基於遷移學習技術的計算機視覺算法 陳俊傑 9787113318536 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202412*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：基於遷移學習技術的計算機視覺算法
ISBN：9787113318536
出版社：中國鐵道
著編譯者：陳俊傑
頁數：134
所在地：中國大陸 *此為代購商品
書號：1735273
可大量預訂，請先連絡。

內容簡介

本書基於國家自然科學基金項目和江西省自然科學基金項目研究成果，以圖像分類、語義分割和姿態估計這些有代表性的視覺任務為例，研究使用遷移學習技術幫助模型用更低廉的數據學習更多的新類別，以及用更易得到的測試數據來保持模型的測試性能。本書分為八章，主要內容包括計算機視覺技術的現狀與遷移學習方法的作用；計算機視覺與遷移學習技術的基礎知識；基於相似度遷移的細粒度分類模型及其實驗效果；基於相似度遷移的語義分割模型及其實驗效果；如何使用遷移學習技術來降低深度學習模型對於測試樣本收集的完整信息的依賴，從而讓模型能夠應用於那些難以獲取某些信息的廣闊場景中；如何學習可遷移的關鍵點及鏈接，從而實現對任意類別物體的姿態估計；如何學習可遷移的提示與關聯，僅用微量樣本來實現準確的姿態估計。 本書內容先進，結構清晰，對關鍵的問題進行了詳細的數學論述，並給出了大量的圖示和性能對比表格，以易於讀者理解。本書適合作為高等院校計算機科學與技術和其他相關專業「數字圖像處理」和「計算機視覺」課程的教學參考書，也可供對遷移學習和計算機視覺領域感興趣的人員參考。

目錄

第1章 緒論
1 1 計算機視覺技術面臨的難題
1 2 遷移學習的概念和應用場景
1 2 1 遷移學習概述
1 2 2 零樣本圖像分類和分割
1 2 3 小樣本圖像分類和分割
1 2 4 帶特權信息的學習
1 3 基於遷移學習技術的解決方案
小結
第2章 計算機視覺方法的基礎知識
2 1 符號定義
2 2 常用模塊
2 2 1 全連接層
2 2 2 卷積層
2 2 3 池化層
2 2 4 激活函數
2 2 5 代價函數
2 3 骨幹網絡
2 3 1 深度殘差網絡
2 3 2 特徵金字塔網絡
2 4 可變形和調節的卷積層
2 5 多頭注意力模塊
小結
第3章 基於相似度遷移的弱樣本細粒度分類
3 1 研究動機與方法簡介
3 2 遷移學習與細粒度分類的相關工作
3 2 1 零樣本和小樣本學習
3 2 2 網絡監督學習
3 2 3 弱樣本學習
3 2 4 相似度遷移
3 3 基於相似度遷移的模型算法
3 3 1 階段一：學習相似度網絡
3 3 2 階段二：學習新種類的分類器
3 4 基於相似度遷移的弱樣本細粒度分類實驗分析
3 4 1 數據與實驗設置
3 4 2 與現有工作的比較
3 4 3 模型可視化分析
3 4 4 模塊消融實驗分析
3 4 5 模型魯棒性分析
3 4 6 相似度遷移的分析
3 4 7 拓展的弱樣本學習探究
3 4 8 性能顯著性分析
小結
第4章 基於相似度遷移的弱樣本語義分割
4 1 研究動機與方法簡介
4 2 遷移學習和語義分割方法的相關工作
4 2 1 弱監督語義分割
4 2 2 弱樣本學習
4 2 3 相似度遷移
4 3 基於相似度遷移的模型算法
4 3 1 模型基礎介紹
4 3 2 模塊一：區域和像素的相似度遷移
4 3 3 模塊二：像素和像素的相似度遷移
4 3 4 模塊三：補集代價函數
4 3 5 訓練和測試流程
4 4 基於相似度遷移的弱樣本語義分割實驗分析
4 4 1 數據與實驗設置
4 4 2 與現有工作的比較
4 4 3 模型可視化分析
4 4 4 模塊消融實驗分析
4 4 5 模型魯棒性分析
4 4 6 相似度遷移的分析
4 4 7 像素點採樣個數分析
4 4 8 像素點構造方法分析
4 4 9 對於類別拓展的場景探究
4 4 10 局限性與失敗案例分析
4 4 11 性能顯著性分析
小結
第5章 基於注意力遷移的帶特權信息的場景識別
5 1 研究動機與方法簡介
5 2 場景識別的相關工作
5 2 1 RGB-D場景識別
5 2 2 帶特權信息的學習
5 2 3 注意力機制
5 3 基於注意力遷移的帶特權信息模型算法
5 3 1 總體網絡架構
5 3 2 模塊一：偏移量注意力遷移
5 3 3 模塊二：權重注意力遷移
5 3 4 模塊三：多層的雙重相似度遷移
5 3 5 模塊四：防止負遷移
5 3 6 模型訓練和測試
5 4 對RGB-D數據集進行實驗分析
5 4 1 數據和實驗設置
5 4 2 與現有工作的比較
5 4 3 模型可視化分析
5 4 4 模塊消融實驗分析
5 4 5 模型魯棒性分析
5 4 6 注意力的可遷移性探究
5 4 7 跨模態遷移的討論
5 4 8 注意力層架構分析
5 4 9 模型訓練時耗比較
5 4 10 骨幹網絡配置分析
5 4 11 性能顯著性分析
小結
第6章 基於關鍵點和鏈接遷移的類別無關姿態估計
6 1 研究動機與方法簡介
6 2 類別無關姿態估計的相關工作
6 2 1 特定類別的姿態估計
6 2 2 類別無關的姿態估計
6 2 3 類別無關的目標檢測和分割
6 3 基於關鍵點和鏈接遷移的模型算法
6 3 1 姿態表徵初始化和數據設置
6 3 2 姿態精化框架的計算流程
6 3 3 結構感知解碼器
6 3 4 位置感知解碼器
6 3 5 模型訓練和測試
6 4 在MP-100大型數據集上的實驗分析
6 4 1 數據設置和實驗設置
6 4 2 與現有工作的比較
6 4 3 關鍵點和鏈接的可遷移性分析
6 4 4 關鍵點和鏈接的分佈範圍分析
6 4 5 使用超類作為新類別的分析
6 4 6 使用更少基礎類別的實驗分析
6 4 7 使用更少基礎類別圖像數量的實驗分析
6 4 8 消融實驗分析
小結
第7章 基於提示遷移與關聯遷移的極小樣姿態估計
7 1 研究動機與方法簡介
7 2 提示遷移與關聯遷移方法的相關工作
7 2 1 全監督姿態估計
7 2 2 少樣本姿態估計
7 2 3 無監督姿態估計
7 2 4 通過擴散模型的語義對應
7 2 5 用預訓練模型進行提示學習
7 3 基於提示遷移與關聯遷移的模型算法
7 3 1 整體框架流程
7 3 2 關鍵點熱圖與語義對應關係的提取
7 3 3 從基礎類別中優化關鍵點提示和聚合網絡
7 3 4 將學習到的提示和語義對應關係遷移到新類別
7 3 5 模型訓練和測試
7 4 在MP-100大型數據集上的實驗分析
7 4 1 數據配置和實驗設置
7 4 2
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。