模型在图像识别任务上达到更好的效果。我特别期待它能深入浅出地介绍那些常用的优化算法，比如SGD、Adam、RMSprop等等，并且能解释它们为什么有效，以及在什么场景下选择哪种优化器。同时，“识别”这个词也让我对接下来的内容充满期待，希望书中能够涵盖各种经典的图像识别任务，例如物体检测、图像分类、人脸识别等等，并能提供具体的实现思路和代码示例。我更看重的是那种能够“动手实践”的知识，而不是纯粹的理论堆砌。如果书中能结合实际数据集，一步步地指导读者完成一个完整的识别项目，那就再好不过了。我已经迫不及待想知道，如何将这些优化技术应用到实际的图像识别问题中，解决那些让初学者头疼的过拟合、欠拟合等问题，最终训练出一个高精度、泛化能力强的模型。这本书的封面设计也给人一种专业且充满科技感的感觉，让我对接下来的学习充满信心。

评分☆☆☆☆☆

这套书给我一种“理论与实践并重”的惊喜感。特别是《MATLAB计算机视觉与深度学习实战》这本，简直就是为我量身定做的！我一直对MATLAB这个平台在科学计算和工程领域的强大能力有所耳闻，但一直没有机会深入接触它在计算机视觉和深度学习中的应用。我想这本书会非常有价值，因为它能让我直接上手，用一个非常强大的工具来学习和实践。我期待书中能够详细讲解如何在MATLAB环境中搭建深度学习网络，比如如何使用它的深度学习工具箱来定义网络层、加载数据、训练模型，以及进行评估。更重要的是，“实战”二字让我对接下来的内容充满想象。我希望书中能涵盖一些实际的计算机视觉项目，例如图像的预处理、特征提取、图像增强、目标跟踪，甚至是视频分析等。更具体地说，我希望能看到如何利用MATLAB来实现一些经典的深度学习模型，比如CNN在图像分类中的应用，或者YOLO、Faster R-CNN等模型在物体检测中的实现。我相信，通过MATLAB这样一个成熟的平台，学习这些复杂的算法会变得更加直观和易于理解，能够让我更快地从理论转化为实践，并能看到立竿见影的效果。这对于我来说，绝对是一个快速入门并掌握相关技能的绝佳机会。