人工智能實戰(zhàn)進階導引（中外學者論AI）

第1章項目入門階段一

\n

\n

1.1最初的思考

\n

\n

1.2研究平臺架構

\n

\n

1.2.1系統(tǒng)設計需求

\n

\n

1.2.2系統(tǒng)設計方案

\n

\n

1.3數(shù)據(jù)采集原理

\n

\n

1.3.1確定取景范圍

\n

\n

1.3.2低通采樣原理

\n

\n

1.3.3數(shù)字信號重建

\n

\n

1.4開發(fā)界面設計

\n

\n

1.4.1基本信息獲取

\n

\n

1.4.2功能面板組成

\n

\n

1.4.3界面設計過程

\n

\n

1.5智能采集系統(tǒng)

\n

\n

1.5.1圖形用戶界面

\n

\n

1.5.2技術模塊演示

\n

\n

1.6小結

\n

\n

參考文獻

\n

\n

第2章項目入門階段二

\n

\n

2.1不完美的智能

\n

\n

2.2噪聲處理算法

\n

\n

2.2.1均值濾波去噪

\n

\n

2.2.2中值濾波去噪

\n

\n

2.2.3小波軟閾值去噪

\n

\n

2.2.4小波硬閾值去噪

\n

\n

2.2.5輪廓波閾值去噪

\n

\n

2.3模塊化設計與調試

\n

\n

2.3.1技術模塊布局

\n

\n

2.3.2技術模塊演示

\n

\n

2.3.3核心代碼

\n

\n

2.4小結

\n

\n

參考文獻

\n

\n

\n

\n

\n

\n

第3章項目入門階段三

\n

\n

3.1進一步的思考

\n

\n

3.2從局部到非局部

\n

\n

3.2.1非局部濾波原理

\n

\n

3.2.2存在的不足

\n

\n

3.2.3算法改進思路

\n

\n

3.3應用探索和嘗試

\n

\n

3.3.1運動目標檢測

\n

\n

3.3.2算法設計思想

\n

\n

3.3.3算法設計過程

\n

\n

3.4實驗結果與結論

\n

\n

3.4.1預測實驗結果

\n

\n

3.4.2觀察收集實驗結果

\n

\n

3.4.3實驗結果分析

\n

\n

3.5小結

\n

\n

參考文獻

\n

\n

第4章項目探索階段一

\n

\n

4.1最初的假設

\n

\n

4.2邊緣檢測與分割

\n

\n

4.2.1主要的算法思想

\n

\n

4.2.2數(shù)學建模思路

\n

\n

4.3從邊緣檢測到閾值分割

\n

\n

4.3.1主要的算法思想

\n

\n

4.3.2數(shù)學建模思路

\n

\n

4.4均衡化的考慮

\n

\n

4.4.1圖像均衡化原理

\n

\n

4.4.2模型與算法設計

\n

\n

4.4.3從均衡化到規(guī)范化

\n

\n

4.5模塊化設計的探索

\n

\n

4.5.1模塊化的基本框架

\n

\n

4.5.2邊緣檢測技術模塊

\n

\n

4.5.3閾值分割技術模塊

\n

\n

4.5.4直方圖均衡化模塊

\n

\n

4.6小結

\n

\n

參考文獻

\n

\n

第5章項目探索階段二

\n

\n

5.1初始假設的拓展

\n

\n

5.2區(qū)域生長算法原理

\n

\n

5.2.1算法數(shù)據(jù)流分析

\n

\n

5.2.2算法卷積層分析

\n

\n

5.2.3策略信息點池化

\n

\n

5.2.4邏輯回歸與二分類

\n

\n

5.3遮擋區(qū)域提取實驗

\n

\n

5.3.1右側臉+N95口罩

\n

\n

5.3.2左側臉+N95口罩

\n

\n

5.3.3俯視臉+N95口罩

\n

\n

5.3.4仰視臉+N95口罩

\n

\n

5.3.5正臉+醫(yī)用外科口罩

\n

\n

5.3.6左側臉+醫(yī)用外科口罩

\n

\n

5.3.7右側臉+醫(yī)用外科口罩

\n

\n

5.3.8俯視臉+醫(yī)用外科口罩

\n

\n

5.3.9仰視臉+醫(yī)用外科口罩

\n

\n

5.4區(qū)域生長算法核心代碼展示

\n

\n

5.4.1MATLAB核心代碼

\n

\n

5.4.2Python核心代碼

\n

\n

5.5小結

\n

\n

參考文獻

\n

\n

第6章項目探索階段三

\n

\n

6.1初始假設的延伸

\n

\n

6.2數(shù)字圖像的深度認知

\n

\n

6.2.1從圖像處理到圖像理解

\n

\n

6.2.2圖像工程的三個層級

\n

\n

6.3圖像分割的數(shù)學定義

\n

\n

6.3.1問題、特征與規(guī)律

\n

\n

6.3.2分割條件的數(shù)學表達

\n

\n

6.3.3目標區(qū)域與背景解釋

\n

\n

6.4圖像變換與圖像操作

\n

\n

6.4.1圖像變換原理

\n

\n

6.4.2從變換到操作

\n

\n

6.4.3實驗結果展示

\n

\n

6.5圖像變換與圖像分割的結合

\n

\n

6.5.1閾值篩選優(yōu)化思路

\n

\n

6.5.2相關概率知識補充

\n

\n

6.5.3分割過程的數(shù)學表達

\n

\n

6.6人臉背景去除實驗

\n

\n

6.6.1閾值分割去除

\n

\n

6.6.2裁剪分割去除

\n

\n

6.6.3裁剪縮放分割旋轉

\n

\n

6.7小結

\n

\n

參考文獻

\n

\n

第7章項目探索階段四

\n

\n

7.1進一步的假設

\n

\n

7.2從圖像邊緣到圖像特征

\n

\n

7.2.1檢測方法的分類

\n

\n

7.2.2圖像特征的分類

\n

\n

7.2.3邊緣特征的分類

\n

\n

7.3邊緣的理解與表達

\n

\n

7.3.1從函數(shù)的角度解釋

\n

\n

7.3.2基本算法思想解釋

\n

\n

7.3.3一階導數(shù)與卷積操作

\n

\n

7.3.4二階導數(shù)與通用掩模

\n

\n

7.4邊緣檢測深入解讀

\n

\n

7.4.1Roberts算子深入解讀

\n

\n

7.4.2Prewitt算子深入解讀

\n

\n

7.4.3Sobel算子深入解讀

\n

\n

7.4.4LoG算子深入解讀

\n

\n

7.4.5Canny算子深入解讀

\n

\n

7.5從邊緣檢測到邊緣增強

\n

\n

7.5.1基本算法思想解釋

\n

\n

7.5.2算法設計與編程實現(xiàn)

\n

\n

7.5.3邊緣增強的實驗結果

\n

\n

7.6小結

\n

\n

參考文獻

\n

\n

第8章項目實戰(zhàn)階段一

\n

\n

8.1最初的嘗試

\n

\n

8.2從圖像融合到人臉識別

\n

\n

8.2.1問題背景與解決方案

\n

\n

8.2.2解決方案的實現(xiàn)途徑

\n

\n

8.3人臉圖像融合原理

\n

\n

8.3.1融合技術的三個層次

\n

\n

8.3.2算法思想與建模過程

\n

\n

8.3.3技術實現(xiàn)的主要步驟

\n

\n

8.4技術開發(fā)系統(tǒng)及代碼

\n

\n

8.4.1圖形用戶界面設計

\n

\n

8.4.2圖形用戶界面調試

\n

\n

8.4.3技術核心代碼展示

\n

\n

8.5技術模塊化實現(xiàn)過程

\n

\n

8.5.1模塊化思路分析

\n

\n

8.5.2基礎融合技術模塊

\n

\n

8.5.3高級融合技術模塊

\n

\n

8.6人臉融合實驗結果

\n

\n

8.7小結

\n

\n

參考文獻

\n

\n

第9章項目實戰(zhàn)階段二

\n

\n

9.1借助深度學習

\n

\n

9.2深度學習基本原理

\n

\n

9.2.1理解“深度”的含義

\n

\n

9.2.2主流深度學習模型

\n

\n

9.2.3MATLAB代碼實現(xiàn)

\n

\n

9.3從MATLAB到Python

\n

\n

9.3.1一個實用的開發(fā)框架

\n

\n

9.3.2TensorFlow基本概念 

\n

\n

9.3.3TensorFlow安裝過程

\n

\n

9.4遮擋區(qū)域提取方案

\n

\n

9.4.1基礎模型結構

\n

\n

9.4.2加載訓練好的模型

\n

\n

9.4.3核心代碼

\n

\n

9.5遮擋區(qū)域提取實驗

\n

\n

9.5.1設置口罩保存路徑

\n

\n

9.5.2人臉目標區(qū)域保存

\n

\n

9.5.3完整實驗結果

\n

\n

9.6項目實戰(zhàn)代碼

\n

\n

9.7小結

\n

\n

參考文獻

\n

\n

第10章項目實戰(zhàn)階段三

\n

\n

10.1超越深度學習

\n

\n

10.2寬度學習的算法思想

\n

\n

10.2.1寬度學習系統(tǒng)結構

\n

\n

10.2.2網絡權重求解過程

\n

\n

10.2.3動態(tài)逐步更新算法

\n

\n

10.3高效的增量學習模型

\n

\n

10.3.1寬度學習系統(tǒng)的優(yōu)勢

\n

\n

10.3.2寬度學習技術的核心

\n

\n

10.3.3高效增量學習機制

\n

\n

10.4寬度學習代碼解讀及調試

\n

\n

10.4.1基礎代碼及調試

\n

\n

10.4.2實驗結果分析

\n

\n

10.4.3遮擋人臉識別平臺開發(fā)

\n

\n

參考文獻

\n

\n

后記

\n

\n