卷积神经网络与视觉计算

　　《卷积神经网络与视觉计算/智能科学与技术丛书》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《卷积神经网络与视觉计算/智能科学与技术丛书》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。《卷积神经网络与视觉计算/智能科学与技术丛书》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。《卷积神经网络与视觉计算/智能科学与技术丛书》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）。

　　拉加夫;维凯特森（Ragav Venkatesan）他是ASU的视觉表示和处理小组的一名研究助理，曾在机器学习、模式识别、视频处理和计算机视觉等多个研究生课程中担任助教。他是机器学习和计算机视觉领域的几个期刊的同行评审和会议审稿人。 李宝新（Baoxin Li） 目前是亚利桑那州立大学计算机科学与工程专业的教授和主任。从2000年到2004年，他任美国夏普实验室的高级研究员，领导研发夏普的HiMPACT体育技术。他还曾是俄勒冈州波特兰州立大学的副教授。他拥有18项美国专利，目前的研究兴趣包括计算机视觉和模式识别、多媒体、社会计算、机器学习和辅助技术。2001年和2004年，他获得夏普实验室总裁奖。2002年，他获得了夏普实验室年度发明者奖，还曾获得国家自然科学基金会职业奖。

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 

1.3Harris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 

5.1.3Mentee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AYann 

后记