導(dǎo)論
第一章 模式識別與計(jì)算機(jī)視覺概述
1．1 概念認(rèn)知
1．1．1 模式識別
1．1．2 視覺與計(jì)算機(jī)視覺
1．2 模式識別與計(jì)算機(jī)視覺發(fā)展史
1．2．1 模式識別發(fā)展史
1．2．2 計(jì)算機(jī)視覺發(fā)展史
1．3 模式識別的應(yīng)用
1．4 計(jì)算機(jī)視覺發(fā)展方向
1．4．1 目標(biāo)檢測
1．4．2 圖像語義分割
1．4．3 運(yùn)動目標(biāo)檢測與跟蹤
1．4．4 三維重建
1．4．5 人體動作識別
本章小結(jié)
習(xí)題
模式識別理論篇

第二章 分類器
2．1 距離分類器
2．1．1 最近鄰分類及其加速
2．1．2 K近鄰算法
2．1．3 距離和相似性度量
2．2 支持向量機(jī)
2．2．1 最優(yōu)線性判別函數(shù)分類器
2．2．2 支持向量機(jī)的學(xué)習(xí)
2．2．3 核函數(shù)與非線性支持向量機(jī)
2．3 分類器性能評價(jià)
2．3．1 評價(jià)指標(biāo)
2．3．2 評價(jià)方法
本章小結(jié)
習(xí)題

第三章 神經(jīng)網(wǎng)絡(luò)分類器
3．1 神經(jīng)網(wǎng)絡(luò)
3．1．1 神經(jīng)網(wǎng)絡(luò)概述
3．1．2 代價(jià)函數(shù)
3．2 反向傳播算法及其改進(jìn)
3．3 BP神經(jīng)網(wǎng)絡(luò)
3．4 對偶傳播神經(jīng)網(wǎng)絡(luò)
3．4．1 網(wǎng)絡(luò)結(jié)構(gòu)與運(yùn)行原理
3．4．2 學(xué)習(xí)算法
3．4．3 改進(jìn)CPN
3．4．4 CPN應(yīng)用
3．5 概率神經(jīng)網(wǎng)絡(luò)
3．5．1 模式分類和貝葉斯決策理論
3．5．2 概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3．5．3 概率神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)
3．6 卷積神經(jīng)網(wǎng)絡(luò)
3．7 深度神經(jīng)網(wǎng)絡(luò)模型
3．7．1 Inception V1模型
3．7．2 Inception V2模型
3．7．3 Inception V3模型
本章小結(jié)
習(xí)題

第四章 聚類分析
4．1 無監(jiān)督學(xué)習(xí)與聚類
4．1．1 無監(jiān)督學(xué)習(xí)動機(jī)
4．1．2 聚類分析的應(yīng)用
4．1．3 聚類分析的過程
4．1．4 聚類問題的描述
4．2 簡單聚類方法
4．2．1 順序聚類
4．2．2 最大最小距離聚類
4．3 層次聚類算法
4．4 動態(tài)聚類算法
4．4．1 K均值算法理論基礎(chǔ)
4．4．2 K均值算法
4．4．3 K均值算法的改進(jìn)
4．5 模擬退火聚類算法
4．5．1 物理退火過程
4．5．2 模擬退火算法的基本原理
4．5．3 退火方式
4．6 聚類檢驗(yàn)
4．6．1 聚類結(jié)果的檢驗(yàn)
4．6．2 聚類數(shù)的間接選擇
4．6．3 聚類數(shù)的直接選擇
本章小結(jié)
習(xí)題

第五章 蟻群和粒子群聚類算法
5．1 蟻群和粒子群算法簡介
5．2 蟻群算法
5．2．1 蟻群算法的基本原理
5．2．2 蟻群算法基本流程
5．2．3 蟻群算法的規(guī)則說明
5．2．4 TSP的提出
5．2．5 蟻群算法的優(yōu)點(diǎn)和缺點(diǎn)
5．3 粒子群算法
5．3．1 粒子群算法的基本原理
5．3．2 粒子群優(yōu)化方法的一般數(shù)學(xué)模型
5．3．3 粒子群算法的優(yōu)點(diǎn)和缺點(diǎn)
5．4 蟻群算法和粒子群算法的對比
5．5 改進(jìn)的蟻群算法
5．5．1 帶精英策略的螞蟻系統(tǒng)
5．5．2 基于優(yōu)化排序的螞蟻系統(tǒng)
5．5．3 最大最小螞蟻系統(tǒng)
5．6 粒子群算法的優(yōu)化
5．6．1 基于個(gè)體位置變異的粒子群算法
5．6．2 基于動態(tài)鄰域的多目標(biāo)粒子群優(yōu)化算法
5．6．3 基于異維變異的差分混合粒子群算法
本章小結(jié)
習(xí)題

第六章 時(shí)序模型
6．1 時(shí)序分析概述
6．1．1 時(shí)間序列數(shù)據(jù)的相關(guān)概念
6．1．2 時(shí)間序列數(shù)據(jù)預(yù)測的研究綜述
6．1．3 時(shí)間序列數(shù)據(jù)聚類的研究綜述
6．1．4 面向時(shí)間序列數(shù)據(jù)挖掘技術(shù)的應(yīng)用領(lǐng)域
6．2 隱馬爾可夫模型
6．2．1 HMM適合的情形
6．2．2 HMM的定義
6．2．3 HMM實(shí)例
6．2．4 HMM觀測序列的生成
6．2．5 HMM的三個(gè)基本問題及其解決
6．3 隱馬爾可夫模型的優(yōu)化
6．3．1 問題描述
6．3．2 改進(jìn)的HMM學(xué)習(xí)算法
6．4 循環(huán)神經(jīng)網(wǎng)絡(luò)及其優(yōu)化
6．4．1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述
6．4．2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
6．4．3 改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)
6．5 長短期記憶網(wǎng)絡(luò)及其改進(jìn)
6．5．1 RNN梯度消失問題
6．5．2 長短期記憶型循環(huán)神經(jīng)網(wǎng)絡(luò)
6．5．3 LSTM型RNN訓(xùn)練過程
6．5．4 LSTM改進(jìn)算法——GRU算法
本章小結(jié)
習(xí)題
計(jì)算機(jī)視覺應(yīng)用篇

第七章 圖像匹配
7．1 圖像匹配及其應(yīng)用
7．2 圖像匹配的要素
7．3 圖像匹配的常用方法
7．3．1 基于圖像特征點(diǎn)的匹配方法
7．3．2 基于圖像灰度信息的匹配方法
7．3．3 基于相位相關(guān)的匹配方法
7．4 特征分布不均勻的圖像精配準(zhǔn)算法
7．4．1 常見圖像配準(zhǔn)方法的一般過程及存在問題
7．4．2 層次配準(zhǔn)方法
7．4．3 粗層次配準(zhǔn)算法
7．4．4 網(wǎng)格化下精配準(zhǔn)算法
7．4．5 特征匹配與融合配準(zhǔn)
7．5 本章小節(jié)
習(xí)題

第八章 圖像分類與分割
8．1 圖像分類及其過程
8．1．1 圖像分類概述
8．1．2 圖像分類流程
8．1．3 圖像分類方法概述
8．2 基于隨機(jī)森林的圖像分類
8．2．1 圖像分類的隨機(jī)森林算法
8．2．2 基于隨機(jī)森林的圖像分類效果及分析
8．3 基于SVM的圖像分類
8．3．1 圖像分類SVM算法
8．3．2 基于SVM的圖像分類效果及分析
8．4 基于深度學(xué)習(xí)的圖像分類
8．4．1 圖像分類CNN模型
8．4．2 基于CNN模型的圖像分類效果及分析
8．5 圖像分割
8．5．1 圖像分割的定義
8．5．2 圖像分割算法概述
8．6 基于閾值法的圖像分割
8．6．1 閾值法的基本原理
8．6．2 基于閾值法的圖像分割方法分類
8．6．3 基于閾值法的圖像分割的實(shí)現(xiàn)
8．7 基于分水嶺算法的圖像分割
8．7．1 分水嶺算法概述
8．7．2 分水嶺算法的原理
8．7．3 基于密度模糊聚類的分水嶺分割算法
8．8 基于蟻群算法的圖像分割
8．8．1 蟻群算法應(yīng)用背景
8．8．2 圖像分割中的特征提取
8．8．3 圖像分割中的蟻群算法
8．8．4 基于蟻群算法的圖像分割效果及分析
本章小結(jié)
習(xí)題

第九章 視頻動作識別
9．1 動作識別概述
9．1．1 動作識別的難點(diǎn)
9．1．3 動作識別流程
9．2 運(yùn)動目標(biāo)檢測技術(shù)
9．2．1 動作視頻分割技術(shù)
9．2．2 動作區(qū)域分割技術(shù)
9．3 動作特征提取技術(shù)
9．3．1 剪影特征
9．3．2 光流特征
9．3．3 梯度特征
9．3．4 深度特征
9．3．5 CNNs學(xué)習(xí)特征
9．3．6 RNNs學(xué)習(xí)特征
9．4 動作特征理解技術(shù)
9．4．1 動作時(shí)空表征模板
9．4．2 動作分類器
9．5 基于雙流模型卷積神經(jīng)網(wǎng)絡(luò)的動作識別
9．5．1 空間流卷積神經(jīng)網(wǎng)絡(luò)
9．5．2 時(shí)間流卷積神經(jīng)網(wǎng)絡(luò)
9．5．3 時(shí)空網(wǎng)絡(luò)融合策略
9．6 基于多流模型卷積神經(jīng)網(wǎng)絡(luò)的動作識別
9．6．1 Three stream CNNs動作識別模型結(jié)構(gòu)框架
9．6．2 基于Three stream CNNs動作識別的實(shí)現(xiàn)
本章小結(jié)
習(xí)題
參考文獻(xiàn)