这本书大部分内容基于Aaron Bobick博士和Irfan Essa博士创建的讲座,以及该领域中大量发表的论文,并在适当的地方进行了链接。本指南的最终目标是对计算机视觉中的基本概念进行可访问的、可搜索的介绍,并提供交叉引用和其他解释,以尽量减少假定的知识。尽管深度学习和卷积神经网络并未出现在讨论的主题中,但其中的许多算法和思想至今仍在广泛应用,并构成了不涉及分类的计算感知挑战的支柱。

计算机视觉

如果你是来学习计算机视觉的,“阅读清单”很简单:你可以(几乎)从头到尾地阅读这本指南。你可以跳过第6章,但我推荐阅读图像金字塔,因为它们将在后续的跟踪和运动章节中出现。您也可以跳过高动态范围图像的讨论和视频分析这一章的开头。

成为VIP会员查看完整内容
0
30

相关内容

计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

本书解释了数据科学中至关重要的统计学概念,介绍如何将各种统计方法应用于数据科学。作者以易于理解、浏览和参考的方式,引出统计学中与数据科学相关的关键概念;解释各统计学概念在数据科学中的重要性及有用程度,并给出原因。

统计方法是数据科学的关键部分,但很少有数据科学家有任何正式的统计培训。关于基本统计的课程和书籍很少从数据科学的角度涵盖这个主题。这本实用指南解释了如何将各种统计方法应用到数据科学中,告诉你如何避免它们被误用,并就什么是重要的、什么是不重要的给出建议。

许多数据科学资源包含了统计方法,但缺乏更深层次的统计视角。如果您熟悉R编程语言,并且对统计学有一定的了解,那么本文的快速引用将以一种可访问、可读的格式填补空白。

通过这本书,你会学到:

  • 为什么探索性数据分析是数据科学的一个关键的初步步骤
  • 随机抽样如何在大数据的情况下减少偏差并产生更高质量的数据集
  • 实验设计的原则如何为问题提供明确的答案
  • 如何使用回归估计结果和检测异常
  • 用于预测记录所属类别的关键分类技术
  • 从数据中“学习”的统计机器学习方法
  • 从无标记数据中提取意义的无监督学习方法

https://www.oreilly.com/library/view/practical-statistics-for/9781491952955/

成为VIP会员查看完整内容
0
28

这是为未来的科学家和工程师准备的微积分介绍的第二卷。第二卷是第一卷的延续,包括第六到第十二章。第六章介绍了向量、向量运算、向量的微分与积分及其应用。第七章研究了以向量形式表示的曲线和曲面,并研究了与这些形式相关的向量运算。此外,还研究了用矢量表示法表示密度、表面积和体积元素的方法。方向导数是与其他向量运算及其属性一起定义的,因为这些额外的向量使我们能够找到具有多个变量的函数的最大值和最小值。第八章研究标量场和向量场以及涉及这些量的运算。详细研究了高斯散度定理、斯托克斯定理和平面上的格林定理及其相关应用。第九章介绍了来自科学和工程选定领域的向量的应用。第十章介绍了矩阵演算和差分演算。第十一章介绍了概率论和统计学。第十章和第十一章之所以出现,是因为在当今社会,技术发展正趋向于一个数字化的世界,学生们应该接触到一些运算性的微积分,这是为了理解这些技术所需要的。第十二章是作为一个后续想法,介绍那些对数学的一些更高级的领域感兴趣的人。

如果你是微积分的初学者,那么一定要确保你有适当的代数和三角的背景材料。如果你有不明白的地方,不要害怕向你的老师提问。去图书馆找一些其他的微积分书,从不同的角度来介绍这门学科。在因特网上,人们可以找到许多微积分的帮助。在因特网上,人们还可以找到许多关于微积分应用的说明。这些额外的学习辅助将向你展示在不同的微积分科目上有多种方法,应该有助于你的分析和推理技能的发展。

http://www.math.odu.edu/~jhh/Volume-2.PDF

成为VIP会员查看完整内容
0
25

有很多关于傅里叶变换的书; 然而,很少有面向多学科读者的。为工程师写一本关于代数概念的书是一个真正的挑战,即使不是太难的事,也要比写一本关于理论应用的代数书更有挑战性。这就是本书试图面对的挑战。因此,每个读者都能够创建一个“按菜单”的程序,并从语句或计算机程序中提取特定元素,以建立他们在该领域的知识,或将其运用于更具体的问题。

本文叙述是非常详细的。读者可能偶尔需要一些关于有限组的高级概念,以及对组行为的熟悉程度。我强调了那些重要的定义和符号。例如,从多个角度(交换群、信号处理、非交换群)研究卷积的概念,每次都要放在它的背景知识中。因此,不同的段落,虽然遵循一个逻辑递进,有一个真正的统一,但可以根据自己需要选取阅读。

第一章用群论的语言来解释主要概念,并解释后面将用到的符号。第二章将所得结果应用于各种问题,并首次接触快速算法(例如Walsh 变换)。第三章对离散傅里叶变换进行了阐述。第四章介绍了离散傅里叶变换的各种应用,并构成了对前一章的必要补充,以充分理解所涉及的机制以及在实际情况中使用。第五章围绕傅里叶变换提出了更多新颖的思想和算法,产生了大量的应用。第六章需要一些更高级的知识,特别是对有限场理论的一些熟悉。它研究了有限域中的值变换,并给出了在校正码中的应用。最后两章(最困难的一章),具有更多的代数性质,并建议推广已经在有限非交换群的情况下进行的构造。第七章揭示了线性表示的理论。第八章和最后一章将这一理论应用于理论(群的简洁性研究)和实际(光谱分析)领域。

https://mathematical-tours.github.io/daft/

成为VIP会员查看完整内容
0
30

题目 Algorithms in C:C语言算法实现

关键词

算法设计,C语言,编程

简介

本书的目的是研究各种重要且有用的算法:解决适合计算机实现的问题的方法。 我们将处理许多不同的应用领域,始终尝试着重于重要的知识和学习有趣的“基本”算法。 由于涉及的领域和算法众多,因此我们无法深入研究许多方法。 但是,我们将尝试在每种算法上花费足够的时间,以了解其基本特征并尊重其微妙之处。 简而言之,我们的目标是学习当今计算机上使用的大量最重要的算法,并且足以使用和欣赏它们。

要很好地学习算法,必须实现并运行它。 因此,理解本书中介绍的程序的推荐策略是实施和测试它们,尝试使用变体,然后对实际问题进行尝试。 我们将使用C编程语言来讨论和实现大多数算法。 但是,由于我们使用的是语言的较小子集,因此我们的程序可以轻松转换为许多其他现代编程语言。

本书的读者应该至少有一年的高级和低级语言编程经验。 另外,虽然在第3章和第4章中对此材料进行了详细的介绍,但对简单数据结构(如数组,堆栈,队列和T恤)上的基本算法进行一些接触可能会有所帮助,尽管在第3章和第4章中对此材料进行了详细介绍。 还假定了其他基本计算机科学概念。 (我们将在适当的时候简要地回顾这些材料,但始终在解决特定问题的上下文中。)我们处理的一些应用领域需要基本演算的知识。 我们还将使用一些非常基本的材料,包括lin-ear代数,几何和离散数学,但是这些主题的先前知识不是必需的。

目录


成为VIP会员查看完整内容
0
38

《图像处理手册》一直被评为计算机图像处理的最佳整体介绍,涵盖二维(2D)和三维(3D)成像技术、图像打印和存储方法、图像处理算法、图像和特征测量、定量图像测量分析等等。

  • 比以前的版本有更多的计算密集型算法
  • 提供更好的组织,更多的定量结果,和最新发展的新材料
  • 包括在3D成像和在统计分析上彻底修改的一章完全重写的章节
  • 包含超过1700个参考文献的理论,方法,和应用在广泛的学科
  • 呈现了500多个全新的人物和图像,其中超过三分之二是彩色的

《图像处理手册》第七版提供一个可接近的和最新的图像处理的处理,提供广泛的覆盖和算法的比较,方法,和结果。

成为VIP会员查看完整内容
0
86

本书概述了现代数据科学重要的数学和数值基础。特别是,它涵盖了信号和图像处理(傅立叶、小波及其在去噪和压缩方面的应用)、成像科学(反问题、稀疏性、压缩感知)和机器学习(线性回归、逻辑分类、深度学习)的基础知识。重点是对方法学工具(特别是线性算子、非线性逼近、凸优化、最优传输)的数学上合理的阐述,以及如何将它们映射到高效的计算算法。

https://mathematical-tours.github.io/book/

它应该作为数据科学的数字导览的数学伴侣,它展示了Matlab/Python/Julia/R对这里所涵盖的所有概念的详细实现。

成为VIP会员查看完整内容
0
182

本备忘单是机器学习手册的浓缩版,包含了许多关于机器学习的经典方程和图表,旨在帮助您快速回忆起机器学习中的知识和思想。

这个备忘单有两个显著的优点:

  1. 清晰的符号。数学公式使用了许多令人困惑的符号。例如,X可以是一个集合,一个随机变量,或者一个矩阵。这是非常混乱的,使读者很难理解数学公式的意义。本备忘单试图规范符号的使用,所有符号都有明确的预先定义,请参见小节。

  2. 更少的思维跳跃。在许多机器学习的书籍中,作者省略了数学证明过程中的一些中间步骤,这可能会节省一些空间,但是会给读者理解这个公式带来困难,读者会在中间迷失。

成为VIP会员查看完整内容
0
118
小贴士
相关VIP内容
专知会员服务
23+阅读 · 1月13日
专知会员服务
28+阅读 · 2020年12月31日
专知会员服务
25+阅读 · 2020年11月5日
专知会员服务
30+阅读 · 2020年11月2日
【经典书】算法C语言实现,Algorithms in C. 672页pdf
专知会员服务
38+阅读 · 2020年8月13日
专知会员服务
88+阅读 · 2020年7月28日
专知会员服务
80+阅读 · 2020年7月27日
专知会员服务
86+阅读 · 2020年7月26日
专知会员服务
182+阅读 · 2020年3月23日
机器学习速查手册,135页pdf
专知会员服务
118+阅读 · 2020年3月15日
相关资讯
干货 | 万物皆可「计算机视觉」
AI科技评论
6+阅读 · 2019年2月10日
直白介绍卷积神经网络(CNN)
算法与数学之美
11+阅读 · 2019年1月23日
这5种计算机视觉技术,刷新你的世界观
AI研习社
5+阅读 · 2018年11月27日
Image Captioning 36页最新综述, 161篇参考文献
专知
57+阅读 · 2018年10月23日
【学科发展报告】计算机视觉
中国自动化学会
34+阅读 · 2018年10月12日
综述:深度学习时代的目标检测算法
极市平台
22+阅读 · 2018年3月17日
零基础小白,如何入门计算机视觉?
计算机视觉life
7+阅读 · 2018年3月8日
斯坦福:「目标检测」深度学习全面指南
人工智能学家
7+阅读 · 2017年10月11日
相关论文
Amir Niaraki,Jeremy Roghair,Ali Jannesari
0+阅读 · 1月9日
Transfer Learning in Deep Reinforcement Learning: A Survey
Zhuangdi Zhu,Kaixiang Lin,Jiayu Zhou
11+阅读 · 2020年9月16日
Adversarial Transfer Learning
Garrett Wilson,Diane J. Cook
9+阅读 · 2018年12月6日
InverseRenderNet: Learning single image inverse rendering
Ye Yu,William A. P. Smith
3+阅读 · 2018年11月29日
Ryosuke Furuta,Naoto Inoue,Toshihiko Yamasaki
3+阅读 · 2018年11月13日
Image Captioning based on Deep Reinforcement Learning
Haichao Shi,Peng Li,Bo Wang,Zhenyu Wang
6+阅读 · 2018年9月13日
Abhishek Gupta,Benjamin Eysenbach,Chelsea Finn,Sergey Levine
6+阅读 · 2018年6月12日
Dianqi Li,Qiuyuan Huang,Xiaodong He,Lei Zhang,Ming-Ting Sun
10+阅读 · 2018年4月11日
Abhinav Moudgil,Vineet Gandhi
3+阅读 · 2018年3月22日
Top