計算機視覺與深度學習實戰：以MATLAB、Python為工具 ( 簡體 字) |
| 作者：劉衍琦,詹福宇,王德建 | 類別：1. -> 教材 -> 數位影像處理
2. -> 工程繪圖與工程計算 -> Matlab
3. -> 程式設計 -> Python |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 51968
詢問書籍請說出此書號！【缺書】
NT售價： 545 元 |
| 出版日：10/1/2019 |
| 頁數：496 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121374838 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：計算機視覺（Computer Vision，CV）主要研究如何用圖像采集設備和計算機軟件代替人眼對物體進行分類識別、目標跟蹤和視覺分析等應用。深度學習則源自經典的神經網絡架構，屬于機器學習領域，它通過不同形式的神經網絡，結合視覺大數據的大規模存量與不斷產生的增量進行訓練，自動提取細粒度的特征并組合粗粒度的特征，形成抽象化的視覺描述，在視覺分析方面取得很大的進步，是當前人工智能爆發性發展的內核驅動。隨著大數據及人工智能技術的不斷發展，計算機視覺以其可視性、規模性、普適性逐步成為AI落地應用的關鍵領域之一，在理論研究和工程應用上均迅猛發展。
MATLAB是MathWorks公司推出的一款用于科學計算和工程仿真的交互式編程軟件，近幾年已經發展成為集數值分析、數學建模、圖像處理、控制系統、信號處理、經濟金融、計算生物學、動態仿真等于一體的科學工程軟件。Python是一種解釋型、面向對象、動態數據類型的高級程序設計語言，具有易學習、易拓展、跨平臺等優點，被廣泛應用于Web開發、網絡爬蟲、數據分析、人工智能等領域，是當前主流的編程語言之一。
自電子計算機誕生以來，通過計算機仿真來模擬人類的視覺便成為非常熱門且頗具挑戰性的研究課題。隨著數碼相機、智能手機等硬件設備的普及，圖像以其易于采集、信息相關性多、抗干擾能力強的特點得到越來越廣泛的應用。信息化和數字化時代已經來臨，隨著國家對人工智能領域的投入力度加大，計算機視覺處理的需求量也會越來越大，應用也將越來越廣泛。
通過計算機視覺處理工具箱可為用戶提供諸如圖像變換、圖像增強、圖像特征檢測、圖像復原、圖像分割、圖像去噪、圖像配準、視頻處理、深度學習等功能研發的技術支撐。同時，借助MATLAB、Python方便的編程及調試技巧，用戶可根據需要進一步拓展計算機視覺處理工具箱，實現定制的業務需求。
本書目的
本書以案例的形式展現，力求為讀者提供更便捷、直接的技術支持，解決讀者在研發過程中遇到的實際技術難點，并力求全面講解廣大讀者在研發過程中所涉及的功能模塊及成熟的系統框架，為讀者進行科學實驗、項目開發提供一定的技術支持。
通過對書中案例的閱讀、理解、運行和仿真，讀者可以有針對性地進行算法調試，這樣可以更加深刻地理解計算機視覺與深度學習應用的含義，并且更加熟練地掌握MATLAB、Python進行算法設計與工程研發。
本書特點
作者陣容強大，經驗相當豐富
本書其中一位主編劉衍琦（ID：lyqmath）是機器學習算法專家及視覺AI課程講師，擅長視覺智能分析、多源異構數據采集和挖掘等工程應用，并長期從事視覺大數據工程相關工作，涉及互聯網海量圖像、聲紋、視頻檢索，以及OCR圖文檢索、手繪草圖智能識別、特殊通道數據分析等應用的算法架構與研發，對圖文識別、大規模以圖搜圖、數據感知和采集等進行過深入研究，并結合行業背景推動了一系列的工程化應用。
本書另外兩位主編中，詹福宇（ID：dynamic）擅長模型設計與分析，在計算機視覺處理方面積累了豐富的工程經驗；王德建在檔案數字化、智能化分類、OCR圖文檢索、圖像智能識別方面積累了豐富的項目實戰經驗。
案例豐富、實用、拓展性強
本書以案例的形式進行編寫，充分強調案例的實用性及程序的可拓展性，所選案例均來自作者的日常研究及業務需求，每個案例都與實際課題相結合。另外，書中的每個案例都經過作者的程序調試，作者也為此編寫了大量的測試代碼。
點面完美結合，兼顧中高級用戶
本書點面兼顧，涵蓋了數字圖像處理中幾乎所有的基本模塊，并涉及視頻處理、配準拼接、數字水印、生物識別等高級圖像處理方面的內容，全面講解了基于MATLAB、Python進行計算機視覺及深度學習應用的原理及方法。
內容架構
本書講解了36個MATLAB、Python計算機視覺與深度學習實戰案例，并提供配套程序下載，其內容架構如下所述。
第1章：講解基于直方圖優化的圖像去霧技術，通過對直方圖增強技術的相關講解，引入對霧霾圖像進行優化的應用。
第2章：講解基于形態學的權重自適應圖像去噪，通過形態學的圖像去噪效果，引入加權形態學去噪的應用。
第3章：講解基于多尺度形態學提取眼前節組織，通過形態學的圖像邊緣提取效果，引入多尺度形態學的應用。
第4章：講解基于Hough變化的答題卡識別，通過對答題卡自動閱卷的研究，引入圖像分割、目標定位等領域的應用。
第5章：講解基于閾值分割的車牌定位識別，通過對車牌定位、分割、識別的研究，引入圖像處理在車牌識別領域的應用。
第6章：講解基于分水嶺分割進行肺癌診斷，通過對分水嶺算法在肺部圖像分割中的研究，引入分水嶺及醫學圖像處理的應用。
第7章：講解基于主成分分析的人臉二維碼識別，通過對主成分分析、人臉識別、QR二維碼的研究，引入QR人臉識別的應用。
第8章：講解基于知識庫的手寫體數字識別，通過對手寫數字特征的提取，引入模式識別在手寫數字方面的應用。
第9章：講解基于特征匹配的英文印刷字符識別，通過對英文片段圖像的分割、識別，引入在MATLAB中生成自定義標準字符庫、GUI交互等領域的應用。
第10章：講解基于不變矩的數字驗證碼識別，通過對驗證碼生成的特點、分割定位、檢測識別的研究，引入對某特定類型驗證碼從獲取到識別的應用。
第11章：講解基于小波技術進行圖像融合，通過對圖像融合的研究，引入小波分解、圖像多分辨率處理的應用。
第12章：講解基于塊匹配的全景圖像拼接，通過對全景圖像生成方法的研究，引入塊匹配、加權融合等的應用。
第13章：講解基于霍夫曼圖像編碼的圖像壓縮和重建，通過對霍夫曼編碼的研究，引入圖像壓縮重建的應用。
第14章：講解基于主成分分析的圖像壓縮和重建，通過對主成分分析的研究，引入不同壓縮參數下重建效果調優的應用。
第15章：講解基于小波的圖像壓縮技術，通過對小波圖像處理的研究，引入多分辨率圖像壓縮重建的應用。
第16章：講解基于融合特征的以圖搜圖技術，通過對圖像庫Hu矩特征及顏色特征提取的研究，引入圖像檢索的應用。
第17章：講解基于Harris的角點特征檢測，通過對Harris檢測算法的研究，引入圖像角點檢測的應用。
第18章：講解基于GUI搭建通用視頻處理工具，通過對GUI、視頻圖像處理工具箱的應用，引入搭建MATLAB圖像視頻處理框架的應用。
第19章：講解基于語音識別的信號燈圖像模擬控制技術，通過對語音特征及建庫的研究，引入語音控制光信號的應用。
第20章：講解基于幀間差法進行視頻目標檢測，通過對視頻跟蹤的研究，引入視頻中多目標跟蹤的應用。
第21章：講解路面裂縫檢測系統設計，通過對裂縫圖像特征、識別的研究，引入路面裂縫檢測和提取的應用。
第22章：講解基于K-means聚類算法的圖像分割，通過對K-means聚類算法的研究，引入其在圖像分割方面的應用。
第23章：講解基于光流場的車流量計數應用，通過對汽車視頻跟蹤的研究，引入光流場在跟蹤和檢測方面的應用。
第24章：講解基于Simulink進行圖像和視頻處理，通過對Simulink模塊的介紹，引入其在圖像視頻處理領域的應用。
第25章：講解基于小波變換的數字水印技術，通過對圖像水印的相關研究，引入圖像水印嵌入、提取等的應用。
第26章：講解基于最小誤差法的胸片分割技術，通過對肺部影像的分割算法進行對比，介紹最小誤差分割算法及其應用。
第27章：講解基于區域生長的肝臟影像分割系統，通過對區域生長的相關研究，介紹如何自動定義種子點并將其應用到肝臟影像的分割方面。
第28章：講解基于計算機視覺的自動駕駛應用，介紹自動駕駛的相關技術，從計算機視覺的角度分析相關應用。
第29章：講解基于深度學習的汽車目標檢測，介紹深度學習的相關知識，基于MATLAB的CNN工具箱實現汽車目標檢測的應用。
第30章：講解基于深度學習的視覺場景識別，對深度學習進行深入研究，基于經典的MatConvNet工具箱講解如何進行圖像分類識別應用。
第31章：講解深度學習綜合應用方面的內容，涉及6個相關實戰案例：基于CNN的字符識別、基于CNN的物體識別、基于CNN的圖像矯正、基于LSTM的時間序列分析、基于深度學習的以圖搜圖技術、基于YOLO的智能交通目標檢測，講解了經典的AlexNet、VggNet、ResNet、GoogleNet等知識，還通過網絡編輯、拆分、中間層激活、多算法集成等方式進行了拓展，既實現了圖像分類識別、以圖搜圖、交通目標檢測等方面的應用，也對時間序列分析、圖像傾斜角度分析等進行了探索。
特別致謝
本書由劉衍琦、詹福宇、王德建、陳峰蔚、蔣獻文、周華英編著，本書的編寫也得到了電子工業出版社博文視點編輯張國霞的大力支持，在此對其表示衷心的感謝。在本書深度學習部分的實驗設計及研發過程中，Windoer-AI實驗室提供了很多幫助，在此感謝他們的信任與鼓勵。感謝各位讀者朋友對本書作者給予的啟發和幫助，感謝家人的默默支持！感謝女兒劉沛萌每天帶給我歡樂，她給予我無限的動力進行計算機視覺及人工智能探索及應用，也祝天下的小朋友們都能健康快樂地成長！
由于時間倉促，加之作者水平和經驗有限，書中難免存在疏漏及錯誤之處，希望廣大讀者批評指正。
劉衍琦
2019年10月 |
內容簡介：本書詳細講解了36個計算機視覺與深度學習實戰案例（含可運行程序），涉及霧霾去噪、答題卡自動閱卷、肺部圖像分割、小波數字水印、圖像檢索、人臉二維碼識別、車牌定位及識別、霍夫曼圖像壓縮、手寫數字識別、英文字符文本識別、眼前節組織提取、全景圖像拼接、小波圖像融合、基于語音識別的音頻信號模擬燈控、路面裂縫檢測識別、視頻運動估計追蹤、Simulink圖像處理、胸片及肝臟分割、基于深度學習的汽車目標檢測、基于計算機視覺的自動駕駛應用、基于深度學習的視覺場景識別、基于深度特征的以圖搜畫、基于CNN的字符識別、基于CNN的物體識別、基于CNN的圖像矯正、基于LSTM的時間序列分析、基于深度學習的以圖搜圖技術、基于YOLO的智能交通目標檢測等多項重要技術及應用，涵蓋了數字圖像處理中幾乎所有的基本模塊，并延伸到了深度學習理論及其應用方面。工欲善其事，必先利其器，本書對每個數字圖像處理的知識點都提供了豐富、生動的案例素材，并以MATLAB、Python為工具詳細講解了實驗的核心程序。通過對這些程序的閱讀、理解和仿真運行，讀者可以更加深刻地理解圖像處理的內容，并且更加熟練地掌握計算機視覺及深度學習在不同實際領域中的用法。本書以案例為基礎，結構布局緊湊，內容深入淺出，實驗簡捷高效，適合計算機、信號通信和自動化等相關專業的教師、本科生、研究生，以及廣大從事數字圖像處理的工程研發人員閱讀參考。 |
目錄：第1章 基于直方圖優化的圖像去霧技術 1
1.1 案例背景 1
1.2 理論基礎 1
1.2.1 空域圖像增強 1
1.2.2 直方圖均衡化 2
1.3 程序實現 3
1.3.1 設計GUI界面 4
1.3.2 全局直方圖處理 4
1.3.3 局部直方圖處理 6
1.3.4 Retinex增強處理 8
1.4 延伸閱讀 12
第2章 基于形態學的權重自適應圖像去噪 13
2.1 案例背景 13
2.2 理論基礎 14
2.2.1 圖像去噪的方法 14
2.2.2 數學形態學的原理 15
2.2.3 權重自適應的多結構形態學去噪 15
2.3 程序實現 16
2.4 延伸閱讀 22
第3章 基于多尺度形態學提取眼前節組織 24
3.1 案例背景 24
3.2 理論基礎 25
3.3 程序實現 28
3.3.1 多尺度結構設計 28
3.3.2 多尺度邊緣提取 29
3.3.3 多尺度邊緣融合 31
3.4 延伸閱讀 33
第4章 基于Hough變化的答題卡識別 34
4.1 案例背景 34
4.2 理論基礎 34
4.2.1 圖像二值化 35
4.2.2 傾斜校正 35
4.2.3 圖像分割 38
4.3 程序實現 40
4.3.1 圖像灰度化 40
4.3.2 灰度圖像二值化 41
4.3.3 圖像平滑濾波 41
4.3.4 圖像矯正 41
4.3.5 完整性核查 42
4.4 延伸閱讀 51
第5章 基于閾值分割的車牌定位識別 53
5.1 案例背景 53
5.2 理論基礎 53
5.2.1 車牌圖像處理 54
5.2.2 車牌定位原理 58
5.2.3 車牌字符處理 58
5.2.4 車牌字符識別 60
5.3 程序實現 62
5.4 延伸閱讀 69
第6章 基于分水嶺分割進行肺癌診斷 71
6.1 案例背景 71
6.2 理論基礎 71
6.2.1 模擬浸水的過程 72
6.2.2 模擬降水的過程 72
6.2.3 過度分割問題 72
6.2.4 標記分水嶺分割算法 72
6.3 程序實現 73
6.4 延伸閱讀 77
第7章 基于主成分分析的人臉二維碼識別 79
7.1 案例背景 79
7.2 理論基礎 79
7.2.1 QR二維碼簡介 80
7.2.2 QR二維碼的編碼和譯碼流程 82
7.2.3 主成分分析方法 84
7.3 程序實現 85
7.3.1 人臉建庫 85
7.3.2 人臉識別 87
7.3.3 人臉二維碼 87
7.4 延伸閱讀 92
第8章 基于知識庫的手寫體數字識別 94
8.1 案例背景 94
8.2 理論基礎 94
8.2.1 算法流程 94
8.2.2 特征提取 95
8.2.3 模式識別 96
8.3 程序實現 97
8.3.1 圖像處理 97
8.3.2 特征提取 98
8.3.3 模式識別 101
8.4 延伸閱讀 102
8.4.1 識別器選擇 102
8.4.2 特征庫改善 102
第9章 基于特征匹配的英文印刷字符識別 103
9.1 案例背景 103
9.2 理論基礎 104
9.2.1 圖像預處理 104
9.2.2 圖像識別技術 105
9.3 程序實現 106
9.3.1 界面設計 106
9.3.2 回調識別 111
9.4 延伸閱讀 112
第10章 基于不變矩的數字驗證碼識別 113
10.1 案例背景 113
10.2 理論基礎 114
10.3 程序實現 114
10.3.1 設計GUI界面 114
10.3.2 載入驗證碼圖像 115
10.3.3 驗證碼圖像去噪 116
10.3.4 驗證碼數字定位 118
10.3.5 驗證碼歸一化 120
10.3.6 驗證碼數字識別 121
10.3.7 手動確認并入庫 124
10.3.8 重新生成模板庫 125
10.4 延伸閱讀 128
第11章 基于小波技術進行圖像融合 129
11.1 案例背景 129
11.2 理論基礎 130
11.3 程序實現 132
11.3.1 設計GUI界面 132
11.3.2 圖像載入 133
11.3.3 小波融合 135
11.4 延伸閱讀 137
第12章 基于塊匹配的全景圖像拼接 138
12.1 案例背景 138
12.2 理論基礎 138
12.2.1 圖像匹配 139
12.2.2 圖像融合 141
12.3 程序實現 142
12.3.1 設計GUI界面 142
12.3.2 載入圖片 143
12.3.3 圖像匹配 144
12.3.4 圖像拼接 148
12.4 延伸閱讀 153
第13章 基于霍夫曼圖像編碼的圖像壓縮和重建 155
13.1 案例背景 155
13.2 理論基礎 155
13.2.1 霍夫曼編碼的步驟 156
13.2.2 霍夫曼編碼的特點 157
13.3 程序實現 158
13.3.1 設計GUI界面 158
13.3.2 壓縮和重建 159
13.3.3 效果對比 164
13.4 延伸閱讀 167
第14章 基于主成分分析的圖像壓縮和重建 168
14.1 案例背景 168
14.2 理論基礎 168
14.2.1 主成分降維分析原理 168
14.2.2 由得分矩陣重建樣本 169
14.2.3 主成分分析數據壓縮比 170
14.2.4 基于主成分分析的圖像壓縮 170
14.3 程序實現 171
14.3.1 主成分分析的源代碼 171
14.3.2 圖像數組和樣本矩陣之間的轉換 172
14.3.3 基于主成分分析的圖像壓縮 173
14.4 延伸閱讀 176
第15章 基于小波的圖像壓縮技術 177
15.1 案例背景 177
15.2 理論基礎 178
15.3 程序實現 180
15.4 延伸閱讀 188
第16章 基于融合特征的以圖搜圖技術 189
16.1 案例背景 189
16.2 理論基礎 189
16.3 程序實現 191
16.3.1 圖像預處理 191
16.3.2 計算特征 191
16.3.3 圖像檢索 194
16.3.4 結果分析 194
16.4 延伸閱讀 196
第17章 基于Harris的角點特征檢測 198
17.1 案例背景 198
17.2 理論基礎 199
17.2.1 Harris的基本原理 199
17.2.2 Harris算法的流程 201
17.2.3 Harris角點的性質 201
17.3 程序實現 202
17.3.1 Harris算法的代碼 202
17.3.2 角點檢測實例 204
17.4 延伸閱讀 205
第18章 基于GUI搭建通用視頻處理工具 206
18.1 案例背景 206
18.2 理論基礎 206
18.3 程序實現 208
18.3.1 設計GUI界面 208
18.3.2 實現GUI界面 209
18.4 延伸閱讀 220
第19章 基于語音識別的信號燈圖像
模擬控制技術 221
19.1 案例背景 221
19.2 理論基礎 221
19.3 程序實現 223
19.4 延伸閱讀 232
第20章 基于幀間差法進行視頻目標檢測 234
20.1 案例背景 234
20.2 理論基礎 234
20.2.1 幀間差分法 235
20.2.2 背景差分法 236
20.2.3 光流法 236
20.3 程序實現 237
20.4 延伸閱讀 24
第21章 路面裂縫檢測系統設計 247
21.1 案例背景 247
21.2 理論基礎 247
21.2.1 圖像灰度化 248
21.2.2 圖像濾波 250
21.2.3 圖像增強 252
21.2.4 圖像二值化 253
21.3 程序實現 255
21.4 延伸閱讀 267
第22章 基于K-means聚類算法的圖像分割 268
22.1 案例背景 268
22.2 理論基礎 268
22.2.1 K-means聚類算法的原理 268
22.2.2 K-means聚類算法的要點 269
22.2.3 K-means聚類算法的缺點 270
22.2.4 基于K-means聚類算法進行圖像分割 270
22.3 程序實現 271
22.3.1 樣本間的距離 271
22.3.2 提取特征向量 272
22.3.3 圖像聚類分割 273
22.4 延伸閱讀 275
第23章 基于光流場的車流量計數應用 276
23.1 案例背景 276
23.2 理論基礎 276
23.2.1 基于光流法檢測運動的原理 276
23.2.2 光流場的主要計算方法 277
23.2.3 梯度光流場約束方程 278
23.2.4 Horn-Schunck光流算法 280
23.3 程序實現 281
23.3.1 計算視覺系統工具箱簡介 281
23.3.2 基于光流法檢測汽車運動 282
23.4 延伸閱讀 287
第24章 基于Simulink進行圖像和視頻處理 289
24.1 案例背景 289
24.2 模塊介紹 289
24.2.1 分析和增強模塊庫（Analysis和Enhancement） 290
24.2.2 轉化模塊庫（Conversions） 291
24.2.3 濾波模塊庫（Filtering） 292
24.2.4 幾何變換模塊庫（Geometric Transformations） 292
24.2.5 形態學操作模塊庫（Morphological Operations） 292
24.2.6 輸入模塊庫（Sources） 293
24.2.7 輸出模塊庫（Sinks） 293
24.2.8 統計模塊庫（Statistics） 294
24.2.9 文本和圖形模塊庫（Text 和 Graphic） 295
24.2.10 變換模塊庫（Transforms） 295
24.2.11 其他工具模塊庫（Utilities） 295
24.3 仿真案例 296
24.3.1 搭建組織模型 296
24.3.2 仿真執行模型 298
24.3.3 自動生成報告 299
24.4 延伸閱讀 302
第25章 基于小波變換的數字水印技術 304
25.1 案例背景 304
25.2 理論基礎 304
25.2.1 數字水印技術的原理 305
25.2.2 典型的數字水印算法 307
25.2.3 數字水印攻擊和評價 309
25.2.4 基于小波的水印技術 310
25.3 程序實現 312
25.3.1 準備載體和水印圖像 312
25.3.2 小波數字水印的嵌入 313
25.3.3 小波數字水印的提取 317
25.3.4 小波水印的攻擊試驗 319
25.4 延伸閱讀 323
第26章 基于最小誤差法的胸片分割技術 325
26.1 案例背景 325
26.2 理論基礎 325
26.2.1 圖像增強 326
26.2.2 區域選擇 326
26.2.3 形態學濾波 327
26.2.4 基于最小誤差法進行胸片分割 328
26.3 程序實現 329
26.3.1 設計GUI界面 329
26.3.2 圖像預處理 330
26.3.3 基于最小誤差法進行圖像分割 333
26.3.4 形態學后處理 335
26.4 延伸閱讀 338
第27章 基于區域生長的肝臟影像分割系統 339
27.1 案例背景 339
27.2 理論基礎 340
27.2.1 閾值分割 340
27.2.2 區域生長 340
27.2.3 基于閾值預分割的區域生長 341
27.3 程序實現 342
27.4 延伸閱讀 346
第28章 基于計算機視覺的自動駕駛應用 347
28.1 案例背景 347
28.2 理論基礎 348
28.2.1 環境感知 348
28.2.2 行為決策 348
28.2.3 路徑規劃 349
28.2.4 運動控制 349
28.3 程序實現 349
28.3.1 傳感器數據載入 349
28.3.2 追蹤器創建 351
28.3.3 碰撞預警 353
28.4 延伸閱讀 358
第29章 基于深度學習的汽車目標檢測 359
29.1 案例背景 359
29.2 理論基礎 360
29.2.1 基本架構 360
29.2.2 卷積層 360
29.2.3 池化層 362
29.3 程序實現 362
29.3.1 加載數據 362
29.3.2 構建CNN 364
29.3.3 訓練CNN 365
29.3.4 評估訓練效果 367
29.4 延伸閱讀 368
第30章 基于深度學習的視覺場景
識別 370
30.1 案例背景 370
30.2 理論基礎 371
30.3 程序實現 371
30.3.1 環境配置 372
30.3.2 數據集制作 373
30.3.3 網絡訓練 375
30.3.4 網絡測試 381
30.4 延伸閱讀 383
第31章 深度學習綜合應用 385
31.1 應用背景 385
31.2 理論基礎 387
31.2.1 分類識別 387
31.2.2 目標檢測 391
31.3 案例實現1：基于CNN的數字識別 395
31.3.1 自定義CNN 397
31.3.2 AlexNet 399
31.3.3 基于MATLAB進行實驗設計 405
31.3.4 基于TensorFlow進行實驗設計 413
31.3.5 實驗小結 418
31.4 案例實現2：基于CNN的物體識別 418
31.4.1 CIFAR-10數據集 418
31.4.2 VggNet 421
31.4.3 ResNet 422
31.4.4 實驗設計 424
31.4.5 實驗小結 432
31.5 案例實現3：基于CNN的圖像矯正 432
31.5.1 傾斜數據集 432
31.5.2 自定義CNN回歸網絡 434
31.5.3 AlexNet回歸網絡 436
31.5.4 實驗設計 437
31.5.5 實驗小結 445
31.6 案例實現4：基于LSTM的時間序列分析 445
31.6.1 厄爾尼諾南方濤動指數數據 446
31.6.2 樣條擬合分析 446
31.6.3 基于MATLAB進行LSTM分析 448
31.6.4 基于Keras進行LSTM分析 451
31.6.5 實驗小結 455
31.7 案例實現5：基于深度學習的以圖搜圖技術 455
31.7.1 人臉的深度特征 455
31.7.2 AlexNet的特征 460
31.7.3 GoogleNet的特征 461
31.7.4 深度特征融合計算 462
31.7.5 實驗設計 462
31.7.6 實驗小結 46731.8 案例實現6：基于YOLO的交通目標檢測應用 467
31.8.1 車輛目標的YOLO檢測 468
31.8.2 交通標志的YOLO檢測 475
31.9 延伸閱讀 481 |
| 序： |
