Компьютерное зрение - ТОП 50 лучших книг
OpenCV является наиболее широко распространенной библиотекой компьютерного зрения. Она включает сотни готовых функций обработки изображений и используется как в академических учреждениях, так и в промышленности.
В этой книге на примерах демонстрируются основные алгоритмы обработки изображений, реализованные в OpenCV. Сначала рассказывается об установке библиотеки, описывается ее общая структура и приводятся простые примеры чтения и записи изображений и видео. Далее рассматривается фильтрация изображений и манипуляции с цветом. Вы узнаете о таких методах обработки, как ретуширование, очистка от шумов и создание HDR-изображений. В последней главе речь пойдет о повышении быстродействия за счет использования графических процессоров. Все рассмотренные темы иллюстрируются примерами.
Издание предназначено программистам, знакомым с языком С++ и желающим изучить методы обработки изображений с помощью библиотеки OpenCV.
В учебном пособии даны задания, предназначенные для закрепления теоретических знаний по цифровой обработке изображений в OpenCv. В первых разделах даны задания, посвященные основным операциям в OpenCv, таким как считывание и вывод изображения на экран, запись этого изображения в файл, изменение размера изображения. Многие задания, такие как дискретизация и квантование изображения, предназначены для демонстрации теоретических основ цифровой обработки изображений. Основное внимание в пособии уделено цифровой обработке бинарных изображений, которые наиболее часто встречаются в технических приложениях. Приводятся задания, предназначенные для получения геометрических характеристик бинарных изображений, для геометрического преобразования бинарных изображений. Рассматриваются различные способы получения дополнительных характерных признаков бинарных изображений. В заданиях рассмотрено применение методов Собеля, Превитта и Робертса, а также дискретных производных первого и второго порядка для выделения границ, обн…
Книга знакомит с современными технологиями компьютерного зрения, позволяющими машинам, роботам, веб-камерам и другим устройствам распознавать изображения. Приведено описание библиотеки компьютерного зрения OpenCV применительно к языку программирования Java. Объясняется, как загружать и сохранять изображения в различных форматах, захватывать кадры с веб-камеры в режиме реального времени, выполнять обработку, трансформацию и сегментацию изображения, применять к изображению фильтры. На практических примерах рассмотрены алгоритмы компьютерного зрения, предназначенные для обнаружения, классификации и отслеживания объектов, выделения границ и контуров объектов, поиска объектов по шаблону, особым точкам, цвету или обученному классификатору.
Для программистов.
Если вы хотите разобраться в основах теории и алгоритмов компьютерного зрения, то эта книга – как раз то, что вам нужно. Вы узнаете о методах распознавания объектов, трехмерной реконструкции, обработке стереоизображений, дополненной реальности и других приложениях компьютерного зрения. Изложение сопровождается понятными примерами на языке Python. При этом объяснения даются в общих чертах, без погружения в сухую теорию.
Издание идеально подходит для студентов, исследователей и энтузиастов-любителей с базовыми знаниями математики и навыками программирования.
Глубокое обучение - это увлекательное и быстроразвивающееся поле, которое изменило наше понимание искусственного интеллекта. Эта книга призвана ввести вас в мир глубокого обучения, начиная с основных понятий и методов и заканчивая продвинутыми темами и будущими перспективами этой удивительной области.
Наша книга также касается этических и социальных аспектов глубокого обучения, и как оно влияет на наш мир. Мы рассмотрим вызовы и возможности, с которыми сталкиваются исследователи и практики в этой области.
Глубокое обучение - это волнующая технология будущего, и мы приглашаем вас присоединиться к этому увлекательному путешествию в мир искусственного интеллекта и глубокого обучения.
Перед вами – первая книга о глубоком обучении, написанная на русском языке. Глубокие модели оказались ключом, который подходит ко всем замкам сразу: новые архитектуры и алгоритмы обучения, а также увеличившиеся вычислительные мощности и появившиеся огромные наборы данных привели к революционным прорывам в компьютерном зрении, распознавании речи, обработке естественного языка и многих других типично «человеческих» задачах машинного обучения. Эти захватывающие идеи, вся история и основные компоненты революции глубокого обучения, а также самые современные достижения этой области доступно и интересно изложены в книге. Максимум объяснений, минимум кода, серьезный материал о машинном обучении и увлекательное изложение – в этой уникальной работе замечательных российских ученых и интеллектуалов.
Представлены результаты исследования влияния характеристик входных слоёв свертки и подвыборки глубокой свёрточной нейронной сети на качество распознавания изображений. Для слоя свёртки изменяемым параметром являлся размер ядра свёртки, варьируемым параметром архитектуры субдискретизирующего слоя являлся размер рецептивного поля. Все перечисленные параметры, определяющие архитектуру входных слоёв свёртки и подвыборки, разработчикам нейронных сетей приходится подбирать на основе своего опыта. В данной работе излагается способ, позволяющий частично автоматизировать это процесс в результате предварительного анализа характеристик изображения – гистограмм и дисперсий интенсивности цветов пикселей. На основе этих сравнений выработаны рекомендации для выбора размеров ядра свёртки. Приведены итоги апробации указанного способа с помощью программы, написанной на языке Python с использованием библиотек Keras и Tensorflow.
В этой книге рассмотрены основные аспекты компьютерного зрения: обработка и анализ изображений, анализ плотного движения, сегментация изображений, работа с камерами, трехмерная реконструкция, сопоставление стереоизображений, обнаружение объектов и др. Материал дополняется историческими справками, рекомендациями по дальнейшему чтению и сведениями о рассматриваемых математических понятиях. В конце каждой главы имеются проверенные на практике упражнения и вопросы на понимание материала.
Издание предназначено широкому кругу специалистов по анализу данных и изображений, а также может использоваться в качестве учебника для студентов старших курсов и для самообразования.
Искусственный Интеллект (AI) имеет и актуальную новейшую историю, и интересную предысторию. Мифы с о человекоподобных помощниках и защитниках известны с античных времен, но только в середине XX веке появилась практическая возможность создания технологий Слабого AI, позволяющего автоматизировать рутинную составляющую умственного труда и таким образом революционизировать многие области человеческой деятельности. Однако и в наше время сохраняется сакральное отношение к Сильному AI, вера в его могущество и в угрозы цивилизации со стороны AI. Ничего, что связано с Сильным AI, в книге не рассматривается, ее содержание ограничено историей исследований и разработок, приведших к созданию Слабого AI. Особое внимание уделено двум подходам – символьному, оставшемуся в прошлом, и коннекционистскому, ставшему основой искусственных нейронных сетей и машинного обучения, а также таких актуальных приложений как робототехника, компьютерное зрение и работа с текстами на естественном языке.
Кем бы вы ни были – инженером-программистом, стремящимся войти в мир глубокого обучения, опытным специалистом по обработке данных или любителем, мечтающим создать «вирусное» приложение с использованием ИИ, – наверняка задавались вопросом: с чего начать? Практические примеры из этой книги научат вас создавать приложения глубокого обучения для облачных, мобильных и краевых (edge) систем. Если вы хотите создать что-то необычное, полезное, масштабируемое или просто классное – эта книга для вас.
Многолетний опыт исследований в области глубокого обучения и разработки приложений позволяют авторам научить каждого воплощать идеи в нечто невероятное и необходимое людям в реальном мире.
После покупки предоставляется дополнительная возможность скачать книгу в формате epub.
Данная книга представляет собой краткий учебный курс для школьников и студентов по машинному зрению и цифровой обработки изображений в среде визуального программирования LabVIEW с использованием библиотеки IMAQ Vision. Рассматриваются основные аспекты получения, хранения, обработки и анализа цифровых изображений, а также автоматического выделения и распознавания на изображениях различного рода объектов.
Приводятся многочисленные примеры практических приложений машинного и компьютерного зрения в таких областях, как автоматизация измерений и технический контроль, видеонаблюдение, биометрия, обработка документов, медицинские приложения.
В статье рассматриваются перспективы построения систем автоматического управления беспилотными летательными аппаратами, реализующих возможности компьютерного зрения. Описывается способ применения компьютерного зрения, направленный на повышение точности определения отклонений от маршрута полета летательных аппаратов и обеспечивающий возможность автоматического формирования фотосхемы в режиме реального времени при проведении аэрофотосъемки. Выполняется проверка данного способа на работоспособность и оценка его методической погрешности.
Практическое руководство, предназначенное для всех, кто хочет войти в мир машинного обучения и освоить его основы. Авторы книги предлагают читателям увлекательное путешествие в эту захватывающую область, начиная с основных концепций и принципов машинного обучения и заканчивая практическими навыками построения и обучения моделей.
Внутри книги читатели найдут понятные объяснения ключевых алгоритмов машинного обучения, таких как регрессия, классификация, кластеризация и глубокое обучение. Они узнают, как подготовить данные для обучения моделей, как выбрать и настроить подходящие алгоритмы, а также как оценивать и улучшать производительность моделей.
Практическое руководство, предназначенное для всех, кто хочет войти в мир машинного обучения и освоить его основы. Авторы книги предлагают читателям увлекательное путешествие в эту захватывающую область, начиная с основных концепций и принципов машинного обучения и заканчивая практическими навыками построения и обучения моделей.
Внутри книги читатели найдут понятные объяснения ключевых алгоритмов машинного обучения, таких как регрессия, классификация, кластеризация и глубокое обучение. Они узнают, как подготовить данные для обучения моделей, как выбрать и настроить подходящие алгоритмы, а также как оценивать и улучшать производительность моделей.