計算機視覺前沿發(fā)展：目標檢測專題

定　價：￥40.00

作　者：	田彥編
出版社：	浙江工商大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥40.00)

ISBN：	9787517836292	出版時間：	2020-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	144	字數(shù)：

內(nèi)容簡介

　　《計算機視覺前沿發(fā)展：目標檢測專題》主要介紹基于深度學習的目標檢測算法。從實用的角度出發(fā)，《計算機視覺前沿發(fā)展：目標檢測專題》將目標檢測問題分為2D目標檢測，3D目標檢測，以及總結與展望等幾章，分別描述算法發(fā)展和側重解決的問題，并對未來的發(fā)展趨勢做出展望。第二章，在2D目標檢測方面，《計算機視覺前沿發(fā)展：目標檢測專題》介紹了多個學者近期感興趣的研究方向，包括：1）為了解決深度學習訓練樣本不足的問題，2D目標樣本的合成；2）為了解決訓練時樣本分布不均的問題，研究者們在難例選擇上做出的一些工作；3）利用弱監(jiān)督學習進行目標檢測；4）以及在多尺度目標、多視角、多任務學習、遮擋等方面的問題。第三章，在3D目標檢測方面，介紹以下多種方案完成3D目標檢測，包括：1）基于雙目圖像深度估計的偽雷達；2）基于點云投影到鳥的視角；3）基于RGBD圖像（2．5D表達）；4）基于規(guī)則3D體素；5）基于幾何（Frustum）信息，6）基于點云；7）基于多任務學習等等。最后，作者總結當前目標檢測算法的發(fā)展思路，分析各個流派方法的異同，并提出對未來算法發(fā)展的一些見解。

作者簡介

暫缺《計算機視覺前沿發(fā)展：目標檢測專題》作者簡介

圖書目錄

第一章概述
1．1 什么是目標檢測
1．2 2D目標檢測簡史
1．2．1 集成學習架構
1．2．2 SVM架構
1．2．3 DPM架構
1．2．4 Exemplar架構
1．2．5 深度學習架構
1．2．6 數(shù)據(jù)庫
1．3 3D檢測簡史基于SVM
1．4 本書概述
第二章 2D圖像目標檢測
2．1 樣本合成
2．2 難例選擇
2．3 弱監(jiān)督學習
2．4 多尺度目標
2．4．1 雙階段方法Faster RCNN
2．4．2 單階段方法SSD
2．4．3 基于GAN
2．5 多姿態(tài)（視角）問題
2．5．1 基于Part
2．5．2 基于子類別
2．5．3 基于形變的卷積、池化
2．5．4 基于GAN
2．5．5 基于多任務學習
2．5．6 基于3D模型
2．5．7 其他
2．6 多任務學習
2．6．1 聯(lián)合檢測和分割
2．6．2 聯(lián)合檢測和對齊
2．7 遮擋問題
2．7．1 基于part
2．7．2 基于霍夫變換
2．7．3 基于GAN
2．7．4 基于部分數(shù)據(jù)增強
2．8 環(huán)境信息
2．8．1 外擴框
2．8．2 邊界信息
2．8．3 背景
2．8．4 物體間信息
2．8．5 層間信息
2．8．6 通道間信息
2．8．7 Attention
2．9 場景變化
2．10 新增物體
2．11 基于密度估計的方法
2．12 3D框檢測
2．13 視頻目標檢測
2．14 交互
2．15 效率提升
2．16 密度估計
2．16．1 基于檢測
2．16．2 基于回歸
2．16．3 相機信息
2．16．4 時域信息
2．16．5 多尺度
2．16．6 Attention
2．16．7 基于自編碼器
2．16．8 通用目標檢測
2．17 度量方法
2．18 非極大抑制
2．19 典型應用
2．19．1 線的檢測
2．19．2 車輛檢測
2．19．3 車道線檢測
2．19．4 交通標識符檢測
2．19．5 瑕疵檢測
2．19．6 行人檢測
2．19．7 人臉檢測
2．19．8 文本檢測
2．19．9 陰影檢測
2．19．10 無紋理
2．19．11 其它檢測
第三章 3D目標檢測
3．1 基于雙目
3．2 投影到鳥的視角
3．3 基于2．5D表達
3．4 基于規(guī)則3D體素
3．5 利用幾何（Frustum）信息
3．6 基于點云
3．7 多任務學習
3．7．1 檢測與分割
3．7．2 檢測與定位
3．7．3 檢測與深度估計
第四章總結與展望
4．1 總結
4．2 展望
參考文獻