导语

  

内容提要

  

    拉加夫·维凯特森、李宝新著的《卷积神经网络与视觉计算》覆盖内容主要包括设计和开发卷积神经网络架构的一些基本知识。对于那些想要学习或构建深度视觉系统的工程师或学生来说，这本书会是一本非常好的入门读物，可以帮助他们快速地进入这个领域。本书还提供了丰富的理论知识和实操案例，以及一系列完备的工具包，以帮助初学者获得在理解和构建卷积神经网络（CNN）时所必要的基本信息。本书的重点将集中在卷积神经网络的基础部分，而不会涉及在高级课程中才出现的一些概念（CNN相关话题）。

译者序
作者简介
前言
致谢
第1章  视觉计算简介
  1.1  图像表示基础
    1.1.1  变换域表示
    1.1.2  图像的直方图
    1.1.3  图像梯度和边缘
    1.1.4  超越图像梯度
  1.2  基于Hough变换的直线检测
  1.3  Harris角点
  1.4  尺度不变的特征变换
  1.5  方向梯度直方图
    1.5.1  人工设计特征空间中的决策制定
    1.5.2  贝叶斯决策
    1.5.3  线性决策边界
  1.6  可变形零件模型的实例研究
  1.7  计算机视觉向神经网络转变
  本章小结
  参考文献
第2章  回归问题中的机器学习
  2.1  监督学习
  2.2  线性模型
  2.3  最小二乘法
  2.4  极大似然估计的解释
  2.5  扩展到非线性模型
  2.6  正则化
  2.7  交叉验证
  2.8  梯度下降
  2.9  几何正则化
  2.10  非凸误差面
  2.11  随机梯度、批梯度及在线梯度下降
  2.12  其他自适应学习率的更新规则
  2.13  动量
  本章小结
  参考文献
第3章  人工神经网络
  3.1  感知器
  3.2  多层神经网络
  3.3  反向传播算法
  3.4  改进的反向传播算法
    3.4.1  激活函数
    3.4.2  权重剪枝
    3.4.3  批量标准化
  本章小结
  参考文献
第4章  卷积神经网络
  4.1  卷积与池化层
  4.2  卷积神经网络
  本章小结
  参考文献
第5章  卷积神经网络的新进展
  5.1  预训练网络
    5.1.1  通用性和可传递性
    5.1.2  利用预训练网络的模型压缩
    5.1.3  Mentee网络与FitNet
    5.1.4  使用预训练网络的应用：使用CNN的图像美学
  5.2  生成网络
    5.2.1  自动编码器
    5.2.2  生成对抗网络
  本章小结
  参考文献
附录A  Yann
后记