返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • [正版] 计算机视觉 模型 学习和推理 西蒙 普林斯 计 算机科学丛书 黑皮书 9787111516828 机械工业
  • 机械工业出版社正版书籍
    • 作者: 西蒙著
    • 出版社: 机械工业出版社
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    粉象优品图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    标题前缀为分类信息!!!!!!!购买前请看好标题前缀!!!!!总标题中【正版】前为标题前缀!!!

    商品参数
    • 作者: 西蒙著
    • 出版社:机械工业出版社
    • ISBN:9781766485853
    • 版权提供:机械工业出版社

                                                                                                  店铺公告

    本店存在书、古旧书、收藏书、二手书等特殊商品,因受采购成本限制,可能高于定价销售,明码标价,介意者勿拍!

    1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍,避免价格争议!

    2.店铺无纸质均开具电子,请联系客服开具电子版

      商品基本信息
    商品名称:  计算机视觉:模型、学习和推理
    作者:  [英]西蒙 J.D. 普林斯(Simon J. D. Prince
    市场价:  119.00
    ISBN号:  9787111516828
    版次:  1-1
    出版日期:  2017-06
    页数:  442
    字数:  487
    出版社:  机械工业出版社
      目录
    目录
    Computer Vision:Models,Learning,and Inference
    译者序
    译者简介

    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
       内容简介
        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。
        
    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购