书籍详情
计算机视觉技术：事件相机原理与应用
作者：高山，乔诗展，叶汝楷 著
出版社：化学工业出版社
出版时间：2021-11-01
ISBN：9787122396280
定价：¥79.80
购买这本书可以去
内容简介
《计算机视觉技术：事件相机原理与应用》是一本关于事件相机原理基础的入门类图书。主要从计算机视觉技术的基础和相关数学基础开始讲解，对事件信息的编码、事件的卷积（普通卷积、稀疏卷积、图卷积、3D 卷积）分别进行了生动的介绍，最后又通过三个章节，对基于长短期记忆网络（LSTM）、脉冲神经网络（SNN）、生成对抗网络（GAN）的事件处理的原理和方法做了解读。 本书图文并茂，文字生动有趣，内容浅显易懂，并配有较多例题和习题，以便读者理解和巩固，适用于对事件相机方向感兴趣的技术人员阅读，同时也可供计算机视觉方向的初学者阅读和学习。
作者简介
暂缺《计算机视觉技术：事件相机原理与应用》作者简介
目录
第1 章 计算机视觉简介 001
1.1 计算机视觉的概念 001
1.2 计算机视觉的应用 002
1.2.1 图像分类 003
1.2.2 目标检测 003
1.2.3 图像分割 004
1.2.4 目标跟踪 004
1.2.5 其他应用 005
1.3 思考与练习 005
第2 章 事件相机的原理 006
2.1 数学基础知识 007
2.1.1 导数 007
2.1.2 积分 014
2.1.3 神经元模型 018
2.1.4 多层感知机与全连接层 023
2.1.5 损失函数 028
2.1.6 神经网络的优化 030
2.2 事件相机的概念及原理 034
2.3 常用的事件相机 042
2.3.1 DVS 相机 042
2.3.2 ATIS 相机 043
2.3.3 DAVIS 044
2.3.4 商业事件相机 044
2.4 思考与练习 045
第3 章 事件信息的编码 046
3.1 点云式编码 046
3.2 CountImage 编码 047
3.3 张量式编码 049
3.4 局部CountImage 编码 050
3.5 TimeImage 编码 051
3.6 Leaky Surface 编码 053
3.7 思考与练习 056
第4 章 事件的普通卷积 057
4.1 2D 卷积的基本原理 057
4.2 卷积神经网络的组成 064
4.2.1 卷积层 064
4.2.2 池化层 065
4.2.3 全连接层 066
4.2.4 全局最大/平均池化 067
4.3 事件2D 卷积的适用范围 068
4.3.1 编码要求 068
4.3.2 直接事件卷积存在的问题 070
4.4 思考与练习 071
第5 章 事件的稀疏卷积 072
5.1 稀疏卷积的基本原理 072
5.1.1 SC 层的定义 072
5.1.2 VSC 层的定义 074
5.2 稀疏池化与全连接层 079
5.2.1 稀疏池化层 079
5.2.2 稀疏全连接层 081
5.3 稀疏卷积的特征 082
5.3.1 编码要求 082
5.3.2 流形拟合特性 082
5.3.3 稀疏卷积的缺点 083
5.4 思考与练习 083
第6 章 事件的图卷积 084
6.1 图卷积的基本原理 084
6.1.1 事件的采样 084
6.1.2 图的概念及事件图的构建 088
6.1.3 图卷积的定义 094
6.1.4 图池化及图全连接层的定义 097
6.2 图卷积的特性 099
6.2.1 编码要求 099
6.2.2 图的普适性 099
6.2.3 方向可变性 100
6.3 思考与练习 101
第7 章 事件的3D 卷积 102
7.1 3D 卷积的原理 102
7.1.1 卷积层的扩展 102
7.1.2 池化层的扩展 105
7.2 事件输入与3D 卷积的特点 108
7.2.1 事件输入的编码要求 108
7.2.2 直接3D 卷积的现存问题 109
7.2.3 3D 卷积的可分解性 110
7.3 4D 卷积简介 110
7.4 思考与练习 114
第8 章 基于LSTM 的事件处理 115
8.1 LSTM 的基本原理 115
8.1.1 LSTM 细胞的定义 115
8.1.2 LSTM 的运算更新 118
8.2 LSTM 的变体及事件处理 123
8.2.1 ConvLSTM 123
8.2.2 PhasedLSTM 125
8.3 思考与练习 126
第9 章 基于脉冲神经网络的事件处理 127
9.1 普通神经元的局限 127
9.2 脉冲神经网络的概念 128
9.2.1 脉冲神经元模型 130
9.2.2 脉冲全连接层 133
9.2.3 脉冲卷积层 135
9.2.4 脉冲池化层 136
9.3 脉冲神经网络的学习 137
9.4 脉冲神经网络的特点 138
9.4.1 编码要求 138
9.4.2 脉冲神经网络的局限 139
9.5 思考与练习 140
第10 章 基于生成对抗网络的事件处理 141
10.1 生成对抗网络的基本原理 141
10.1.1 普通GAN 的对弈原理 141
10.1.2 cGAN 的对弈原理 148
10.1.3 Cycle-GAN 的对弈原理 149
10.1.4 Info-GAN 的对弈原理 154
10.2 事件图像的生成 155
10.3 思考与练习 157
参考文献 158
1.1 计算机视觉的概念 001
1.2 计算机视觉的应用 002
1.2.1 图像分类 003
1.2.2 目标检测 003
1.2.3 图像分割 004
1.2.4 目标跟踪 004
1.2.5 其他应用 005
1.3 思考与练习 005
第2 章 事件相机的原理 006
2.1 数学基础知识 007
2.1.1 导数 007
2.1.2 积分 014
2.1.3 神经元模型 018
2.1.4 多层感知机与全连接层 023
2.1.5 损失函数 028
2.1.6 神经网络的优化 030
2.2 事件相机的概念及原理 034
2.3 常用的事件相机 042
2.3.1 DVS 相机 042
2.3.2 ATIS 相机 043
2.3.3 DAVIS 044
2.3.4 商业事件相机 044
2.4 思考与练习 045
第3 章 事件信息的编码 046
3.1 点云式编码 046
3.2 CountImage 编码 047
3.3 张量式编码 049
3.4 局部CountImage 编码 050
3.5 TimeImage 编码 051
3.6 Leaky Surface 编码 053
3.7 思考与练习 056
第4 章 事件的普通卷积 057
4.1 2D 卷积的基本原理 057
4.2 卷积神经网络的组成 064
4.2.1 卷积层 064
4.2.2 池化层 065
4.2.3 全连接层 066
4.2.4 全局最大/平均池化 067
4.3 事件2D 卷积的适用范围 068
4.3.1 编码要求 068
4.3.2 直接事件卷积存在的问题 070
4.4 思考与练习 071
第5 章 事件的稀疏卷积 072
5.1 稀疏卷积的基本原理 072
5.1.1 SC 层的定义 072
5.1.2 VSC 层的定义 074
5.2 稀疏池化与全连接层 079
5.2.1 稀疏池化层 079
5.2.2 稀疏全连接层 081
5.3 稀疏卷积的特征 082
5.3.1 编码要求 082
5.3.2 流形拟合特性 082
5.3.3 稀疏卷积的缺点 083
5.4 思考与练习 083
第6 章 事件的图卷积 084
6.1 图卷积的基本原理 084
6.1.1 事件的采样 084
6.1.2 图的概念及事件图的构建 088
6.1.3 图卷积的定义 094
6.1.4 图池化及图全连接层的定义 097
6.2 图卷积的特性 099
6.2.1 编码要求 099
6.2.2 图的普适性 099
6.2.3 方向可变性 100
6.3 思考与练习 101
第7 章 事件的3D 卷积 102
7.1 3D 卷积的原理 102
7.1.1 卷积层的扩展 102
7.1.2 池化层的扩展 105
7.2 事件输入与3D 卷积的特点 108
7.2.1 事件输入的编码要求 108
7.2.2 直接3D 卷积的现存问题 109
7.2.3 3D 卷积的可分解性 110
7.3 4D 卷积简介 110
7.4 思考与练习 114
第8 章 基于LSTM 的事件处理 115
8.1 LSTM 的基本原理 115
8.1.1 LSTM 细胞的定义 115
8.1.2 LSTM 的运算更新 118
8.2 LSTM 的变体及事件处理 123
8.2.1 ConvLSTM 123
8.2.2 PhasedLSTM 125
8.3 思考与练习 126
第9 章 基于脉冲神经网络的事件处理 127
9.1 普通神经元的局限 127
9.2 脉冲神经网络的概念 128
9.2.1 脉冲神经元模型 130
9.2.2 脉冲全连接层 133
9.2.3 脉冲卷积层 135
9.2.4 脉冲池化层 136
9.3 脉冲神经网络的学习 137
9.4 脉冲神经网络的特点 138
9.4.1 编码要求 138
9.4.2 脉冲神经网络的局限 139
9.5 思考与练习 140
第10 章 基于生成对抗网络的事件处理 141
10.1 生成对抗网络的基本原理 141
10.1.1 普通GAN 的对弈原理 141
10.1.2 cGAN 的对弈原理 148
10.1.3 Cycle-GAN 的对弈原理 149
10.1.4 Info-GAN 的对弈原理 154
10.2 事件图像的生成 155
10.3 思考与练习 157
参考文献 158
猜您喜欢
