- 基于迁移学习技术的计算机视觉算法
- - 作者：陈俊杰|责编:贾星//彭立辉
  - 出版社：中国铁道
  - ISBN：9787113318536
  - 出版日期：2024/12/01
  - 页数：134
- 售价：24

内容大纲
本书基于国家自然科学基金项目和江西省自然科学基金项目研究成果，以图像分类、语义分割和姿态估计这些有代表性的视觉任务为例，研究使用迁移学习技术帮助模型用更低廉的数据学习更多的新类别，以及用更易得到的测试数据来保持模型的测试性能。本书分为八章，主要内容包括计算机视觉技术的现状与迁移学习方法的作用；计算机视觉与迁移学习技术的基础知识；基于相似度迁移的细粒度分类模型及其实验效果；基于相似度迁移的语义分割模型及其实验效果；如何使用迁移学习技术来降低深度学习模型对于测试样本收集的完整信息的依赖，从而让模型能够应用于那些难以获取某些信息的广阔场景中；如何学习可迁移的关键点及链接，从而实现对任意类别物体的姿态估计；如何学习可迁移的提示与关联，仅用微量样本来实现准确的姿态估计。
本书内容先进，结构清晰，对关键的问题进行了详细的数学论述，并给出了大量的图示和性能对比表格，以易于读者理解。本书适合作为高等院校计算机科学与技术和其他相关专业“数字图像处理”和“计算机视觉”课程的教学参考书，也可供对迁移学习和计算机视觉领域感兴趣的人员参考。
作者介绍
目录
第1章  绪论
  1.1  计算机视觉技术面临的难题
  1.2  迁移学习的概念和应用场景
    1.2.1  迁移学习概述
    1.2.2  零样本图像分类和分割
    1.2.3  小样本图像分类和分割
    1.2.4  带特权信息的学习
  1.3  基于迁移学习技术的解决方案
  小结
第2章  计算机视觉方法的基础知识
  2.1  符号定义
  2.2  常用模块
    2.2.1  全连接层
    2.2.2  卷积层
    2.2.3  池化层
    2.2.4  激活函数
    2.2.5  代价函数
  2.3  骨干网络
    2.3.1  深度残差网络
    2.3.2  特征金字塔网络
  2.4  可变形和调节的卷积层
  2.5  多头注意力模块
  小结
第3章  基于相似度迁移的弱样本细粒度分类
  3.1  研究动机与方法简介
  3.2  迁移学习与细粒度分类的相关工作
    3.2.1  零样本和小样本学习
    3.2.2  网络监督学习
    3.2.3  弱样本学习
    3.2.4  相似度迁移
  3.3  基于相似度迁移的模型算法
    3.3.1  阶段一：学习相似度网络
    3.3.2  阶段二：学习新种类的分类器
  3.4  基于相似度迁移的弱样本细粒度分类实验分析
    3.4.1  数据与实验设置
    3.4.2  与现有工作的比较
    3.4.3  模型可视化分析
    3.4.4  模块消融实验分析
    3.4.5  模型鲁棒性分析
    3.4.6  相似度迁移的分析
    3.4.7  拓展的弱样本学习探究
    3.4.8  性能显著性分析
  小结
第4章  基于相似度迁移的弱样本语义分割
  4.1  研究动机与方法简介
  4.2  迁移学习和语义分割方法的相关工作
    4.2.1  弱监督语义分割
    4.2.2  弱样本学习
    4.2.3  相似度迁移
  4.3  基于相似度迁移的模型算法

    4.3.1  模型基础介绍
    4.3.2  模块一：区域和像素的相似度迁移
    4.3.3  模块二：像素和像素的相似度迁移
    4.3.4  模块三：补集代价函数
    4.3.5  训练和测试流程
  4.4  基于相似度迁移的弱样本语义分割实验分析
    4.4.1  数据与实验设置
    4.4.2  与现有工作的比较
    4.4.3  模型可视化分析
    4.4.4  模块消融实验分析
    4.4.5  模型鲁棒性分析
    4.4.6  相似度迁移的分析
    4.4.7  像素点采样个数分析
    4.4.8  像素点构造方法分析
    4.4.9  对于类别拓展的场景探究
    4.4.10  局限性与失败案例分析
    4.4.11  性能显著性分析
  小结
第5章  基于注意力迁移的带特权信息的场景识别
  5.1  研究动机与方法简介
  5.2  场景识别的相关工作
    5.2.1  RGB-D场景识别
    5.2.2  带特权信息的学习
    5.2.3  注意力机制
  5.3  基于注意力迁移的带特权信息模型算法
    5.3.1  总体网络架构
    5.3.2  模块一：偏移量注意力迁移
    5.3.3  模块二：权重注意力迁移
    5.3.4  模块三：多层的双重相似度迁移
    5.3.5  模块四：防止负迁移
    5.3.6  模型训练和测试
  5.4  对RGB-D数据集进行实验分析
    5.4.1  数据和实验设置
    5.4.2  与现有工作的比较
    5.4.3  模型可视化分析
    5.4.4  模块消融实验分析
    5.4.5  模型鲁棒性分析
    5.4.6  注意力的可迁移性探究
    5.4.7  跨模态迁移的讨论
    5.4.8  注意力层架构分析
    5.4.9  模型训练时耗比较
    5.4.10  骨干网络配置分析
    5.4.11  性能显著性分析
  小结
第6章  基于关键点和链接迁移的类别无关姿态估计
  6.1  研究动机与方法简介
  6.2  类别无关姿态估计的相关工作
    6.2.1  特定类别的姿态估计
    6.2.2  类别无关的姿态估计
    6.2.3  类别无关的目标检测和分割

  6.3  基于关键点和链接迁移的模型算法
    6.3.1  姿态表征初始化和数据设置
    6.3.2  姿态精化框架的计算流程
    6.3.3  结构感知解码器
    6.3.4  位置感知解码器
    6.3.5  模型训练和测试
  6.4  在MP-100大型数据集上的实验分析
    6.4.1  数据设置和实验设置
    6.4.2  与现有工作的比较
    6.4.3  关键点和链接的可迁移性分析
    6.4.4  关键点和链接的分布范围分析
    6.4.5  使用超类作为新类别的分析
    6.4.6  使用更少基础类别的实验分析
    6.4.7  使用更少基础类别图像数量的实验分析
    6.4.8  消融实验分析
  小结
第7章  基于提示迁移与关联迁移的极小样姿态估计
  7.1  研究动机与方法简介
  7.2  提示迁移与关联迁移方法的相关工作
    7.2.1  全监督姿态估计
    7.2.2  少样本姿态估计
    7.2.3  无监督姿态估计
    7.2.4  通过扩散模型的语义对应
    7.2.5  用预训练模型进行提示学习
  7.3  基于提示迁移与关联迁移的模型算法
    7.3.1  整体框架流程
    7.3.2  关键点热图与语义对应关系的提取
    7.3.3  从基础类别中优化关键点提示和聚合网络
    7.3.4  将学习到的提示和语义对应关系迁移到新类别
    7.3.5  模型训练和测试
  7.4  在MP-100大型数据集上的实验分析
    7.4.1  数据配置和实验设置
    7.4.2  与现有工作的比较
    7.4.3  关键点的迁移性分析
    7.4.4  关键点的分布范围分析
    7.4.5  语义关联的迁移性分析
    7.4.6  使用超类作为新类别的分析
    7.4.7  使用更少基础类别的分析
    7.4.8  基础类别和新类别图像数量对模型性能的影响
    7.4.9  消融实验分析
  小结
第8章  迁移学习和计算机视觉方法总结与未来展望
  8.1  迁移学习和计算机视觉方法总结
  8.2  遗留问题与未来研究的内容展望
    8.2.1  关于学习模式的展望
    8.2.2  关于模型算法的展望
  参考文献 121"

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目