本書介紹深度學習於影像處理中的應用,從基礎的機器學習與深度學習技術講起,接著由淺入深地探討深度學習的原理與實現,同時結合實例進行演示和實驗。最後介紹電腦視覺與影像處理的相關技術,並結合深度學習模型應用於多種視覺任務的應用。書中分為兩大部分:第一部分(前七章)將介紹機器學習和深度學習的基礎知識,包括常用的機器學習模型、損失函數、優化算法等,也會在此介紹常見的卷積神經網路(CNN)、循環神經網路(RNN)和生成對抗網路(GAN)等;第二部分(第八章)將深入探討深度學習算法在影像處理中的應用,我們將通過實際案例和實驗,向讀者演示這些算法的原理和實現方法,並探討如何應用這些算法來解決影像處理中的實際問題。
本書特色
1.基礎到技術循序漸進,並以圖示簡化流程圖與其描述。
2.書內理論提供詳細公式並附有豐富的程式碼進行演示。
3.本書介紹並呈現多種視覺任務,包含影像增強、除雨、偵測、辨識、分類...等應用。
深度學習:影像處理應用
內容描述
目錄大綱
CH1 人工智慧基本介紹
1-1 何謂人工智慧
1-2 人工智慧、機器學習及深度學習
1-3 人工智慧對人類社會的影響
CH2 環境與資料科學套件介紹
2-1 Google Colab 環境介紹
2-2 Numpy 介紹
2-3 Pandas 介紹
2-4 Pytorch 介紹
2-5 Matplotlib 介紹
CH3 機器學習與深度學習基礎
3-1 機器學習基礎
3-2 深度學習基礎
CH4 卷積神經網路
4-1 類神經網路
4-2 卷積神經網路
4-3 轉置卷積
4-4 其他卷積方法
4-5 卷積神經網路於Pytorch 之實現
CH5 常用深度學習訓練技巧
5-1 標準化
5-2 正則化
5-3 遷移學習及預訓練模型
5-4 交叉驗證
5-5 集成學習
5-6 平行訓練
5-7 深度學習應用於影像處理之技巧
CH6 深度學習架構介紹
6-1 LeNet
6-2 VGGNet
6-3 U-Net
6-4 Residual Network(ResNet)
6-5 InceptionNet(GoogLeNet)
6-6 DenseNet
6-7 Fully Convolutional Networks (FCNs)
6-8 MobileNet V1
6-9 EfficientNet
CH7 進階深度學習技術介紹
7-1 循環神經網路
7-2 長短記憶模型
7-3 門控循環單元
7-4 Attention is all you need
7-5 其他的注意力(Attention)機制
7-6 Vision Transformer(ViT)
7-7 Swin Transformer
7-8 生成對抗式網路(GAN)
7-9 Conditional Generative Adversarial Network(cGAN)
7-10 Pix2pix
7-11 循環生成對抗式網路
CH8 基於影像的深度學習案例
8-1 影像基本原理介紹
8-2 基本影像處理
8-3 邊緣抽取、影像增強與校正
8-4 影像辨識與分類
8-5 深度學習在影像處理的應用
8-6 影像修復與辨識實驗之程式碼介紹