《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
102

相关内容

管理统计和数据科学的原理包括:数据可视化;描述性措施;概率;概率分布;数学期望;置信区间;和假设检验。方差分析;简单线性回归;多元线性回归也包括在内。另外,本书还提供了列联表、卡方检验、非参数方法和时间序列方法。

教材:

  • 包括通常在入门统计学课程中涵盖的学术材料,但与数据科学扭曲,较少强调理论
  • 依靠Minitab来展示如何用计算机执行任务
  • 展示并促进来自开放门户的数据的使用
  • 重点是发展对程序如何工作的直觉
  • 让读者了解大数据的潜力和目前使用它的失败之处
成为VIP会员查看完整内容
1
95

这本书的第五版继续讲述如何运用概率论来深入了解真实日常的统计问题。这本书是为工程、计算机科学、数学、统计和自然科学的学生编写的统计学、概率论和统计的入门课程。因此,它假定有基本的微积分知识。

第一章介绍了统计学的简要介绍,介绍了它的两个分支:描述统计学和推理统计学,以及这门学科的简短历史和一些人,他们的早期工作为今天的工作提供了基础。

第二章将讨论描述性统计的主题。本章展示了描述数据集的图表和表格,以及用于总结数据集某些关键属性的数量。

为了能够从数据中得出结论,有必要了解数据的来源。例如,人们常常假定这些数据是来自某个总体的“随机样本”。为了确切地理解这意味着什么,以及它的结果对于将样本数据的性质与整个总体的性质联系起来有什么意义,有必要对概率有一些了解,这就是第三章的主题。本章介绍了概率实验的思想,解释了事件概率的概念,并给出了概率的公理。

我们在第四章继续研究概率,它处理随机变量和期望的重要概念,在第五章,考虑一些在应用中经常发生的特殊类型的随机变量。给出了二项式、泊松、超几何、正规、均匀、伽玛、卡方、t和F等随机变量。

成为VIP会员查看完整内容
2
120

这本教科书通过提供实用的建议,使用直接的例子,并提供相关应用的引人入胜的讨论,以一种容易理解的方式介绍了基本的机器学习概念。主要的主题包括贝叶斯分类器,最近邻分类器,线性和多项式分类器,决策树,神经网络,和支持向量机。后面的章节展示了如何通过“推进”的方式结合这些简单的工具,如何在更复杂的领域中利用它们,以及如何处理各种高级的实际问题。有一章专门介绍流行的遗传算法。

这个修订的版本包含关于工业中机器学习的实用应用的关键主题的三个全新的章节。这些章节研究了多标签域,无监督学习和它在深度学习中的使用,以及归纳逻辑编程的逻辑方法。许多章节已经被扩展,并且材料的呈现已经被增强。这本书包含了许多新的练习,许多解决的例子,深入的实验,和独立工作的计算机作业。

https://link.springer.com/book/10.1007/978-3-319-63913-0#about

成为VIP会员查看完整内容
0
130

这本书对计算机图形场景建模和渲染背后的数学进行了全面的探索。

《计算机图形学的数学结构》提供了一种可接近的和直观的方法,以了解二维和三维计算机图形所必需的数学思想和技术。这本书关注的重要的数学结果,建立了关键算法用于构建复杂图形的场景。

本书是为具有不同数学背景的读者编写的,为图形技术奠定了坚实的基础,并补充了文献中经常忽略的相关图形细节。本书没有使用严格的定理/证明方法,而是提供了一个灵活的讨论,从向量几何到转换、曲线建模、可见性和光照模型。计算机图形学的数学结构还包括:

  • 大量的例子,包括二和三维技术与数值计算
  • 每一章都有大量的数学和编程练习,是专门为图形任务设计的
  • 每一章的末尾都有关于历史笔记、进一步计算和相关概念的额外细节,供希望深入研究的读者参考
  • 对同构坐标的计算,多边形的计算几何,质心坐标的使用,曲线的各种描述,以及系统递归图像技术等- 主题的独特覆盖。

《计算机图形学的数学结构》是计算机科学、数学和工程本科课程的优秀教材,也是从事计算机图形学工作的工程师、研究人员和专业人员的理想参考。这本书也对那些希望了解算法产生自己的有趣的计算机图像的读者很有用。

成为VIP会员查看完整内容
0
50

高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
0
98

统计学习是一套以复杂数据建模和数据理解为目的的工具集,是近期才发展起来的统计学的一个新领域。本书出自统计学习领域声名显赫的几位专家,结合R语言介绍了分析大数据必不可少的工具,提供一些重要的建模和预测技术,并借助丰富的实验来解释如何用R语言实现统计学习方法。论题包括线性回归、分类、重抽样方法、压缩方法、基于树的方法、支持向量机、聚类等,作者借助彩图和实际案例直观解释这些方法。为了读者更好地理解书中内容,每章后还配有丰富的概念性和应用性练习题。

  书中内容与《The Elements of Statistical Learning》的大部分内容相同,但是本书起点低,弱化了数学推导的细节,更注重方法的应用,所以更适合作为入门教材。当然,这本《统计学习导论》不仅是优秀的“统计学习”或“机器学习”课程的教材,也是数据挖掘、数据分析等相关从业者不可或缺的参考书。

Gareth James 斯坦福大学统计学博士毕业,师从Trevor Hastie。现为南加州大学马歇尔商学院统计学教授,美国统计学会会士,数理统计协会终身会员,新西兰统计协会会员。《Statistica Sinica》、《Applications and Case Studies》、《Theory and Methods》等期刊的副主编。

  Daniela Witten 斯坦福大学统计学博士毕业,师从Robert Tibshirani。现为华盛顿大学生物统计学副教授,美国统计学会和国际数理统计协会会士,《Journal of Computational and Graphical Statistics》和《Biometrika》等期刊副主编。

  Trevor Hastie 美国统计学家和计算机科学家,斯坦福大学统计学教授,英国皇家统计学会、国际数理统计协会和美国统计学会会士。Hastie参与开发了 R 中的大部分统计建模软件和环境,发明了主曲线和主曲面。

  Robert Tibshirani 斯坦福大学统计学教授,国际数理统计协会、美国统计学会和加拿大皇家学会会士,1996年COPSS总统奖得主,提出lasso方法。Hastie和Tibshirani都是统计学习领域的泰山北斗,两人合著《The Elements of Statistical Learning》,还合作讲授斯坦福大学的公开课《统计学习》。  

成为VIP会员查看完整内容
0
111

本文采用了一种独特的机器学习方法,它包含了对进行研究、开发产品、修补和玩耍所必需的所有基本概念的全新的、直观的、但又严谨的描述。通过优先考虑几何直观,算法思维,和实际应用的学科,包括计算机视觉,自然语言处理,经济学,神经科学,推荐系统,物理,和生物学,这篇文章为读者提供了一个清晰的理解基础材料以及实际工具需要解决现实世界的问题。通过深入的Python和基于MATLAB/ octave的计算练习,以及对前沿数值优化技术的完整处理,这是学生的基本资源,也是从事机器学习、计算机科学、电子工程、信号处理和数值优化的研究人员和实践者的理想参考。其他资源包括补充讨论主题、代码演示和练习,可以在官方教材网站mlrefined.com上找到。

  • 建立在清晰的几何直觉上的讲述
  • 最先进的数值优化技术的独特处理
  • 逻辑回归和支持向量机的融合介绍
  • 将功能设计和学习作为主要主题
  • 通过函数逼近的视角,先进主题的无与伦比的呈现
  • 深度神经网络和核方法的细化描述
成为VIP会员查看完整内容
0
115

在Python中获得操作、处理、清理和处理数据集的完整说明。本实用指南的第二版针对Python 3.6进行了更新,其中包含了大量的实际案例研究,向您展示了如何有效地解决广泛的数据分析问题。在这个过程中,您将学习最新版本的panda、NumPy、IPython和Jupyter。

本书由Python panda项目的创建者Wes McKinney编写,是对Python中的数据科学工具的实用的、现代的介绍。对于刚接触Python的分析人员和刚接触数据科学和科学计算的Python程序员来说,它是理想的。数据文件和相关材料可以在GitHub上找到。

  • 使用IPython外壳和Jupyter笔记本进行探索性计算
  • 学习NumPy (Numerical Python)中的基本和高级特性
  • 开始使用pandas库的数据分析工具
  • 使用灵活的工具来加载、清理、转换、合并和重塑数据
  • 使用matplotlib创建信息可视化
  • 应用panda groupby工具对数据集进行切片、切割和汇总
  • 分析和处理有规律和不规则的时间序列数据
  • 学习如何解决现实世界的数据分析问题与彻底的,详细的例子
成为VIP会员查看完整内容
0
96

【导读】计算机视觉是一门对图像中信息进行自动提取的学科。信息的内容相当广泛,包括三维模型、照相机位置、目标检测与识别,以及图像内容的分组与搜索等。本书中,我们使用广义的计算机视觉概念,包括图像扭曲、降噪和增强现实等。计算机视觉有时试图模拟人类视觉,有时使用数据和统计方法,而有时几何是解决问题的关键。如果你想对计算机视觉的基本理论和算法有一个基本的了解,这个动手的介绍是理想的起点。您将学习对象识别、3D重建、立体成像、增强现实和其他计算机视觉应用程序的技术,并学习用Python编写的示例。

前言

今天,图像和视频无处不在,在线照片分享网站和社交网络上的图像有数十亿之多。几乎对于任意可能的查询图像,搜索引擎都会给用户返回检索的图像。实际上,几乎所有手机和计算机都有内置的摄像头,所以在人们的设备中,有几 G 的图像和视频是一件很寻常的事。

计算机视觉就是用计算机编程,并设计算法来理解在这些图像中有什么。计算机视觉的有力应用有图像搜索、机器人导航、医学图像分析、照片管理等。

本书旨在为计算机视觉实战提供一个简单的切入点,让学生、研究者和爱好者充分理解其基础理论和算法。本书中的编程语言是 Python,Python 自带了很多可以免费获取的强大而便捷的图像处理、数学计算和数据挖掘模块,可以免费获取。

写作本书的时候,我遵循了以下原则。

  • 鼓励探究式学习,让读者在阅读本书的时候,在计算机上跟着书中示例进行练习。

  • 推广和使用免费且开源的软件,设立较低的学习门槛。显然,我们选择了 Python。

  • 保持内容完整性和独立性。本书没有介绍计算机视觉的全部内容,而是完整呈现并解释所有代码。你应该能够重现这些示例,并可以直接在它们之上构建其他应用。

  • 内容追求广泛而非详细,且相对于理论更注重鼓舞和激励。

总之,如果你对计算机视觉编程感兴趣,希望它能给你带来启发。

各章概览

  • 第 1 章“基本的图像操作和处理”介绍用来处理图像的基本工具及本书用到的核心 Python 模块,同时涵盖了很多贯穿全书的基础示例。

  • 第 2 章“局部图像描述子”讲解检测图像兴趣点的方法,以及怎样使用它们在图像间寻找相应点和区域。

  • 第 3 章“图像到图像的映射”描述图像间基本的变换及其计算方法。涵盖从图像扭曲到创建全景图像的示例。

  • 第 4 章“照相机模型与增强现实”介绍如何对照相机建模、生成从三维空间到图像特征的图像投影,并估计照相机视点。

  • 第 5 章“多视图几何”讲解如何对具有相同场景、多视图几何基本面的图像进行处理,以及怎样从图像计算三维重建。

  • 第 6 章“图像聚类”介绍一些聚类方法,并展示如何基于相似性或内容对图像进行分组和组织。

  • 第 7 章“图像搜索”展示如何建立有效的图像检索技术,以便能够存储图像的表示,并基于图像的视觉内容搜索图像。

  • 第 8 章“图像内容分类”描述了图像内容分类算法,以及怎样使用它们识别图像中的物体。

  • 第 9 章“图像分割”介绍了通过聚类、用户交互或图像模型,将图像分割成有意义区域的不同技术。

  • 第 10 章“OpenCV”展示怎样使用常用的 OpenCV 计算机视觉库 Python 接口,以及如何处理视频及摄像头的输入。

成为VIP会员查看完整内容
0
93
小贴士
相关VIP内容
专知会员服务
95+阅读 · 2020年7月29日
专知会员服务
120+阅读 · 2020年7月28日
【干货书】《机器学习导论(第二版)》,348页pdf
专知会员服务
130+阅读 · 2020年6月16日
专知会员服务
140+阅读 · 2020年5月18日
专知会员服务
98+阅读 · 2020年5月2日
专知会员服务
111+阅读 · 2020年4月29日
【经典书】Python数据数据分析第二版,541页pdf
专知会员服务
96+阅读 · 2020年3月12日
【经典书】Python计算机视觉编程,中文版,363页pdf
专知会员服务
93+阅读 · 2020年2月16日
相关论文
End-to-End Open-Domain Question Answering with BERTserini
Wei Yang,Yuqing Xie,Aileen Lin,Xingyu Li,Luchen Tan,Kun Xiong,Ming Li,Jimmy Lin
3+阅读 · 2019年9月18日
Inverse Visual Question Answering with Multi-Level Attentions
Yaser Alwatter,Yuhong Guo
4+阅读 · 2019年9月17日
HCqa: Hybrid and Complex Question Answering on Textual Corpus and Knowledge Graph
Somayeh Asadifar,Mohsen Kahani,Saeedeh Shekarpour
3+阅读 · 2019年1月31日
InverseRenderNet: Learning single image inverse rendering
Ye Yu,William A. P. Smith
3+阅读 · 2018年11月29日
Question Answering by Reasoning Across Documents with Graph Convolutional Networks
Nicola De Cao,Wilker Aziz,Ivan Titov
3+阅读 · 2018年8月29日
CoQA: A Conversational Question Answering Challenge
Siva Reddy,Danqi Chen,Christopher D. Manning
7+阅读 · 2018年8月21日
Learning Visual Question Answering by Bootstrapping Hard Attention
Mateusz Malinowski,Carl Doersch,Adam Santoro,Peter Battaglia
4+阅读 · 2018年8月1日
Pan Lu,Lei Ji,Wei Zhang,Nan Duan,Ming Zhou,Jianyong Wang
6+阅读 · 2018年5月24日
Badri Patro,Vinay P. Namboodir
6+阅读 · 2018年4月1日
Top