视觉感知：深度学习如何知图辨物

第1章　计算机视觉综述 001 1.1 生物的视界 002 1.1.1 三只眼 002 1.1.2 眼见为实？ 005 1.2 人工智能的视界 009 1.2.1 数字图像类型 009 1.2.2 从图像到矩阵 011 1.2.3 视不同，理相通 014 1.3 计算机视觉发展与应用 018 1.3.1 计算机视觉发展史 018 1.3.2 大规模视觉识别挑战赛 021 1.3.3 计算机视觉应用 022 第2章　机器学习与图像识别 024 2.1 从感知机到支持向量机 025 2.1.1 感知机的线性可分 025 2.1.2 支持向量机 027 2.2 支持向量机的超强“核”心 030 2.3 支持向量机的实践 034 2.3.1 鸢尾花的辨识 034 2.3.2 手写数字图像识别 040 第3章　神经网络与图像分类 043 3.1 从神经元到神经网络 044 3.1.1 神经元与感知机 044 3.1.2 神经网络的结构 046 3.1.3 前向与反向传播 047 3.2 激活函数与损失函数 052 3.2.1 非线性转换的激活函数 052 3.2.2 衡量优劣的损失函数 056 3.2.3 激活函数与损失函数的组合 057 3.3 拟合与误差 058 3.3.1 过拟合与欠拟合 058 3.3.2 偏差与方差的权衡 060 3.4 利用神经网络识别手写数字图像 064 3.4.1 MNIST手写数字图像数据集 064 3.4.2 Scikit-learn库神经网络与手写数字图像 066 3.4.3 NumPy库神经网络与手写数据集 069 第4章　卷积入门 073 4.1 图像噪声 074 4.2 卷积核与去噪 077 4.3 边缘检测 085 4.4 纹理分析 089 第5章　卷积神经网络及经典详解 092 5.1 卷积神经网络的提出 093 5.1.1 从全局到局部 093 5.1.2 感受野 096 5.2 卷积层、池化层与全连接层 097 5.2.1 卷积与卷积层 098 5.2.2 池化与池化层 100 5.2.3 全连接层 101 5.3 卷积神经网络的图像分类 103 5.3.1 CIFAR-10图像集介绍 103 5.3.2 简单实现图像分类 104 5.4 ImageNet与经典网络介绍 113 5.4.1 ImageNet数据集 113 5.4.2 经典卷积神经网络 114 第6章　OpenCV基础 118 6.1 图像处理入门 120 6.1.1 读取、显示与保存图像 121 6.1.2 分割与合并颜色通道 126 6.1.3 转换颜色空间 128 6.1.4 读取、显示与保存视频 131 6.2 图像基本变换 135 6.2.1 操作单个像素 135 6.2.2 裁剪图像 138 6.2.3 调整图像大小 140 6.2.4 翻转图像 144 6.3 为图像添加注释 146 6.3.1 为图像添加线段 147 6.3.2 为图像添加圆 148 6.3.3 为图像添加矩形 149 6.3.4 为图像添加文本 150 6.4 图像增强 151 6.4.1 调整图像亮度 151 6.4.2 调整图像对比度 153 第7章　OpenCV实战应用 157 7.1 目标跟踪 158 7.1.1 目标跟踪算法 159 7.1.2 创建跟踪器实例 160 7.2 目标检测 169 7.2.1 SSD目标检测算法 169 7.2.2 目标检测实例 170 7.3 图像分割 177 7.3.1 图像分割介绍 178 7.3.2 通过Mask R-CNN进行图像分割 179 7.4 人脸识别 181 7.4.1 人脸检测实例 182 7.4.2 眼睛检测实例 187 附录　 189 附录一　优化基础 190 附录二　神经网络代码 198 附录三　腾讯扣叮Python实验室：Jupyter Lab使用说明 205