计算机视觉：模型、学习和推理计算机与互联网书籍|6019639 pdf epub mobi txt 电子书下载 2025

Name: 计算机视觉：模型、学习和推理 计算机与互联网 书籍|6019639 pdf epub mobi txt 电子书 2025
SKU: 13487834816
Rating: 4 (10 reviews)

简体网页||繁体网页

☆☆☆☆☆

英普林斯Prince，J D 著，苗启广译

图书标签:

计算机视觉
机器学习
深度学习
图像处理
模式识别
人工智能
算法
模型
推理
技术

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到静思书屋

book.tinynews.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

店铺：互动出版网图书专营店

出版社：机械工业出版社

ISBN：9787111516828

商品编码：13487834816

丛书名：计算机科学丛书

出版时间：2017-06-01

具体描述

书[0名0]：	计算机视觉：模型、[0学0]习和推理\|6019639
图书定价：	119元
图书作者：	（英）普林斯（Prince;J. D.）
出版社：	机械工业出版社
出版日期：	2017/6/1 0:00:00
ISBN号：	9787111516828
开本：	16开
页数：	0
版次：	1-1

作者简介

译者简介
苗启广西安电子科技[0大0][0学0]计算机[0学0]院教授、博士生导师，2012年入选“教育部新世纪[0优0]秀人才支持计划”。中[0国0]计算机[0学0][0会0]CCF理事，陕西省计算机[0学0][0会0]理事，陕西省[0大0]数据与云计算产业联盟理事，CCF计算机视觉专委[0会0]委员，CCF人工智能与模式识别专委[0会0]委员，CCF青年工作委员[0会0]委员，CCF YOCSEF主席(2017～2018)，教育部工程专业认证协[0会0]计算机分委[0会0]工程专业认证专家。2005年12月获西安电子科技[0大0][0学0]计算机应用技术博士[0学0]位，2014年在美[0国0]做高访，主要从事计算机视觉与机器[0学0]习、[0大0]数据分析以及高性能计算方面的研究。主持在研和完成[0国0]家自然科[0学0]基金、[0国0]防预先研究项目、[0国0]防863和武器装备基金项目20余项。 2008/2011/2014年分别获西安电子科技[0大0][0学0]“十佳师德标兵”称号。近年来，在IEEE TNNLS、TEC、TIP、TGRS、AAAI、软件[0学0]报、计算机[0学0]报等[0国0]内外重要[0学0]术期刊及[0国0]际[0会0]议上发表SCI/EI收录论文70余篇。担任2015年CCF [0首0]届中[0国0]计算机视觉[0大0][0会0]程序委员[0会0]主席、2011年CCF [0首0]届青年精英[0大0][0会0]组委[0会0]主席。Journal of Industrial Mathematics、中[0国0]计算机[0学0][0会0]通讯（CCCF）、物联网技术等[0国0]内外期刊编委，教育部[0国0]家科[0学0]技术奖[0评0]审专家, [0国0]防基础科研[0评0]审专家。先后获省部级奖2项。
刘凯西安电子科技[0大0][0学0]计算机[0学0]院教授，博士生导师，陕西省图像图形[0学0][0会0]理事，中[0国0]仪器仪表[0学0][0会0]空间仪器分[0会0]理事。主要研究[0领0]域包括图像视频压缩编码、图像识别以及视频跟踪。主持和参加了[0国0]家自然科[0学0]基金、高分辨率对地观测重[0大0]专项、探月工程以及多项横向合作项目。发表30多篇[0学0]术论文，获得10余项发明专利。
孔韦韦博士后，硕士生导师，西安邮电[0大0][0学0]副教授。现为IEEE[0会0]员，IEICE[0会0]员，韩[0国0]AISS协[0会0]编委，中[0国0]计算机[0学0][0会0][0会0]员，陕西省计算机[0学0][0会0]人工智能与模式识别专业委员[0会0]委员，主要研究[0领0]域为图像智能信息融合、入侵检测等。主持和参与了[0国0]家自然科[0学0]基金、信息保障技术重点实验室开放基金课题，以及全[0国0]博士后特别资助项目、全[0国0]博士后基金面上项目一等资助、全军[0学0]位与研究生教育研讨[0会0]专项研究、陕西省自然科[0学0]基金项目等10余项课题。以作者在SCI源期刊（如中[0国0]科[0学0]（F辑信息科[0学0]）（英文版）、IET Image Processing、IET Signal Processing、Optical Engineering、IET Electronics Letters、Infrared Physics & Tech[0no0]logy等杂志）上发表论文近20篇，获2012年度IET[0学0]术协[0会0][0优0]秀[0学0]术论文成果奖，以申请人申请发明专利2项，出版专著1部（完成人）、参与编写著作1部（[0第0]三完成人），并担任多个SCI源期刊的特约审稿人。
许鹏飞西北[0大0][0学0]信息科[0学0]与技术[0学0]院讲师，2014年获西安电子科技[0大0][0学0]计算机应用技术博士[0学0]位。主要研究方向是模式识别、数字图像处理。目前已在IEEE T Image Processing、Neurocomputing、JVCI、IET Image Processing、Integrative Zoology、Optics Communication、MTAP、电子[0学0]报、CIS等[0国0]际与[0国0]内期刊和[0会0]议上发表10余篇[0学0]术论文。获2014年西安市科[0学0]技术奖三等奖。主持和参与了[0国0]家自然科[0学0]基金、[0国0]防预先研究项目、西北[0大0][0学0]科[0学0]研究基金资助项目等。获得10余项[0国0]家发明专利。

内容简介

本书是一本从机器[0学0]习视角讲解计算机视觉的[0优0]秀教材，主要讲述计算机视觉中模型、[0学0]习和推理三个方面的内容，揭示计算机视觉研究中 “模型”和“算[0法0]”之间的区别，并且对每一种新的视觉算[0法0]提出新的见解。本书图文并茂，算[0法0]描述由浅入深，主要包括概率、机器视觉的机器[0学0]习、局部模型的连接、图像预处理、几何模型、视觉模型等方面的内容，适合作为高年级本科生或研究生的计算机视觉和机器[0学0]习教材，也可供计算机视觉方面的专业人士参考。

译者序
译者简介
序
前言
[0第0]1章绪论1
1.1本书结构2
1.2其他书籍4
部分概率
[0第0]2章概率概述6
2.1随机变量6
2.2联合概率7
2.3边缘化7
2.4条件概率8
2.5贝叶斯公式9
2.6[0独0]立性9
2.7期望10
讨论10
备注11
习题11
[0第0]3章常用概率分布12
3.1伯努利分布13
3.2贝塔分布13
3.3分类分布14
3.4狄利克雷分布14
3.5一元正态分布15
3.6正态逆伽马分布15
3.7多元正态分布16
3.8正态逆维希特分布16
3.9共轭性17
总结18
备注18
习题18
[0第0]4章拟合概率模型21
4.1[0大0]似然[0法0]21
4.2[0大0]后验[0法0]21
4.3贝叶斯方[0法0]22
4.4算例1：一元正态分布22
4.4.1[0大0]似然估计22
4.4.2[0大0]后验估计24
4.4.3贝叶斯方[0法0]26
4.5算例2：分类分布28
4.5.1[0大0]似然[0法0]28
4.5.2[0大0]后验[0法0]29
4.5.3贝叶斯方[0法0]30
总结31
备注31
习题32
[0第0]5章正态分布34
5.1协方差矩阵的形式34
5.2协方差分解35
5.3变量的线性变换36
5.4边缘分布36
5.5条件分布37
5.6正态分布的乘积38
5.7变量改变38
总结38
备注39
习题39
[0第0]二部分机器视觉的机器[0学0]习
[0第0]6章视觉[0学0]习和推理42
6.1计算机视觉问题42
6.2模型的种类42
6.2.1判别模型43
6.2.2生成模型43
6.3示例1：回归43
6.3.1判别模型44
6.3.2生成模型44
6.4示例2：二值分类46
6.4.1判别模型46
6.4.2生成模型46
6.5应该用哪种模型48
6.6应用49
6.6.1皮肤检测49
6.6.2背景差分50
总结51
备注51
习题52
[0第0]7章复杂数据密度建模54
7.1正态分类模型54
7.2隐变量56
7.3期望[0大0]化57
7.4混合高斯模型58
7.4.1混合高斯边缘化59
7.4.2基于期望[0大0]化的混合模型拟合59
7.5t分布63
7.5.1[0学0]生t分布边缘化64
7.5.2拟合t分布的期望[0大0]化65
7.6因子分析67
7.6.1因子分析的边缘分布68
7.6.2因子分析[0学0]习的期望[0大0]化68
7.7组合模型71
7.8期望[0大0]化算[0法0]的细节71
7.8.1期望[0大0]化算[0法0]的下界73
7.8.2E步74
7.8.3M步74
7.9应用75
7.9.1人脸检测75
7.9.2目标识别76
7.9.3分割77
7.9.4正脸识别78
7.9.5改变人脸姿态（回归）78
7.9.6作为隐变量的变换79
总结80
备注80
习题81
[0第0]8章回归模型82
8.1线性回归82
8.1.1[0学0]习83
8.1.2线性回归模型的问题83
8.2贝叶斯线性回归84
8.2.1实际考虑85
8.2.2拟合方差86
8.3非线性回归87
8.3.1[0大0]似然[0法0]87
8.3.2贝叶斯非线性回归89
8.4核与核技巧89
8.5高斯过程回归90
8.6稀疏线性回归91
8.7二元线性回归93
8.8相关向量回归95
8.9多变量数据回归96
8.10应用96
8.10.1人体姿势估计96
8.10.2位移专家97
讨论98
备注98
习题98
[0第0]9章分类模型100
9.1逻辑回归100
9.1.1[0学0]习:[0大0]似然估计102
9.1.2逻辑回归模型的问题103
9.2贝叶斯逻辑回归104
9.2.1[0学0]习104
9.2.2推理106
9.3非线性逻辑回归107
9.4对偶逻辑回归模型108
9.5核逻辑回归110
9.6相关向量分类111
9.7增量拟合和boosting113
9.8分类树116
9.9多分类逻辑回归117
9.10随机树、随机森林和随机蕨分类器118
9.11与非概率模型的联系119
9.12应用120
9.12.1性别分类120
9.12.2脸部和行人检测121
9.12.3语义分割122
9.12.4恢复表面布局123
9.12.5人体部位识别124
讨论125
备注125
习题127
[0第0]三部分连接局部模型
[0第0]10章图模型130
10.1条件[0独0]立性130
10.2有向图模型131
10.2.1示例1132
10.2.2示例2132
10.2.3示例3133
10.2.4总结134
10.3无向图模型134
10.3.1示例1135
10.3.2示例2136
10.4有向图模型与无向图模型的对比136
10.5计算机视觉中的图模型137
10.6含有多个未[0知0]量的模型推理139
10.6.1求[0大0]后验概率的解139
10.6.2求后验概率分布的边缘分布139
10.6.3[0大0]化边缘140
10.6.4后验分布的采样140
10.7样本采样140
10.7.1有向图模型的采样141
10.7.2无向图模型的采样141
10.8[0学0]习142
10.8.1有向图模型的[0学0]习142
10.8.2无向图模型的[0学0]习143
讨论145
备注145
习题145
[0第0]11章链式模型和树模型147
11.1链式模型148
11.1.1有向链式模型148
11.1.2无向链式模型148
11.1.3模型的等价性148
11.1.4隐马尔可夫模型在手语中的应用149
11.2链式MAP推理149
11.3树的MAP推理152
11.4链式边缘后验推理155
11.4.1求解边缘分布155
11.4.2前向后向算[0法0]156
11.4.3置信传播157
11.4.4链式模型的和积算[0法0]158
11.5树的边缘后验推理160
11.6链式模型和树模型的[0学0]习161
11.7链式模型和树模型之外的东西161
11.8应用163
11.8.1手势跟踪163
11.8.2立体视觉164
11.8.3形象化结构166
11.8.4分割167
讨论167
备注168
习题169
[0第0]12章网格模型172
12.1马尔可夫随机场172
12.1.1网格示例173
12.1.2离散成对MRF图像去噪174
12.2二值成对马尔可夫随机场的MAP推理175
12.2.1[0大0]流/小割176
12.2.2MAP推理：二值变量177
12.3多标签成对MRF的MAP推理182
12.4非凸势的多标签MRF186
12.5条件随机场189
12.6高阶模型190
12.7网格有向模型190
12.8应用191
12.8.1背景差分191
12.8.2交互式分割192
12.8.3立体视觉193
12.8.4图像重排193
12.8.5[0超0]分辨率195
12.8.6纹理合成196
12.8.7合成新面孔197
讨论198
备注198
习题200
[0第0]四部分预处理
[0第0]13章图像预处理与特征提取204
13.1逐像素变换204
13.1.1白化204
13.1.2直方图均衡化205
13.1.3线性滤波206
13.1.4局部二值模式210
13.1.5纹理基元映射211
13.2边缘、角点和兴趣点212
13.2.1Canny边缘检测器212
13.2.2Harris角点检测器214
13.2.3SIFT检测器215
13.3描述子216
13.3.1直方图216
13.3.2SIFT描述子216
13.3.3方向梯度直方图217
13.3.4词袋描述子218
13.3.5形状内容描述子218
13.4降维219
13.4.1单数值近似220
13.4.2主成分分析221
13.4.3二元主成分分析221
13.4.4K均值算[0法0]222
结论223
备注223
习题224
[0第0]五部分几何模型
[0第0]14章针孔摄像机228
14.1针孔摄像机简介228
14.1.1归一化摄像机229
14.1.2焦距参数230
14.1.3偏移量和偏移参数230
14.1.4摄像机的位置与方向231
14.1.5全针孔摄像机模型232
14.1.6径向畸变232
14.2三个几何问题233
14.2.1问题1：[0学0]习外在参数233
14.2.2问题2：[0学0]习内在参数234
14.2.3问题3：推理3D世界点235
14.2.4解决问题235
14.3齐次坐标236
14.4[0学0]习外在参数237
14.5[0学0]习内在参数239
14.6推理3D世界点240
14.7应用241
14.7.1结构光的深度241
14.7.2剪影重构243
讨论245
备注245
习题246
[0第0]15章变换模型249
15.1二维变换模型249
15.1.1欧氏变换模型249
15.1.2相似变换模型251
15.1.3仿射变换模型252
15.1.4投影变换模型252
15.1.5增加不确定性254
15.2变换模型中的[0学0]习255
15.2.1[0学0]习欧氏参数255
15.2.2[0学0]习相似参数256
15.2.3[0学0]习仿射参数256
15.2.4[0学0]习投影参数257
15.3变换模型中的推理258
15.4平面的三个几何问题258
15.4.1问题1：[0学0]习外在参数258
15.4.2问题2：[0学0]习内在参数260
15.4.3问题3：与摄像机相关的3D位置推理261
15.5图像间的变换261
15.5.1单应性的几何特征262
15.5.2计算图像间的变换263
15.6变换的鲁棒[0学0]习264
15.6.1RANSAC264
15.6.2连续RANSAC265
15.6.3PEaRL266
15.7应用268
15.7.1增强现实追踪268
15.7.2视觉全景269
讨论270
备注270
习题271
[0第0]16章多摄像机系统273
16.1[0[0双0]0]视图几何[0学0]理论273
16.1.1[0极0]线约束274
16.1.2[0极0]点274
16.2实矩阵275
16.2.1实矩阵的属性276
16.2.2实矩阵的分解277
16.3基础矩阵279
16.3.1基础矩阵的估计279
16.3.28点算[0法0]280
16.4[0[0双0]0]视图重构的流程281
16.5校正284
16.5.1平面校正284
16.5.2[0极0]面校正286
16.5.3校正后处理287
16.6多视图重构287
16.7应用290
16.7.1三维重构290
16.7.2图片浏览291
16.7.3立体图割292
讨论293
备注293
习题294
[0第0]六部分视觉模型
[0第0]17章形状模型298
17.1形状及其表示298
17.2snake模型299
17.2.1推理301
17.2.2snake模型中存在的问题301
17.3形状模板302
17.3.1推理303
17.3.2用迭代近点算[0法0]进行推理304
17.4统计形状模型304
17.4.1[0学0]习305
17.4.2推理306
17.5子空间形状模型306
17.5.1概率主成分分析307
17.5.2[0学0]习308
17.5.3推理309
17.6三维形状模型311
17.7形状和外观的统计模型311
17.7.1[0学0]习313
17.7.2推理314
17.8非高斯统计形状模型315
17.8.1回归PPCA315
17.8.2高斯过程隐变量模型316
17.9铰接式模型317
17.10应用319
17.10.1三维形变模型319
17.10.2三维人体模型321
讨论322
备注322
习题324
[0第0]18章身份与方式模型326
18.1子空间身份模型328
18.1.1[0学0]习329
18.1.2推理331
18.1.3在其他识别任务中的推理332
18.1.4身份子空间模型的局限性333
18.2概率线性判别分析334
18.2.1[0学0]习335
18.2.2推理335
18.3非线性身份模型336
18.4非对称[0[0双0]0]线性模型337
18.4.1[0学0]习339
18.4.2推理339
18.5对称[0[0双0]0]线性和多线性模型341
18.5.1[0学0]习342
18.5.2推理343
18.5.3多线性模型344
18.6应用344
18.6.1人脸识别344
18.6.2纹理建模345
18.6.3动画合成346
讨论346
备注346
习题348
[0第0]19章时序模型349
19.1时序估计框架349
19.1.1推理350
19.1.2[0学0]习350
19.2卡尔曼滤波器351
19.2.1推理351
19.2.2改写测量合并阶段352
19.2.3推理总结353
19.2.4示例1353
19.2.5示例2354
19.2.6滤波355
19.2.7时序和测量模型356
19.2.8卡尔曼滤波器的问题358
19.3扩展卡尔曼滤波器358
19.4无损卡尔曼滤波器360
19.4.1状态演化361
19.4.2测量合并过程362
19.5粒子滤波363
19.5.1时间演化364
19.5.2测量合并364
19.5.3扩展366
19.6应用366
19.6.1行人跟踪366
19.6.2单目的即时定位与地图构建366
19.6.3在复杂背景中跟踪轮廓线367
讨论369
备注369
习题370
[0第0]20章视觉词模型372
20.1视觉词集合的图像372
20.2词袋373
20.2.1[0学0]习374
20.2.2推理374
20.2.3词袋模型的相关问题375
20.3隐狄利克雷分布376
20.3.1[0学0]习377
20.3.2非监督物体检测379
20.4单一创作主题模型380
20.4.1[0学0]习381
20.4.2推理382
20.5星座模型382
20.5.1[0学0]习383
20.5.2推理385
20.6场景模型385
20.7应用386
20.7.1视频搜索386
20.7.2行为识别387
讨论388
备注389
习题389
[0第0]七部分附录
附录A符号说明392
附录B[0优0]化394
附录C线性代数402
参考文献413