计算机视觉模型.学习和推理

本书特色

[

本书是一本从机器学习视角讲解计算机视觉的非常好的教材。全书图文并茂、语言浅显易懂,算法描述由浅入深,即使是数学背景不强的学生也能轻松理解和掌握。作者展示了如何使用训练数据来学习观察到的图像数据和我们希望预测的现实世界现象之间的联系,以及如何如何研究这些联系来从新的图像数据中作出新的推理。本书要求少的前导知识,从介绍概率和模型的基础知识开始,接着给出让学生能够实现和修改来构建有用的视觉系统的实际示例。适合作为计算机视觉和机器学习的高年级本科生或研究生的教材,书中详细的方法演示和示例对于计算机视觉领域的专业人员也非常有用。

]

作者简介

[

Simon J. D. Prince博士,伦敦大学学院计算机科学系高级讲师。他主讲的课程包括:计算机视觉、图像处理和高级数学方法。他有着计算机科学和生物学的专业背景,发表了多篇论文,涉及计算机视觉、生物测定学、心理学、生理学、医学影像、计算机图形学和人机交互。

]

目录

目录Computer Vision:Models,Learning,and Inference译者序译者简介序前言第1章绪论11��1本书结构21��2其他书籍4**部分概率第2章概率概述62��1随机变量62��2联合概率72��3边缘化72��4条件概率82��5贝叶斯公式92��6独立性92��7期望10讨论10备注11习题11第3章常用概率分布123��1伯努利分布133��2贝塔分布133��3分类分布143��4狄利克雷分布143��5一元正态分布153��6正态逆伽马分布153��7多元正态分布163��8正态逆维希特分布163��9共轭性17总结18备注18习题18第4章拟合概率模型214��1*大似然法214��2*大后验法214��3贝叶斯方法224��4算例1:一元正态分布224��4��1*大似然估计224��4��2*大后验估计244��4��3贝叶斯方法264��5算例2:分类分布284��5��1*大似然法284��5��2*大后验法294��5��3贝叶斯方法30总结31备注31习题32第5章正态分布345��1协方差矩阵的形式345��2协方差分解355��3变量的线性变换365��4边缘分布365��5条件分布375��6正态分布的乘积385��7变量改变38总结38备注39习题39第二部分机器视觉的机器学习第6章视觉学习和推理426��1计算机视觉问题426��2模型的种类426��2��1判别模型436��2��2生成模型436��3示例1:回归436��3��1判别模型446��3��2生成模型446��4示例2:二值分类466��4��1判别模型466��4��2生成模型466��5应该用哪种模型486��6应用496��6��1皮肤检测496��6��2背景差分50总结51备注51习题52第7章复杂数据密度建模547��1正态分类模型547��2隐变量567��3期望*大化577��4混合高斯模型587��4��1混合高斯边缘化597��4��2基于期望*大化的混合模型拟合597��5t分布637��5��1学生t分布边缘化647��5��2拟合t分布的期望*大化657��6因子分析677��6��1因子分析的边缘分布687��6��2因子分析学习的期望*大化687��7组合模型717��8期望*大化算法的细节717��8��1期望*大化算法的下界737��8��2E步747��8��3M步747��9应用757��9��1人脸检测757��9��2目标识别767��9��3分割777��9��4正脸识别787��9��5改变人脸姿态(回归)787��9��6作为隐变量的变换79总结80备注80习题81第8章回归模型828��1线性回归828��1��1学习838��1��2线性回归模型的问题838��2贝叶斯线性回归848��2��1实际考虑858��2��2拟合方差868��3非线性回归878��3��1*大似然法878��3��2贝叶斯非线性回归898��4核与核技巧898��5高斯过程回归908��6稀疏线性回归918��7二元线性回归938��8相关向量回归958��9多变量数据回归968��10应用968��10��1人体姿势估计968��10��2位移专家97讨论98备注98习题98第9章分类模型1009��1逻辑回归1009��1��1学习:*大似然估计1029��1��2逻辑回归模型的问题1039��2贝叶斯逻辑回归1049��2��1学习1049��2��2推理1069��3非线性逻辑回归1079��4对偶逻辑回归模型1089��5核逻辑回归1109��6相关向量分类1119��7增量拟合和boosting1139��8分类树1169��9多分类逻辑回归1179��10随机树、随机森林和随机蕨分类器1189��11与非概率模型的联系1199��12应用1209��12��1性别分类1209��12��2脸部和行人检测1219��12��3语义分割1229��12��4恢复表面布局1239��12��5人体部位识别124讨论125备注125习题127第三部分连接局部模型第10章图模型13010��1条件独立性13010��2有向图模型13110��2��1示例113210��2��2示例213210��2��3示例313310��2��4总结13410��3无向图模型13410��3��1示例113510��3��2示例213610��4有向图模型与无向图模型的对比13610��5计算机视觉中的图模型13710��6含有多个未知量的模型推理13910��6��1求*大后验概率的解13910��6��2求后验概率分布的边缘分布13910��6��3*大化边缘14010��6��4后验分布的采样14010��7样本采样14010��7��1有向图模型的采样14110��7��2无向图模型的采样14110��8学习14210��8��1有向图模型的学习14210��8��2无向图模型的学习143讨论145备注145习题145第11章链式模型和树模型14711��1链式模型14811��1��1有向链式模型14811��1��2无向链式模型14811��1��3模型的等价性14811��1��4隐马尔可夫模型在手语中的应用14911��2链式MAP推理14911��3树的MAP推理15211��4链式边缘后验推理15511��4��1求解边缘分布15511��4��2前向后向算法15611��4��3置信传播15711��4��4链式模型的和积算法15811��5树的边缘后验推理16011��6链式模型和树模型的学习16111��7链式模型和树模型之外的东西16111��8应用16311��8��1手势跟踪16311��8��2立体视觉16411��8��3形象化结构16611��8��4分割167讨论167备注168习题169第12章网格模型17212��1马尔可夫随机场17212��1��1网格示例17312��1��2离散成对MRF图像去噪17412��2二值成对马尔可夫随机场的MAP推理17512��2��1*大流/*小割17612��2��2MAP推理:二值变量17712��3多标签成对MRF的MAP推理18212��4非凸势的多标签MRF18612��5条件随机场18912��6高阶模型19012��7网格有向模型19012��8应用19112��8��1背景差分19112��8��2交互式分割19212��8��3立体视觉19312��8��4图像重排19312��8��5超分辨率19512��8��6纹理合成19612��8��7合成新面孔197讨论198备注198习题200第四部分预处理第13章图像预处理与特征提取20413��1逐像素变换20413��1��1白化20413��1��2直方图均衡化20513��1��3线性滤波20613��1��4局部二值模式21013��1��5纹理基元映射21113��2边缘、角点和兴趣点21213��2��1Canny边缘检测器21213��2��2Harris角点检测器21413��2��3SIFT检测器21513��3描述子21613��3��1直方图21613��3��2SIFT描述子21613��3��3方向梯度直方图21713��3��4词袋描述子21813��3��5形状内容描述子21813��4降维21913��4��1单数值近似22013��4��2主成分分析22113��4��3二元主成分分析22113��4��4K均值算法222结论223备注223习题224第五部分几何模型第14章针孔摄像机22814��1针孔摄像机简介22814��1��1归一化摄像机22914��1��2焦距参数23014��1��3偏移量和偏移参数23014��1��4摄像机的位置与方向23114��1��5全针孔摄像机模型23214��1��6径向畸变23214��2三个几何问题23314��2��1问题1:学习外在参数23314��2��2问题2:学习内在参数23414��2��3问题3:推理3D世界点23514��2��4解决问题23514��3齐次坐标23614��4学习外在参数23714��5学习内在参数23914��6推理3D世界点24014��7应用24114��7��1结构光的深度24114��7��2剪影重构243讨论245备注245习题246第15章变换模型24915��1二维变换模型24915��1��1欧氏变换模型24915��1��2相似变换模型25115��1��3仿射变换模型25215��1��4投影变换模型25215��1��5增加不确定性25415��2变换模型中的学习25515��2��1学习欧氏参数25515��2��2学习相似参数25615��2��3学习仿射参数25615��2��4学习投影参数25715��3变换模型中的推理25815��4平面的三个几何问题25815��4��1问题1:学习外在参数25815��4��2问题2:学习内在参数26015��4��3问题3:与摄像机相关的3D位置推理26115��5图像间的变换26115��5��1单应性的几何特征26215��5��2计算图像间的变换26315��6变换的鲁棒学习26415��6��1RANSAC26415��6��2连续RANSAC26515��6��3PEaRL26615��7应用26815��7��1增强现实追踪26815��7��2视觉全景269讨论270备注270习题271第16章多摄像机系统27316��1双视图几何学理论27316��1��1极线约束27416��1��2极点27416��2实矩阵27516��2��1实矩阵的属性27616��2��2实矩阵的分解27716��3基础矩阵27916��3��1基础矩阵的估计27916��3��28点算法28016��4双视图重构的流程28116��5校正28416��5��1平面校正28416��5��2极面校正28616��5��3校正后处理28716��6多视图重构28716��7应用29016��7��1三维重构29016��7��2图片浏览29116��7��3立体图割292讨论293备注293习题294第六部分视觉模型第17章形状模型29817��1形状及其表示29817��2snake模型29917��2��1推理30117��2��2snake模型中存在的问题30117��3形状模板30217��3��1推理30317��3��2用迭代*近点算法进行推理30417��4统计形状模型30417��4��1学习30517��4��2推理30617��5子空间形状模型30617��5��1概率主成分分析30717��5��2学习30817��5��3推理30917��6三维形状模型31117��7形状和外观的统计模型31117��7��1学习31317��7��2推理31417��8非高斯统计形状模型31517��8��1回归PPCA31517��8��2高斯过程隐变量模型31617��9铰接式模型31717��10应用31917��10��1三维形变模型31917��10��2三维人体模型321讨论322备注322习题324第18章身份与方式模型32618��1子空间身份模型32818��1��1学习32918��1��2推理33118��1��3在其他识别任务中的推理33218��1��4身份子空间模型的局限性33318��2概率线性判别分析33418��2��1学习33518��2��2推理33518��3非线性身份模型33618��4非对称双线性模型33718��4��1学习33918��4��2推理33918��5对称双线性和多线性模型34118��5��1学习34218��5��2推理34318��5��3多线性模型34418��6应用34418��6��1人脸识别34418��6��2纹理建模34518��6��3动画合成346讨论346备注346习题348第19章时序模型34919��1时序估计框架34919��1��1推理35019��1��2学习35019��2卡尔曼滤波器35119��2��1推理35119��2��2改写测量合并阶段35219��2��3推理总结35319��2��4示例135319��2��5示例235419��2��6滤波35519��2��7时序和测量模型35619��2��8卡尔曼滤波器的问题35819��3扩展卡尔曼滤波器35819��4无损卡尔曼滤波器36019��4��1状态演化36119��4��2测量合并过程36219��5粒

封面

计算机视觉模型.学习和推理

书名:计算机视觉模型.学习和推理

作者:西蒙J.D.普林斯

页数:442

定价:¥119.0

出版社:机械工业出版社

出版日期:2017-06-01

ISBN:9787111516828

PDF电子书大小:75MB 高清扫描完整版

百度云下载:http://www.chendianrong.com/pdf

发表评论

邮箱地址不会被公开。 必填项已用*标注