<td id="6000o"><rt id="6000o"></rt></td>
  • <sup id="6000o"><button id="6000o"></button></sup>
  • <optgroup id="6000o"></optgroup>
  • <strong id="6000o"></strong>
  • Python知識分享網 - 專業的Python學習網站 學Python,上Python222
    OpenCV 4機器學習算法原理與編程實戰_朱斌 PDF 下載
    發布于:2024-03-24 09:15:05
    (假如點擊沒反應,多刷新兩次就OK!)

    OpenCV 4機器學習算法原理與編程實戰_朱斌 PDF 下載 圖1

     

     

     

    資料簡介:

    本書主要面向機器學習領域的研究與開發人員,采用原理結合實戰的方式,介紹OpenCV 4的機器學習算法模塊與深度神經網絡模塊中的核心算法原理與C++編程實戰。全書共10章,第1~3章,介紹OpenCV 4的基礎知識、基本圖像操作和機器學習基礎知識;第4~8章,介紹K-means、KNN、決策樹、隨機森林、Boosting算法和支持向量機等機器學習算法與編程實戰:第9~10章,介紹神經網絡與深度神經網絡的基本原理與編程實戰,并提供了多種類型的深度學習模型的部署示例代碼。 本書基本聚焦于機器學習在計算機視覺領域的應用,既可以作為相關專業學生的教材,也可以作為研究人員或工程技術人員的參考資料。

     

    資料目錄:

     

    第1章 概述
    1.1 OpenCV簡述
    1.2 OpenCV的功能
    1.3 OpenCV中的機器學習與深度神經網絡模塊
    1.4 基本數據類型
    1.4.1 數據類型概述
    1.4.2 cv::Vec類
    1.4.3 cv::Point類
    1.4.4 cv::Scalar類
    1.4.5 cv::Size類
    1.4.6 cv::Rect類
    1.4.7 cv::RotatedRect類
    1.4.8 cv::Mat類
    1.4.9 基本矩陣運算
    參考文獻
    第2章 OpenCV在機器學習任務中的基本圖像操作
    2.1 基本圖像操作
    2.1.1 讀取、顯示和存儲圖像
    2.1.2 顏色空間轉換
    2.1.3 圖像的幾何變換
    2.1.4 直方圖均衡化
    2.1.5 標注文字和矩形框
    2.2 基本視頻操作
    2.2.1 讀取和播放視頻文件
    2.2.2 處理視頻文件
    2.2.3 存儲視頻文件
    參考文獻
    第3章 機器學習的基本原理與OpenCV機器學習模塊
    3.1 機器學習的基本概念
    3.1.1 機器學習的定義
    3.1.2 機器學習的分類
    3.2 機器學習的一般流程
    3.2.1 機器學習流程
    3.2.2 數據集
    3.2.3 偏差與方差
    3.2.4 評估分類器性能的方法
    3.3 邏輯回歸分類示例
    3.3.1 圖像數據與數據表示
    3.3.2 邏輯回歸模型
    3.3.3 邏輯回歸的損失函數
    3.4 OpenCV支持的機器學習算法
    3.4.1 機器學習模塊的結構
    3.4.2 機器學習模塊中的算法
    3.4.3 數據集準備
    3.4.4 特征選擇
    參考文獻
    第4章 K-means和KNN
    4.1 算法原理
    4.1.1 K-means原理
    4.1.2 KNN原理
    4.2 OpenCV實現
    4.2.1 K-means的實現
    4.2.2 KNN的實現
    4.3 應用示例
    4.3.1 K-means聚類示例
    4.3.2 KNN手寫數字識別示例
    4.3.3 應用提示
    參考文獻
    第5章 決策樹
    5.1 決策樹原理
    5.1.1 決策樹的基本思想
    5.1.2 決策樹的表示方法
    5.1.3 很好切分屬性的選擇
    5.1.4 停止標準
    5.1.5 剪枝
    5.2 OpenCV實現
    5.2.1 創建決策樹
    5.2.2 訓練決策樹
    5.2.3 使用決策樹預測
    5.3 應用示例
    5.3.1 蘑菇可食性分類
    5.3.2 預測波士頓房價
    5.3.3 應用提示
    參考文獻
    第6章 隨機森林
    6.1 隨機森林原理
    6.1.1 隨機森林的基本思想
    6.1.2 Bagging算法
    6.2 OpenCV實現
    6.2.1 OpenCV中的隨機森林
    6.2.2 創建隨機森林
    6.2.3 訓練隨機森林
    6.2.4 使用隨機森林預測
    6.3 應用示例
    6.3.1 蘑菇可食性分類
    6.3.2 預測波士頓房價
    6.3.3 應用提示
    參考文獻
    第7章 Boosting算法
    7.1 Boosting算法原理
    7.1.1 Boosting算法的基本思想
    7.1.2 Boosting算法
    7.1.3 AdaBoost算法
    7.2 OpenCV實現
    7.2.1 創建AdaBoost模型
    7.2.2 訓練AdaBoost模型
    7.2.3 使用AdaBoost模型預測
    7.3 應用示例
    7.3.1 蘑菇可食性分類
    7.3.2 英文字母分類問題
    7.3.3 應用提示
    參考文獻
    第8章 支持向量機
    8.1 支持向量機原理
    8.1.1 統計學習理論概述
    8.1.2 線性SVM算法基本原理
    8.1.3 非線性SVM算法的基本原理
    8.1.4 SVM回歸算法的基本原理
    8.1.5 SVM算法執行SRM準則的解釋
    8.2 OpenCV實現
    8.2.1 OpenCV中的SVM算法
    8.2.2 創建SVM模型
    8.2.3 訓練SVM模型
    8.2.4 使用SVM模型預測
    8.3 應用示例
    8.3.1 使用HOG特征與SVM算法識別手寫數字
    8.3.2 應用提示
    參考文獻
    第9章 神經網絡
    9.1 神經網絡算法原理
    9.1.1 神經網絡的結構與表示
    9.1.2 單隱層前饋神經網絡
    9.1.3 多隱層前饋神經網絡
    9.1.4 梯度下降法
    9.1.5 反向傳播算法
    9.2 OpenCV實現
    9.2.1 OpenCV中的MLP算法
    9.2.2 創建MLP模型
    9.2.3 訓練MLP模型
    9.2.4 使用MLP模型預測
    9.3 應用示例
    9.3.1 使用神經網絡識別手寫數字
    9.3.2 應用提示
    參考文獻
    第10章 深度神經網絡
    10.1 卷積神經網絡的基本原理
    10.1.1 卷積神經網絡的結構
    10.1.2 卷積層
    10.1.3 池化
    10.1.4 Softmax層
    10.1.5 CNN特征學習的過程
    10.1.6 CNN特征學習的原理
    10.2 OpenCV的DNN模塊
    10.2.1 OpenCV支持的深度學習框架
    10.2.2 支持的層類型
    10.2.3 編譯支持GPU加速的OpenCV
    10.2.4 DNN模塊的使用
    10.3 應用示例
    10.3.1 典型計算機視覺任務
    10.3.2 使用GoogLeNet實現圖像分類
    10.3.3 使用YOLOv4實現目標檢測
    10.3.4 使用Mask R-CNN實現實例分割
    10.3.5 使用GOTURN模型實現目標跟蹤
    10.3.6 使用DB算法實現場景文本檢測
    10.3.7 使用CRNN實現場景文本識別
    10.3.8 應用提示
    參考文獻
     

     

     

     

    欧美精品18videosex性欧美,老师的粉嫩小又紧水又多,久久国产高潮流白浆免费观看,国产睡熟迷奷系列网站
    <td id="6000o"><rt id="6000o"></rt></td>
  • <sup id="6000o"><button id="6000o"></button></sup>
  • <optgroup id="6000o"></optgroup>
  • <strong id="6000o"></strong>