8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 17.98 руб.

Своичная нейронная сеть и компьютерная визуальная нейронная сеть и глубокое обучение принцип CNN

Цена: 1 238руб.    (¥68.8)
Артикул: 592734137570

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:弗洛拉图书专营店
Адрес:Шаньдун
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥54.5980руб.
¥681 223руб.
¥40720руб.
¥50899руб.
  • Информация о товаре
  • Фотографии


Параметры продукта

Сверточная нейронная сеть и компьютерное зрение
      Ценообразование99.00
ИздательMachinery Industry Press
Версия1
Опубликованная датаАпрель 2019 года
формат16
авторСалман&Миддот;
УкраситьОплата в мягкой обложке
Количество страниц
Число слов
Кодирование ISBN9787111622888
масса

Введение

Эта книга самостоятельно содержится.Книга полностью представлена ​​в CNN.Затем обсудили различные функции потерь, сетевые слои и популярные архитектуры CNN, рассмотрели различные технологии CNN и представили некоторые часто используемые инструменты и библиотеки CNN.Кроме того, в этой книге также анализируются случаи приложения CNN в компьютерном зрении, включая классификацию изображений, обнаружение объектов, семантическую сегментацию, понимание сцены и генерацию изображений.


Оглавление

Переводчик

Предисловие

Спасибо

об авторе

Глава 1 Введение

11 Что такое компьютерное зрение

111

112 обработка изображений и компьютерное зрение

12 Что такое машинное обучение

121 Почему мне нужно глубокое обучение

13 Обзор этой книги

Глава 2 Специальная экспедиция и классификатор

21 Особенности и важность классификаторов

21 征 1 функции

212 классификатор

22 традиционные дескрипторы функций

221 Гистограмма градиента направления 

22 尺 2 -преобразование функций

223 ускоряет сильные характеристики

224 ограничения традиционных ручных инженерных характеристик

23 классификатор машинного обучения

231 Служба поддержки векторной машины

232 Лес случайных решений

24 Резюме

Глава 3 Основы нейронной сети

31 Введение

32 Multi -Layer Perceptual Machine

321 Инфраструктура

322 Обучение параметрам

33 велосипедная нейронная сеть

331 Инфраструктура

332 Обучение параметрам

34 связано с биологическим видением

341 модель биологического нейрона

342 Модель расчета нейронов

343 Искусственные нейроны и биологические нейроны

ГЛАВА 4 СВОБАЛОВАЯ НЕРНАЯ СЕТИ

41 Введение

42 уровня нейронной сети

421 Предварительная обработка

42 卷 2 сверточный слой

42 池 3 Объединение слоя

424 не -линейно

425 Полный слой соединения

426 Ротор сверток слой

4 27 Слой пленки заинтересованной области

428.

42 局 9 локальные функции Полиционные дескрипторные слой

4 210 пространственного преобразования слой

43CNN Функция потери

431 Функция потери поперечной энтропии

432SVM Функция потерь

433 квадратная функция утраты шарнира

4 34 евро

4351 Ошибка

436 Функция потери сравнения

437 Функция потери ожидания

438 Структура Сходство

Глава 5 CNN Learning

51 инициализация веса

511 Gauss случайная инициализация

512 равномерная случайная инициализация

513 ортогональная случайная инициализация

514 Pre -Supervision Pre -Training

51 泽 5 A (Ксавье) Инициализация

516RELU Чувствительная инициализация масштабирования

51 层 7 дисперсия заказа на слое.

518, предварительно подготовленное с надзором

Регуляризация 52CNN

521 Улучшение данных

522 Случайные потери

523 Случайная потеря

524 Нормализация партии

525 интегрированное среднее значение модели

5262 регуляризация

5271 регуляризация

528 Упругая регуляризация сети

529zui Большие модели ограничения

5210 Ранняя остановка

53 обучение CNN на основе градиента

531 партийный градиент уменьшается

532 снижение случайного градиента

533 Маленький пакетный градиент уменьшается

54 Оптимизатор нейронной сети

54 量 1 импульс

54 涅 2 импульс Neiszelov

543 Адаптивный градиент

544 адаптивное увеличение

545rmsprop

546 Адаптивное оценок крутящего момента

55CNN Градиент расчет

551 Анализ метода микро -дивизии

552 Численное микро -дивизионное метод

553 Символ метод микроаллера

554 Метод автоматического микро -дивизиона

56 через визуальное понимание CNN

561 Вес визуального обучения

562 Визуальная активация

563 на основе градиентной визуализации

Глава 6 Пример архитектуры CNN

61lenet

62alexnet

63inin

64vggnet

65 Googlenet

66Resnet

67resnext

68fractalnet

69densenet

 

71 Классификация изображений

711Pointnet

72 обнаружение и позиционирование цели

721 CNN

722 Quick Rncnn

723 Региональная сеть рекомендаций

73 Семантическая сегментация

731 Полная сверточная сеть

732 глубокая антиконволюционная сеть

733deeplab

74 Понимание сцены

741deepcontext

742 Изучите богатые функции из RGBD -изображений

743 Pointnet используется для понимания сцены

75 генерация изображений

751 генерировать сеть конфронтации

752 сеть конфронтационной сети глубоких свертков

753 сеть конфронтации генерации Ultra -Resolution

76 Видеопознание

76 静 1 Движение статических видео кадров

762 двойной поток CNN

763 Long -Term -рекурсивная свертка сеть

Глава 8 Инструменты глубокого обучения и библиотека

81Caffe

82tensorflow

83matconvnet

84Torch7

85theano

86keras

87lasangne

88marvin

89Chainer

810pytorch

Глава 9

91 Эта книга, как правило,

92 Будущее направление исследования

Глоссарий

Рекомендации