计算机视觉：模型、学习和推理_[英]西蒙 J.D. 普林斯（Simon J. D. Prince_9787111516828

本书是一本从机器学习视角讲解计算机视觉的非常好的教材。全书图文并茂、语言浅显易懂，算法描述由浅入深，即使是数学背景不强的学生也能轻松理解和掌握。作者展示了如何使用训练数据来学习观察到的图像数据和我们希望预测的现实世界现象之间的联系，以及如何如何研究这些联系来从新的图像数据中作出新的推理。本书要求少的前导知识，从介绍概率和模型的基础知识开始，接着给出让学生能够实现和修改来构建有用的视觉系统的实际示例。适合作为计算机视觉和机器学习的高年级本科生或研究生的教材，书中详细的方法演示和示例对于计算机视觉领域的专业人员也非常有用。

目录 Computer Vision:Models,Learning,and Inference 译者序译者简介序前言第1章绪论1 11本书结构2 12其他书籍4 第一部分概率第2章概率概述6 21随机变量6 22联合概率7 23边缘化7 24条件概率8 25贝叶斯公式9 26独立性9 27期望10 讨论10 备注11 习题11 第3章常用概率分布12 31伯努利分布13 32贝塔分布13 33分类分布14 34狄利克雷分布14 35一元正态分布15 36正态逆伽马分布15 37多元正态分布16 38正态逆维希特分布16 39共轭性17 总结18 备注18 习题18 第4章拟合概率模型21 41最大似然法21 42最大后验法21 43贝叶斯方法22 44算例1：一元正态分布22 441最大似然估计22 442最大后验估计24 443贝叶斯方法26 45算例2：分类分布28 451最大似然法28 452最大后验法29 453贝叶斯方法30 总结31 备注31 习题32 第5章正态分布34 51协方差矩阵的形式34 52协方差分解35 53变量的线性变换36 54边缘分布36 55条件分布37 56正态分布的乘积38 57变量改变38 总结38 备注39 习题39 第二部分机器视觉的机器学习第6章视觉学习和推理42 61计算机视觉问题42 62模型的种类42 621判别模型43 622生成模型43 63示例1：回归43 631判别模型44 632生成模型44 64示例2：二值分类46 641判别模型46 642生成模型46 65应该用哪种模型48 66应用49 661皮肤检测49 662背景差分50 总结51 备注51 习题52 第7章复杂数据密度建模54 71正态分类模型54 72隐变量56 73期望最大化57 74混合高斯模型58 741混合高斯边缘化59 742基于期望最大化的混合模型拟合59 75t分布63 751学生t分布边缘化64 752拟合t分布的期望最大化65 76因子分析67 761因子分析的边缘分布68 762因子分析学习的期望最大化68 77组合模型71 78期望最大化算法的细节71 781期望最大化算法的下界73 782E步74 783M步74 79应用75 791人脸检测75 792目标识别76 793分割77 794正脸识别78 795改变人脸姿态（回归）78 796作为隐变量的变换79 总结80 备注80 习题81 第8章回归模型82 81线性回归82 811学习83 812线性回归模型的问题83 82贝叶斯线性回归84 821实际考虑85 822拟合方差86 83非线性回归87 831最大似然法87 832贝叶斯非线性回归89 84核与核技巧89 85高斯过程回归90 86稀疏线性回归91 87二元线性回归93 88相关向量回归95 89多变量数据回归96 810应用96 8101人体姿势估计96 8102位移专家97 讨论98 备注98 习题98 第9章分类模型100 91逻辑回归100 911学习:最大似然估计102 912逻辑回归模型的问题103 92贝叶斯逻辑回归104 921学习104 922推理106 93非线性逻辑回归107 94对偶逻辑回归模型108 95核逻辑回归110 96相关向量分类111 97增量拟合和boosting113 98分类树116 99多分类逻辑回归117 910随机树、随机森林和随机蕨分类器118 911与非概率模型的联系119 912应用120 9121性别分类120 9122脸部和行人检测121 9123语义分割122 9124恢复表面布局123 9125人体部位识别124 讨论125 备注125 习题127 第三部分连接局部模型第10章图模型130 101条件独立性130 102有向图模型131 1021示例1132 1022示例2132 1023示例3133 1024总结134 103无向图模型134 1031示例1135 1032示例2136 104有向图模型与无向图模型的对比136 105计算机视觉中的图模型137 106含有多个未知量的模型推理139 1061求最大后验概率的解139 1062求后验概率分布的边缘分布139 1063最大化边缘140 1064后验分布的采样140 107样本采样140 1071有向图模型的采样141 1072无向图模型的采样141 108学习142 1081有向图模型的学习142 1082无向图模型的学习143 讨论145 备注145 习题145 第11章链式模型和树模型147 111链式模型148 1111有向链式模型148 1112无向链式模型148 1113模型的等价性148 1114隐马尔可夫模型在手语中的应用149 112链式MAP推理149 113树的MAP推理152 114链式边缘后验推理155 1141求解边缘分布155 1142前向后向算法156 1143置信传播157 1144链式模型的和积算法158 115树的边缘后验推理160 116链式模型和树模型的学习161 117链式模型和树模型之外的东西161 118应用163 1181手势跟踪163 1182立体视觉164 1183形象化结构166 1184分割167 讨论167 备注168 习题169 第12章网格模型172 121马尔可夫随机场172 1211网格示例173 1212离散成对MRF图像去噪174 122二值成对马尔可夫随机场的MAP推理175 1221最大流/最小割176 1222MAP推理：二值变量177 123多标签成对MRF的MAP推理182 124非凸势的多标签MRF186 125条件随机场189 126高阶模型190 127网格有向模型190 128应用191 1281背景差分191 1282交互式分割192 1283立体视觉193 1284图像重排193 1285超分辨率195 1286纹理合成196 1287合成新面孔197 讨论198 备注198 习题200 第四部分预处理第13章图像预处理与特征提取204 131逐像素变换204 1311白化204 1312直方图均衡化205 1313线性滤波206 1314局部二值模式210 1315纹理基元映射211 132边缘、角点和兴趣点212 1321Canny边缘检测器212 1322Harris角点检测器214 1323SIFT检测器215 133描述子216 1331直方图216 1332SIFT描述子216 1333方向梯度直方图217 1334词袋描述子218 1335形状内容描述子218 134降维219 1341单数值近似220 1342主成分分析221 1343二元主成分分析221 1344K均值算法222 结论223 备注223 习题224 第五部分几何模型第14章针孔摄像机228 141针孔摄像机简介228 1411归一化摄像机229 1412焦距参数230 1413偏移量和偏移参数230 1414摄像机的位置与方向231 1415全针孔摄像机模型232 1416径向畸变232 142三个几何问题233 1421问题1：学习外在参数233 1422问题2：学习内在参数234 1423问题3：推理3D世界点235 1424解决问题235 143齐次坐标236 144学习外在参数237 145学习内在参数239 146推理3D世界点240 147应用241 1471结构光的深度241 1472剪影重构243 讨论245 备注245 习题246 第15章变换模型249 151二维变换模型249 1511欧氏变换模型249 1512相似变换模型251 1513仿射变换模型252 1514投影变换模型252 1515增加不确定性254 152变换模型中的学习255 1521学习欧氏参数255 1522学习相似参数256 1523学习仿射参数256 1524学习投影参数257 153变换模型中的推理258 154平面的三个几何问题258 1541问题1：学习外在参数258 1542问题2：学习内在参数260 1543问题3：与摄像机相关的3D位置推理261 155图像间的变换261 1551单应性的几何特征262 1552计算图像间的变换263 156变换的鲁棒学习264 1561RANSAC264 1562连续RANSAC265 1563PEaRL266 157应用268 1571增强现实追踪268 1572视觉全景269 讨论270 备注270 习题271 第16章多摄像机系统273 161双视图几何学理论273 1611极线约束274 1612极点274 162实矩阵275 1621实矩阵的属性276 1622实矩阵的分解277 163基础矩阵279 1631基础矩阵的估计279 16328点算法280 164双视图重构的流程281 165校正284 1651平面校正284 1652极面校正286 1653校正后处理287 166多视图重构287 167应用290 1671三维重构290 1672图片浏览291 1673立体图割292 讨论293 备注293 习题294 第六部分视觉模型第17章形状模型298 171形状及其表示298 172snake模型299 1721推理301 1722snake模型中存在的问题301 173形状模板302 1731推理303 1732用迭代最近点算法进行推理304 174统计形状模型304 1741学习305 1742推理306 175子空间形状模型306 1751概率主成分分析307 1752学习308 1753推理309 176三维形状模型311 177形状和外观的统计模型311 1771学习313 1772推理314 178非高斯统计形状模型315 1781回归PPCA315 1782高斯过程隐变量模型316 179铰接式模型317 1710应用319 17101三维形变模型319 17102三维人体模型321 讨论322 备注322 习题324 第18章身份与方式模型326 181子空间身份模型328 1811学习329 1812推理331 1813在其他识别任务中的推理332 1814身份子空间模型的局限性333 182概率线性判别分析334 1821学习335 1822推理335 183非线性身份模型336 184非对称双线性模型337 1841学习339 1842推理339 185对称双线性和多线性模型341 1851学习342 1852推理343 1853多线性模型344 186应用344 1861人脸识别344 1862纹理建模345 1863动画合成346 讨论346 备注346 习题348 第19章时序模型349 191时序估计框架349 1911推理350 1912学习350 192卡尔曼滤波器351 1921推理351 1922改写测量合并阶段352 1923推理总结353 1924示例1353 1925示例2354 1926滤波355 1927时序和测量模型356 1928卡尔曼滤波器的问题358 193扩展卡尔曼滤波器358 194无损卡尔曼滤波器360 1941状态演化361 1942测量合并过程362 195粒

你还可能感兴趣

我要评论