国产91青青成人a在线/在线视频成人/aaa成人永久在线观看视频/深夜草莓视频app

2020年1月，在筆者計劃寫這本書之前，新冠肺炎已經有了在全球蔓延的趨勢。隨著時間的推移，從事計算機視覺領域研究的人員，開始利用圖像處理技術來識別新冠肺炎，并利用特征提取的方法識別感染新冠肺炎（病理圖像）的特有紋理特征，以此來判定患者感染新冠肺炎的可能性，對最終確診新冠肺炎起到重要的輔助作用。

圖像特征處理技術是圖像處理技術的一個重要分支，其廣泛應用于圖像分類、顯著性目標計算、行人重識別、目標檢測與跟蹤、視覺注意力機制、圖像細粒度識別和圖像分割等領域。本書第一章主要介紹了近年來的圖像特征提取方法。第二章闡述了多種圖像特征編碼算法。圖像分類是圖像理解重要的研究方向，其任務是按照圖像的內容將圖像分成不同類別，本書第三章重點介紹了基于特征編碼的圖像分類方法。顯著性目標計算核心思想是利用算法模仿人眼視覺顯著性功能，目的是檢測圖像中吸引人視覺系統的感興趣區域，本書第四章和第五章分別闡述了基于局部特征編碼的條件隨機場顯著性目標計算方法和聯合背景度量的自頂向下顯著性目標計算方法。行人重識別技術在當今視頻監控領域起著重要的作用，目的是在多個場景中辨別人的身份，本書第六章重點闡述了基于圖像特征編碼的行人重識別算法。目標檢測與跟蹤被廣泛應用于真實場景中，其目的不僅是識別圖像中的目標，同時還要定位目標所在圖像中的位置，并提取目標的特征完成跟蹤功能，本書第七章介紹了多種目標檢測與跟蹤方法。視覺注意力機制目的是快速有效地關注場景中的關鍵區域，避免背景信息對認識目標的干擾，本書第八章歸納了多種視覺注意力機制方法。圖像細粒度識別與傳統圖像識別的不同之處在于不僅需要辨別目標的類別，同時還得區分出目標屬于的具體子類別，本書第九章主要介紹了基于深度特征的圖像細粒度識別方法。圖像分割是圖像處理的一個重要分支，其目的是對圖像的像素進行分類，是一個具有挑戰性的研究方向，本書第十章闡述了多種圖像分割算法和機制。本書第十一章介紹了通過深度網絡獲取圖像特征之后，如何實現甲骨文分類、煙霧識別和火焰檢測任務。總之，圖像特征處理技術是一個正在快速發展的研究方向，被廣泛應用于多個領域。

目錄

第一章圖像特征編碼技術概述1

11圖像特征編碼技術背景及意義1

12圖像特征編碼方法起源與發展2

13內容總結與概括5

131圖像分類5

132顯著性目標檢測6

133行人重識別10

14本書主要特點13

第二章圖像特征提取及編碼15

21圖像特征15

211圖像局部特征15

212顏色特征17

213紋理特征18

214協方差描述子19

22特征編碼19

221基于表示的分類22

222基于約束項的分類24

223局部特征編碼算法數學模型25

23常用的公共數據集29

231圖像分類數據集29

232顯著性目標檢測數據集29

233行人重識別數據集30

24總結31

第三章碼本學習與圖像分類32

31發展歷史32

32特征編碼方法34

321矢量量化34

322稀疏編碼35

323局部約束線性編碼35

324碼本學習方法36

33特征編碼和類碼本學習37

34基于特征編碼及類碼本學習的實驗結果39

341Caltech101實驗結果分析40

342Scene15和UIUC8實驗結果43

343實驗分析和討論46

35總結47

第四章顯著性目標計算48

41引言48

42顯著性計算方法49

421自頂向下顯著性方法49

422特征編碼方法50

423CRF模型51

43基于局部性編碼和CRF模型的顯著性目標計算方法51

431編碼51

432學習顯著性目標模型52

433MSRAB數據集54

434Graz02數據集55

435Horse和Plane數據集58

44總結59

第五章背景度量和自頂向下模型60

51引言60

52顯著性目標計算相關工作61

521背景度量方法62

522自頂向下方法63

523編碼方法63

53融合背景信息和自頂向下模型的顯著性目標計算方法64

531魯棒背景度量顯著性計算64

532LLC和CRF顯著性目標模型65

54顯著性目標計算實驗結果67

541Graz02數據集68

542PASCAL VOC 2007數據集70

55總結72

第六章基于圖像特征編碼的行人重識別73

61引言73

62行人重識別相關工作74

621行人重識別流程75

622行人重識別方法76

623特征表示模塊77

624模型學習78

63行人重識別系統框架79

631行人重識別系統框架圖79

632行人檢測80

633圖像特征提取82

634行人重識別匹配準則84

64行人重識別實驗結果85

641VIPeR數據集87

642CAVIAR4REID數據集89

643ETHZ數據集91

644i-LIDS數據集94

645校園采集數據集95

65總結100

第七章目標檢測與跟蹤101

71傳統的目標檢測與跟蹤方法101

711傳統的目標檢測方法101

712傳統的目標跟蹤方法103

72基于深度學習的目標檢測與跟蹤105

721基于深度學習的目標檢測算法105

722基于深度學習的目標跟蹤算法107

73多種顏色特征提取109

74目標檢測與跟蹤在實際場景中的應用111

741目標檢測在實際場景中的應用112

742目標跟蹤在實際場景中的應用113

75實驗結果分析114

76總結117

第八章視覺注意力機制119

81傳統視覺注意力機制119

811視覺注意力機制119

812EncoderDecoder框架原理122

813Attention模型124

82深度視覺注意力機制126

821空間域126

822通道域127

83視覺注意力機制在目標檢測識別中的應用128

831目標檢測129

832缺陷檢測129

833小目標檢測129

84總結130

第九章圖像細粒度識別131

91圖像細粒度識別技術概述131

92基于強監督信息的識別模型134

921Partbased RCNN134

922Pose Normalized CNN136

923其他強監督識別模型136

93基于弱監督信息的識別模型137

931網絡結構方法138

932多特征融合和損失函數優化方法139

94目標細粒度識別技術的應用140

95展望142

第十章圖像分割技術143

101傳統圖像分割技術143

102深度學習圖像分割方法148

103圖像分割技術在實際場景中的應用152

104總結153

第十一章深度神經網絡特征在實際場景中的應用154

111深度神經網絡在甲骨文識別中的應用154

1111甲骨文研究的重要意義及研究目的154

1112甲骨文識別研究現狀155

1113深度卷積神經網絡在甲骨文識別上的應用156

1114基于深度卷積神經網絡的甲骨文識別160

112基于深度特征的煙霧識別方法163

1121國內外研究現狀及發展動態分析163

1122煙霧視頻數據集171

1123煙霧識別方法171

1124檢測結果分析176

113總結177

參考文獻179