卷积神经网络与视觉计算

从零基础开始，系统阐述卷积神经网络理论基础及其实践应用，可以帮助初学者快速学习和构建深度学习。第1章简要介绍了图像表示和一些计算机视觉模型；第2章介绍了回归、机器学习和优化的概念；第3章介绍了Rosenblatt感知器和感知器学习算法、logistic神经元及其激活函数，以及两类和多类问题的单神经元模型等；第4章介绍了卷积池化层和CNN；第5章通过介绍CNN的一些当前新颖实用的用法，进一步拓展和丰富了深度神经网络的结构。 

[美] 拉加夫·维凯特森（Ragav Venkatesan）李宝新（Baoxin Li）著：拉加夫?维凯特森（Ragav Venkatesan）他是ASU的视觉表示和处理小组的一名研究助理，曾在机器学习、模式识别、视频处理和计算机视觉等多个研究生课程中担任助教。他是机器学习和计算机视觉领域的几个期刊的同行评审和会议审稿人。

李宝新（Baoxin Li）

目前是亚利桑那州立大学计算机科学与工程专业的教授和主任。从2000年到2004年，他任美国夏普实验室的高级研究员，领导研发夏普的HiMPACT体育技术。他还曾是俄勒冈州波特兰州立大学的副教授。他拥有18项美国专利，目前的研究兴趣包括计算机视觉和模式识别、多媒体、社会计算、机器学习和辅助技术。2001年和2004年，他获得夏普实验室总裁奖。2002年，他获得了夏普实验室年度发明者奖，还曾获得国家自然科学基金会职业奖。

译者序

作者简介

前言

致谢

第1章视觉计算简介

11图像表示基础

111变换域表示

112图像的直方图

113图像梯度和边缘

12基于Hough变换的直线检测

13Harris角点

14尺度不变的特征变换

15方向梯度直方图

151人工设计特征空间中的决策制定

152贝叶斯决策

153线性决策边界

16可变形零件模型的实例研究

17计算机视觉向神经网络转变

本章小结

参考文献

第2章回归问题中的机器学习

21监督学习

22线性模型

23小二乘法

24极大似然估计的解释

25扩展到非线性模型

26正则化

27交叉验证

28梯度下降

29几何正则化

210非凸误差面

211随机梯度、批梯度及在线梯度下降

212其他自适应学习率的更新规则

213动量

本章小结

参考文献

第3章 人工神经网络

31感知器

32多层神经网络

33反向传播算法

34改进的反向传播算法

341激活函数

342权重剪枝

343批量标准化

本章小结

参考文献

第4章卷积神经网络

41卷积与池化层

42卷积神经网络

本章小结

参考文献

第5章卷积神经网络的新进展

51预训练网络

511通用性和可传递性

512利用预训练网络的模型压缩

513Mentee网络与FitNet

514使用预训练网络的应用：使用CNN的图像美学

52生成网络

521自动编码器

522生成对抗网络

本章小结

参考文献

附录AYann

后记