亚洲国产精品无码久久98蜜桃,廣西裕達控股集團

《計算機視覺技術(shù)：事件相機原理與應(yīng)用》是一本關(guān)于事件相機原理基礎(chǔ)的入門類圖書。主要從計算機視覺技術(shù)的基礎(chǔ)和相關(guān)數(shù)學(xué)基礎(chǔ)開始講解，對事件信息的編碼、事件的卷積（普通卷積、稀疏卷積、圖卷積、3D 卷積）分別進行了生動的介紹，后又通過三個章節(jié)，對基于長短期記憶網(wǎng)絡(luò)（LSTM）、脈沖神經(jīng)網(wǎng)絡(luò)（SNN）、生成對抗網(wǎng)絡(luò)（GAN）的事件處理的原理和方法做了解讀。

本書圖文并茂，文字生動有趣，內(nèi)容淺顯易懂，并配有較多例題和習(xí)題，以便讀者理解和鞏固，適用于對事件相機方向感興趣的技術(shù)人員閱讀，同時也可供計算機視覺方向的初學(xué)者閱讀和學(xué)習(xí)。

事件相機作為一種新型相機，也稱為動態(tài)視覺相機、硅視網(wǎng)膜相機、仿生相機等，近年來在計算機視覺領(lǐng)域初露頭角。十幾年前，數(shù)碼相機代替膠片相機，淘汰了一個時代，現(xiàn)在手機相機的拍照質(zhì)量飛速提高，消費級數(shù)碼相機市場占有率也在逐步下降。傳統(tǒng)相機包括CMOS 相機、CCD 相機，或者RGBD相機，它們都有一個參數(shù)幀率，相機總是以恒定的幀率拍攝獲取圖像。因此，無論傳統(tǒng)相機拍攝有多快，都有一定的延遲問題。傳統(tǒng)相機需要曝光時間，使感光器件積累一定量的光子信息才能完成一次拍攝。因此，在夜間或者光照不足的情況下，以常規(guī)幀率進行拍照，成像效果并不好。而且在曝光時間之內(nèi)，如果物體出現(xiàn)高速運動，則會產(chǎn)生模糊。另外，傳統(tǒng)相機的感光動態(tài)范圍較低，具體表現(xiàn)為在光線極差或者亮度極高時，相機無法獲取到需要的信息。

事件相機對光的變化敏感，可以發(fā)現(xiàn)在場景內(nèi)只要亮度一有變化就會輸出光變化的事件信息，且僅輸出光變化的數(shù)據(jù)。由于每個像素單元獨立可訪問，所以占用了很小的帶寬，同時由于事件相機更擅長捕捉亮度變化，所以在較暗和強光場景下也能輸出有效數(shù)據(jù)。事件相機具有低延遲( ＜1s )、高動態(tài)范圍(140dB )、極低功耗(1mW )等特性。如果說傳統(tǒng)相機更像是對靜止物體信息的有效獲取，那么事件相機則提供了一種對場景內(nèi)運動信息獲取的有效方式。事件相機作為一種新型的相機，可以構(gòu)成對獲取場景靜止信息的傳統(tǒng)相機的有效補充，也可以獨立使用完成運動信息高效的輸出。

目前關(guān)于事件相機的書籍較少，多數(shù)信息仍然在相關(guān)的英文論文和產(chǎn)品介紹中。并且國內(nèi)外的相關(guān)論文和介紹難度較高，要求數(shù)學(xué)能力較高。因此，撰寫本書的目的在于提供一本關(guān)于事件相機及其應(yīng)用的基礎(chǔ)的入門類圖書。本書介紹了關(guān)于事件相機的相關(guān)基礎(chǔ)知識與操作，編排風(fēng)格較為簡潔，配有較多圖片和例題，以便讀者理解與鞏固。全書內(nèi)容分為三部分，部分為第1 章，主要介紹計算機視覺基礎(chǔ)；第二部分為第2 章，主要介紹相關(guān)數(shù)學(xué)基礎(chǔ)及事件相機的原理；第三部分為第3～第10 章，主要介紹事件相機的編碼、處理方法及應(yīng)用。本書適用人群包括對計算機視覺感興趣的高中生、本科生、研究生以及有意了解事件相機的科研人員及愛好者。

本書由高山指導(dǎo)，喬詩展負責(zé)編寫，葉汝楷負責(zé)審核及校對。

編者水平有限，書中難免會有疏漏之處，請廣大學(xué)者批評指正。

編著者

第1 章計算機視覺簡介 001

1.1 計算機視覺的概念 001

1.2 計算機視覺的應(yīng)用 002

1.2.1 圖像分類 003

1.2.2 目標(biāo)檢測 003

1.2.3 圖像分割 004

1.2.4 目標(biāo)跟蹤 004

1.2.5 其他應(yīng)用 005

1.3 思考與練習(xí) 005

第2 章事件相機的原理 006

2.1 數(shù)學(xué)基礎(chǔ)知識 007

2.1.1 導(dǎo)數(shù) 007

2.1.2 積分 014

2.1.3 神經(jīng)元模型 018

2.1.4 多層感知機與全連接層 023

2.1.5 損失函數(shù) 028

2.1.6 神經(jīng)網(wǎng)絡(luò)的優(yōu)化 030

2.2 事件相機的概念及原理 034

2.3 常用的事件相機 042

2.3.1 DVS 相機 042

2.3.2 ATIS 相機 043

2.3.3 DAVIS 044

2.3.4 商業(yè)事件相機 044

2.4 思考與練習(xí) 045

第3 章事件信息的編碼 046

3.1 點云式編碼 046

3.2 CountImage 編碼 047

3.3 張量式編碼 049

3.4 局部CountImage 編碼 050

3.5 TimeImage 編碼 051

3.6 Leaky Surface 編碼 053

3.7 思考與練習(xí) 056

第4 章事件的普通卷積 057

4.1 2D 卷積的基本原理 057

4.2 卷積神經(jīng)網(wǎng)絡(luò)的組成 064

4.2.1 卷積層 064

4.2.2 池化層 065

4.2.3 全連接層 066

4.2.4 全局/平均池化 067

4.3 事件2D 卷積的適用范圍 068

4.3.1 編碼要求 068

4.3.2 直接事件卷積存在的問題 070

4.4 思考與練習(xí) 071

第5 章事件的稀疏卷積 072

5.1 稀疏卷積的基本原理 072

5.1.1 SC 層的定義 072

5.1.2 VSC 層的定義 074

5.2 稀疏池化與全連接層 079

5.2.1 稀疏池化層 079

5.2.2 稀疏全連接層 081

5.3 稀疏卷積的特征 082

5.3.1 編碼要求 082

5.3.2 流形擬合特性 082

5.3.3 稀疏卷積的缺點 083

5.4 思考與練習(xí) 083

第6 章事件的圖卷積 084

6.1 圖卷積的基本原理 084

6.1.1 事件的采樣 084

6.1.2 圖的概念及事件圖的構(gòu)建 088

6.1.3 圖卷積的定義 094

6.1.4 圖池化及圖全連接層的定義 097

6.2 圖卷積的特性 099

6.2.1 編碼要求 099

6.2.2 圖的普適性 099

6.2.3 方向可變性 100

6.3 思考與練習(xí) 101

第7 章事件的3D 卷積 102

7.1 3D 卷積的原理 102

7.1.1 卷積層的擴展 102

7.1.2 池化層的擴展 105

7.2 事件輸入與3D 卷積的特點 108

7.2.1 事件輸入的編碼要求 108

7.2.2 直接3D 卷積的現(xiàn)存問題 109

7.2.3 3D 卷積的可分解性 110

7.3 4D 卷積簡介 110

7.4 思考與練習(xí) 114

第8 章基于LSTM 的事件處理 115

8.1 LSTM 的基本原理 115

8.1.1 LSTM 細胞的定義 115

8.1.2 LSTM 的運算更新 118

8.2 LSTM 的變體及事件處理 123

8.2.1 ConvLSTM 123

8.2.2 PhasedLSTM 125

8.3 思考與練習(xí) 126

第9 章基于脈沖神經(jīng)網(wǎng)絡(luò)的事件處理 127

9.1 普通神經(jīng)元的局限 127

9.2 脈沖神經(jīng)網(wǎng)絡(luò)的概念 128

9.2.1 脈沖神經(jīng)元模型 130

9.2.2 脈沖全連接層 133

9.2.3 脈沖卷積層 135

9.2.4 脈沖池化層 136

9.3 脈沖神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí) 137

9.4 脈沖神經(jīng)網(wǎng)絡(luò)的特點 138

9.4.1 編碼要求 138

9.4.2 脈沖神經(jīng)網(wǎng)絡(luò)的局限 139

9.5 思考與練習(xí) 140

第10 章基于生成對抗網(wǎng)絡(luò)的事件處理 141

10.1 生成對抗網(wǎng)絡(luò)的基本原理 141

10.1.1 普通GAN 的對弈原理 141

10.1.2 cGAN 的對弈原理 148

10.1.3 Cycle-GAN 的對弈原理 149

10.1.4 Info-GAN 的對弈原理 154

10.2 事件圖像的生成 155

10.3 思考與練習(xí) 157

參考文獻 158

你還可能感興趣

我要評論