国产又黄又硬又湿又黄的视频,911国产自产精品a

本書分為基礎、進階、實戰(zhàn)三部分，共11章。基礎部分，包括Python環(huán)境與基礎、機器學習、圖像處理基礎、深度學習基礎與深度神經(jīng)網(wǎng)絡。進階部分，包括圖神經(jīng)網(wǎng)絡、空洞多級卷積神經(jīng)網(wǎng)絡、深度強化學習與深度生成對抗網(wǎng)絡。實戰(zhàn)部分，包括基礎實戰(zhàn)案例和進階實戰(zhàn)案例。本書按基礎-進階-應用的邏輯脈絡組織內(nèi)容，融理論性、系統(tǒng)性、實戰(zhàn)性于一體，適合人工智能、計算機、自動化、電子與通信、大數(shù)據(jù)科學等相關專業(yè)的科學研究人員和工程技術人員閱讀，也可作為相關專業(yè)博士、碩士研究生的教學參考書。

前言深度學習（Deep Learning，DL）是機器學習（Machine Learning，ML）領域中一個新的研究方向。深度學習旨在學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和層次表示，在學習過程中，使機器獲得信息并具備人類的分析和學習能力，從而可以模仿人類的視聽和思考活動。通過逐步解決一系列簡單問題，深度學習能夠有效解決眾多復雜的模式識別難題，使人工智能相關技術取得了很大進步。本書匯集了作者團隊在深度學習與圖像處理領域多年的研究心得和研究成果，同時借鑒了國內(nèi)外重要期刊發(fā)表的最新研究成果以及相關博士、碩士學位論文中的精華內(nèi)容。本書分為三部分，共11章，具體內(nèi)容如下。第一部分是基礎部分，共5章。第1章為Python環(huán)境與基礎，簡述了Python語言的開發(fā)環(huán)境、Python基礎知識、基于Python的數(shù)據(jù)分析與可視化，以及基于Python的聚類算法。第2章為機器學習，詳細介紹了機器學習和數(shù)據(jù)挖掘的相關內(nèi)容。第3章為圖像處理基礎，介紹了圖像去模糊、圖像去噪、圖像全色銳化及圖像修復。第4章為深度學習基礎，介紹了神經(jīng)網(wǎng)絡及其訓練與優(yōu)化、反向傳播算法及欠擬合與過擬合問題。第5章為深度神經(jīng)網(wǎng)絡，首先簡要介紹了深度神經(jīng)網(wǎng)絡概述，然后重點介紹了卷積神經(jīng)網(wǎng)絡及其算法，以及卷積神經(jīng)網(wǎng)絡的訓練與優(yōu)化。第二部分是進階部分，共4章。第6章為圖神經(jīng)網(wǎng)絡，介紹了圖神經(jīng)網(wǎng)絡概述、經(jīng)典的圖神經(jīng)網(wǎng)絡以及其他圖神經(jīng)網(wǎng)絡模型。第7章為空洞多級卷積神經(jīng)網(wǎng)絡，分別介紹了空洞多級模塊、基于卷積神經(jīng)網(wǎng)絡的高效Pan-sharpening模型、深度學習結(jié)合模型優(yōu)化的Pan-sharpening模型和多尺度空洞深度卷積神經(jīng)網(wǎng)絡。第8章為深度強化學習，首先介紹了它的組成與結(jié)構，然后介紹了深度學習與強化學習的不同與結(jié)合，最后分析了基于值函數(shù)的深度強化學習和基于策略梯度的深度強化學習。第9章為深度生成對抗網(wǎng)絡，分別介紹了生成對抗網(wǎng)絡、多尺度生成對抗網(wǎng)絡、深度卷積生成對抗網(wǎng)絡、半監(jiān)督深度卷積生成對抗網(wǎng)絡和深度強化對抗學習網(wǎng)絡。第三部分是實戰(zhàn)部分，共2章。第10章為基礎實戰(zhàn)案例，包括Python開發(fā)環(huán)境的安裝與驗證以及基于PCA-BP神經(jīng)網(wǎng)絡的數(shù)字儀器識別技術。通過基礎實戰(zhàn)案例，讀者能初步架起神經(jīng)網(wǎng)絡與實際問題解決之間的橋梁，起拋磚引玉之功效。第11章為進階實戰(zhàn)案例，包括基于深度卷積神經(jīng)網(wǎng)絡的遙感圖像分類、基于多尺度級聯(lián)生成對抗網(wǎng)絡的水下圖像增強、基于多層次卷積特征融合與高置信度更新的跟蹤、基于圖生成對抗卷積網(wǎng)絡的半監(jiān)督睡眠分期、基于密集連接的序列稀疏化Transformer行人重識別、基于改進YOLOv5網(wǎng)絡的無人機圖像檢測和基于級聯(lián)多尺度特征融合殘差網(wǎng)絡的圖像去噪。每個案例都沿著問題引入、原理導入、模型構建、仿真驗證、結(jié)果分析的路徑，從多角度分析、多原理融合、多要素實驗等維度，全面深入地展現(xiàn)了深度學習在解決圖像處理問題中的應用過程。通過部分實戰(zhàn)案例代碼，引導讀者身臨其境地參與實踐。只要細心體味、勇于實踐、善于創(chuàng)新，讀者一定能夠取得事半功倍的效果。本書圍繞深度學習在圖像處理領域的最新研究成果，從科學性、系統(tǒng)性、應用性和進階性四個視角進行了全面闡述。從科學性視角出發(fā)，詳細介紹了深度學習網(wǎng)絡進階模型的原理與特征；從系統(tǒng)性視角出發(fā)，本書所涉及的各種深度學習網(wǎng)絡均起始于結(jié)構剖析，側(cè)重于原理論述，落腳于方法在圖像處理領域的應用，形成了完整的體系結(jié)構；從應用性視角出發(fā)，本書以圖像處理中的最新應用為實戰(zhàn)案例，展示了用深度學習解決圖像處理問題的全過程，實現(xiàn)了抽象問題具體化和理論問題可視化；從進階性視角出發(fā)，本書從Python語言的基礎開始，逐步延伸到機器學習、圖像處理基礎、標準深度學習模型、進階深度學習模型以及應用實戰(zhàn)，擴展了深度學習網(wǎng)絡的功能，提升了應用實效。這些內(nèi)容為研究人員提供了創(chuàng)新思路和方法。本書由郭業(yè)才和梁美玉合著。其中，第1章到第7章，第10章及第11章中11.1節(jié)到11.5節(jié)和11.7節(jié)由郭業(yè)才著，而第8章、第9章及第11.6節(jié)由梁美玉著。本書在形成過程中，得到了國家一流專業(yè)電子信息工程建設項目、江蘇省高校十四五重點學科電子科學與技術、江蘇省集成電路可靠性技術及檢測系統(tǒng)工程研究中心、無錫俊騰信息科技有限公司等的資助。在編寫過程中，胡曉偉、周雪、孫京東、劉程、陽剛等研究生提供了幫助；對參閱并引用其他作者的相關論著，已列在參考文獻中，如有遺漏，誠請原作者諒解。本書的出版還得到了機械工業(yè)出版社的大力支持，在此一并表示誠摯的謝意！由于作者水平有限，書中難免存在不當之處，敬請廣大讀者批評指正！

第1章Python環(huán)境與基礎11.1Python語言的開發(fā)環(huán)境11.1.1Jupyter Notebook11.1.2OpenCV11.1.3TensorFlow21.1.4PyTorch31.1.5Paddle Paddle71.2Python基礎知識81.2.1Python編程基礎81.2.2Python函數(shù)進階151.3基于Python的數(shù)據(jù)分析與可視化221.3.1Python的數(shù)據(jù)分析庫與數(shù)據(jù)可視化庫221.3.2基于Python的數(shù)據(jù)分析231.3.3基于Python的數(shù)據(jù)可視化231.4基于Python的聚類算法251.4.1聚類分析251.4.2聚類算法25第2章機器學習372.1機器學習的發(fā)展382.2機器學習的問題描述392.3機器學習的理論基礎與主要方法392.3.1機器學習的理論基礎392.3.2機器學習的主要方法402.3.3機器學習的經(jīng)典模型422.3.4機器學習的知識圖譜442.3.5機器學習的三要素462.4機器學習的基本流程462.4.1機器學習的訓練流程462.4.2模型訓練的注意事項482.5數(shù)據(jù)挖掘及其基本步驟492.5.1數(shù)據(jù)挖掘492.5.2預測建模512.5.3數(shù)據(jù)挖掘的基本步驟522.6機器學習和數(shù)據(jù)挖掘的常用工具53目錄···深度學習與圖像處理：基礎、進階與案例實戰(zhàn)第3章圖像處理基礎553.1圖像去模糊553.1.1圖像模糊類型553.1.2圖像模糊退化模型573.1.3圖像先驗知識583.2圖像去噪603.2.1噪聲模型603.2.2傳統(tǒng)的圖像去噪方法633.2.3去噪效果評價指標633.3圖像全色銳化643.3.1成分替換法643.3.2GIHS變換融合653.3.3PCA變換融合663.3.4GS變換融合673.3.5多分辨率分析法673.3.6小波變換法683.3.7模型優(yōu)化法693.4圖像修復733.4.1圖像修復概念733.4.2傳統(tǒng)的圖像修復算法733.4.3常用的圖像修復數(shù)據(jù)集74第4章深度學習基礎754.1神經(jīng)網(wǎng)絡754.1.1生物神經(jīng)元與人工神經(jīng)元764.1.2感知器784.2神經(jīng)網(wǎng)絡的訓練與優(yōu)化804.2.1神經(jīng)網(wǎng)絡的訓練804.2.2神經(jīng)網(wǎng)絡的優(yōu)化算法814.3反向傳播算法864.3.1反向傳播算法思想864.3.2反向傳播算法過程874.4欠擬合與過擬合894.4.1基本概念904.4.2以減少特征變量的方法防止過擬合914.4.3以權重正則化的方法防止過擬合924.4.4以交叉驗證的方法防止過擬合924.4.5以Dropout正則化的方法防止過擬合944.4.6貝葉斯正則化95第5章深度神經(jīng)網(wǎng)絡985.1深度神經(jīng)網(wǎng)絡概述985.1.1深度神經(jīng)網(wǎng)絡的工作原理985.1.2深度神經(jīng)網(wǎng)絡的主要模型1015.2卷積神經(jīng)網(wǎng)絡1025.2.1輸入層1025.2.2隱藏層1035.2.3輸出層（全連接層）1125.3卷積神經(jīng)網(wǎng)絡算法1135.3.1鏈式法則1135.3.2梯度下降與反向傳播算法1135.3.3卷積層的誤差傳遞1155.3.4卷積層權重梯度的計算1165.3.5池化層的誤差傳遞1175.4卷積神經(jīng)網(wǎng)絡的訓練與優(yōu)化1185.4.1卷積神經(jīng)網(wǎng)絡的工作流程1185.4.2訓練與優(yōu)化1185.4.3卷積神經(jīng)網(wǎng)絡與人工神經(jīng)網(wǎng)絡的比較120第6章圖神經(jīng)網(wǎng)絡1216.1圖神經(jīng)網(wǎng)絡概述1216.1.1圖神經(jīng)網(wǎng)絡的出現(xiàn)與發(fā)展1216.1.2圖神經(jīng)網(wǎng)絡1236.2經(jīng)典的圖神經(jīng)網(wǎng)絡1246.2.1圖卷積網(wǎng)絡1246.2.2圖樣本和聚合1256.2.3圖注意力網(wǎng)絡1296.3其他圖神經(jīng)網(wǎng)絡模型1316.3.1無監(jiān)督的節(jié)點表示學習1316.3.2圖池化140第7章空洞多級卷積神經(jīng)網(wǎng)絡1437.1空洞多級模塊1437.1.1空洞卷積1437.1.2空洞多級模塊結(jié)構1457.2基于卷積神經(jīng)網(wǎng)絡的高效Pan-sharpening模型1467.2.1數(shù)據(jù)集1467.2.2超參數(shù)設置與網(wǎng)絡結(jié)構選擇1487.2.3代價函數(shù)及其求解1507.3深度學習結(jié)合模型優(yōu)化的Pan-sharpening模型1507.3.1基于梯度域的線性Pan-sharpening模型優(yōu)化算法1517.3.2基于深度梯度先驗的Pan-sharpening模型優(yōu)化算法1547.4多尺度空洞深度卷積神經(jīng)網(wǎng)絡1607.4.1SRCNN1607.4.2超分辨率多尺度空洞卷積神經(jīng)網(wǎng)絡1617.4.3多尺度多深度空洞卷積神經(jīng)網(wǎng)絡164第8章深度強化學習1678.1組成與結(jié)構1678.1.1基本概念1678.1.2馬爾可夫決策過程1688.1.3數(shù)學基礎1698.1.4策略迭代1708.1.5值迭代1718.2深度學習與強化學習1718.2.1深度學習與強化學習之不同1728.2.2深度學習與強化學習之結(jié)合1738.3基于值函數(shù)的深度強化學習1738.3.1深度Q學習1748.3.2DQN與Q學習的區(qū)別1768.3.3改進深度Q網(wǎng)絡1768.4基于策略梯度的深度強化學習1848.4.1深度確定性策略梯度算法1858.4.2異步深度強化學習算法1878.4.3信賴域策略優(yōu)化及其衍生算法191第9章深度生成對抗網(wǎng)絡1989.1生成對抗網(wǎng)絡1989.1.1生成網(wǎng)絡1999.1.2鑒別網(wǎng)絡2009.1.3損失函數(shù)2019.2多尺度生成對抗網(wǎng)絡2019.2.1多尺度結(jié)構2019.2.2多尺度生成對抗網(wǎng)絡結(jié)構2029.2.3損失函數(shù)2049.3深度卷積生成對抗網(wǎng)絡2049.3.1DCGAN的優(yōu)化2059.3.2DCGAN的改進2069.3.3DCGAN的設計2069.4半監(jiān)督深度卷積生成對抗網(wǎng)絡2069.4.1YOLOv5網(wǎng)絡結(jié)構2079.4.2改進的YOLOv5網(wǎng)絡2129.4.3半監(jiān)督Y(jié)OLOv5網(wǎng)絡2209.5深度強化對抗學習網(wǎng)絡2239.5.1Exposure圖像增強模型2249.5.2相對對抗學習及獎勵函數(shù)2269.5.3評論家正則化策略梯度算法2279.5.4網(wǎng)絡結(jié)構228第10章基礎實戰(zhàn)案例22910.1Python開發(fā)環(huán)境的安裝與驗證22910.1.1Python安裝22910.1.2OpenCV安裝與驗證23210.1.3TensorFlow安裝與驗證23410.2基于PCA-BP神經(jīng)網(wǎng)絡的數(shù)字儀器識別技術24910.2.1表盤區(qū)域提取25010.2.2圖像預處理25010.2.3字符識別25110.2.4字符識別的神經(jīng)網(wǎng)絡25110.2.5實驗設計254第11章進階實戰(zhàn)案例25611.1基于深度卷積神經(jīng)網(wǎng)絡的遙感圖像分類25611.1.1基于卷積神經(jīng)網(wǎng)絡的遙感圖像識別25611.1.2基于改進AlexNet網(wǎng)絡的遙感圖像分類25711.1.3仿真實驗與結(jié)果分析26011.2基于多尺度級聯(lián)生成對抗網(wǎng)絡的水下圖像增強26511.2.1網(wǎng)絡結(jié)構和損失函數(shù)26511.2.2仿真實驗與結(jié)果分析26811.2.3消融實驗27611.3基于多層次卷積特征融合與高置信度更新的跟蹤27611.3.1基于多層次卷積特征融合與高置信度更新的跟蹤算法27711.3.2仿真實驗與結(jié)果分析28011.4基于圖生成對抗卷積網(wǎng)絡的半監(jiān)督睡眠分期28911.4.1睡眠信號基本理論29011.4.2GSGANet模型29511.4.3仿真實驗與結(jié)果分析30011.5基于密集連接的序列稀疏化Transformer行人重識別30611.5.1密集連接的稀疏Transformer模型30711.5.2仿真實驗與結(jié)果分析31111.6基于改進YOLOv5網(wǎng)絡的無人機圖像檢測31711.6.1問題與解決思路31811.6.2算法原理31811.6.3仿真實驗與結(jié)果分析32111.7基于級聯(lián)多尺度特征融合殘差網(wǎng)絡的圖像去噪32611.7.1問題與解決思路32711.7.2模型與架構分析32811.7.3仿真實驗與結(jié)果分析332參考文獻337附錄341

你還可能感興趣

我要評論