Számítógépes látó alkalmazások építése mesterséges neurális hálózatok segítségével: Lépésről lépésre példákkal Opencv és Tensorflow környezetben Python nyelven

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 9 olvasói szavazat alapján történt.

Eredeti címe:

Building Computer Vision Applications Using Artificial Neural Networks: With Step-By-Step Examples in Opencv and Tensorflow with Python

Könyv tartalma:

11. szakasz. 1. fejezet: Előfeltételek és a szoftver telepítése 1. 1. Python és a PIP 1. 1. 1. 1. A Python és a PIP telepítése Ubuntu rendszerre 1. 1. 2. A Python és a PIP telepítése Mac OS rendszeren 1. 1. 3. A Python és a PIP telepítése CentOS 7 rendszerre 1. 1. 4. A Python és a PIP telepítése Windowson 1. 2. Virtualenv 1. 2. 1. A virtualenv telepítése és aktiválása 1. 3. Tensorflow 1. 3. 1. A Tensorflow telepítése 1. 4. PyCharm IDE 1. 4. 1. A PyCharm telepítése 1. 4. 2. A PyCharm konfigurálása a virtualenv használatára 1. 5. OpenCV 1. 5. 1. Az OpenCV telepítése 1. 5. 2. Az OpenCV4 telepítése Python kötésekkel 1. 6. Kiegészítő könyvtárak 1. 6. 1. SciPy 1. 6. 2. Matplotlib.

2. fejezet: A kép- és videófeldolgozás alapfogalmai 1. 7. Képfeldolgozás 1. 7. 1. Képfeldolgozás alapjai 1. 7. 2. Pixel 1. 7. 3. Pixel szín 1. 7. 3. 1. Szürkeárnyalat 1. 7. 3. 2. Szín 1. 7. 4. Koordinátarendszer 1. 7. 5. Python és OpenCV kód a képek manipulálásához 1. 7. 6. Program: kép betöltése, feltárása és megjelenítése 1. 7. 7. Program: OpenCV kód a pixelek eléréséhez és manipulálásához 1. 8. Rajzolás 1. 8. 1. Vonal rajzolása egy képen 1. 8. 2. Téglalap rajzolása egy képen 1. 8. 3. Kör rajzolása egy képen 1. 9. A fejezet összefoglalása 1. 10. 2. fejezet: A képfeldolgozás technikái 2. 1. Transzformáció 2. 1. 1. Átméretezés 2. 1. 2. Fordítás 2. 1. 3. Forgatás 2. 1. 4. Megfordítás 2. 1. 5. Kivágás 2. 2. Képaritmetikai és bitsebességes műveletek 2. 2. 1. Összeadás 2. 2. 2. 2. Kivonás 2. 2. 3. Bitenkénti műveletek 2. 2. 3. 1. VAGY 2. 2. 2. 3. 2. ÉS 2. 2. 3. 3. 3. NEM 2. 2. 3. 4. XOR 2. 3. Maszkolás 2. 4. Csatornák szétválasztása és egyesítése 2. 5. Simítás és elmosás 2. 6. Küszöbértékelés 2. 7. Gradiens és élérzékelés 2. 8. Kontúrok2. 9. A fejezet összefoglalása.

23. szakasz. 4. fejezet: Mesterséges intelligencia rendszer építése számítógépes látáshoz 3. 1. Képfeldolgozó csővezeték 3. 2. Jellemzők kinyerése 3. 2. 1. Színhisztogram 3. 2. 2. GLCM 3. 2. 3. HOG 3. 2. 4. LBP 3. 3. Jellemzők kiválasztása 3. 3. 1. Szűrő 3. 3. 2. Wrapper 3. 3. 3. Beágyazott 3. 3. 4. Szabályozás 3. 4. A fejezet összefoglalása.

4. 5. fejezet: Mesterséges neurális hálózat a számítógépes látáshoz 4. 1. Bevezetés az ANN-be 4. 1. 1. 1. Az ANN topológiája 4. 1. 2. Hiperparaméterek 4. 1. 3. ANN-modellképzés a TensorFlow segítségével 4. 1. 4. A modell kiértékelése 4. 1. 5. A modell telepítése 4. 1. 6. A betanított modell használata 4. 2. Bevezetés a konvolúciós neurális hálózatba (CNN)4. 2. 1. A CNN alapfogalmai4. 2. 2. Képzési készlet létrehozása a CNN4 számára. 2. 3. CNN-modell képzése a TensorFlow segítségével 4. 2. 4. A CNN-modell vizsgálata és a modell alkalmasságának értékelése4. 2. 4. A CNN-modell vizsgálata és a modell alkalmasságának értékelése4. 2. 5. A képzett modell használata és telepítése4. 3. Bevezetés a rekurrens neurális hálózatba (RNN) és a hosszú rövid távú memóriába (LSTM)4. 3. 1. A CNN és a hosszú távú memória (LSTM) bemutatása. Az RNN és az LSTM alapfogalmai4. 3. 2. Az LSTM4 képzési készletének létrehozása. 3. 3. LSTM modell képzése TensorFlow4 segítségével. 3. 4. Az LSTM-modell vizsgálata és az alkalmasság értékelése4. 3. 5. LSTM modellek alkalmazása a gyakorlatban.

35. szakasz. 6. fejezet: Gyakorlati példa 1- Objektumfelismerés képeken 6. 7. fejezet: Gyakorlati példa 2- Objektumkövetés videókon 7. fejezet: Gyakorlati példa 3- Arcfelismerés 8. 9. fejezet: Ipari alkalmazás - Valós idejű hibaérzékelés az ipari gyártásban.