Tworzenie aplikacji wizji komputerowej z wykorzystaniem sztucznych sieci neuronowych: Z przykładami krok po kroku w Opencv i Tensorflow z Pythonem

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 9 głosach.

Oryginalny tytuł:

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

Zawartość książki:

Sekcja 11. Rozdział 1: Wymagania wstępne i instalacja oprogramowania 1. 1. Python i PIP 1. 1. 1. Instalacja Pythona i PIP na Ubuntu 1. 1. 2. Instalacja Pythona i PIP na Mac OS 1. 1. 3. Instalacja Pythona i PIP na CentOS 7 1. 1. 4. Instalacja Pythona i PIP w systemie Windows 1. 2. Virtualenv 1. 2. 1. Konfiguracja i aktywacja virtualenv 1. 3. Tensorflow 1. 3. 1. Instalacja Tensorflow 1. 4. PyCharm IDE 1. 4. 1. Instalacja PyCharm 1. 4. 2. Konfiguracja PyCharm do korzystania z virtualenv 1. 5. OpenCV 1. 5. 1. Instalowanie OpenCV 1. 5. 2. Instalowanie OpenCV4 z powiązaniami Python 1. 6. Dodatkowe biblioteki 1. 6. 1. SciPy 1. 6. 2. Matplotlib.

Rozdział 2: Podstawowe koncepcje przetwarzania obrazów i wideo 1. 7. Przetwarzanie obrazu 1. 7. 1. Podstawy obrazu 1. 7. 2. Piksel 1. 7. 3. Kolor piksela 1. 7. 3. 1. Skala szarości 1. 7. 3. 2. Kolor 1. 7. 4. Układ współrzędnych 1. 7. 5. Kod Python i OpenCV do manipulowania obrazami 1. 7. 6. Program: ładowanie, eksploracja i wyświetlanie obrazu 1. 7. 7. Program: Kod OpenCV do uzyskiwania dostępu do pikseli i manipulowania nimi 1. 8. Rysowanie 1. 8. 1. Rysowanie linii na obrazie 1. 8. 2. Rysowanie prostokąta na obrazie 1. 8. 3. Rysowanie okręgu na obrazie 1. 9. Podsumowanie rozdziału 1. 10. 2. Rozdział 3: Techniki przetwarzania obrazu 2. 1. Transformacja 2. 1. 1. Zmiana rozmiaru 2. 1. 2. Tłumaczenie 2. 1. 3. Obracanie 2. 1. 4. Odwracanie 2. 1. 5. Kadrowanie 2. 2. Arytmetyka obrazu i operacje bitowe 2. 2. 1. Dodawanie 2. 2. 2. Odejmowanie 2. 2. 3. Operacje bitowe 2. 2. 3. 1. LUB 2. 2. 3. 2. I 2. 2. 3. 3. NOT 2. 2. 3. 4. XOR 2. 3. Maskowanie 2. 4. Dzielenie i łączenie kanałów 2. 5. Wygładzanie i rozmycie 2. 6. Progowanie 2. 7. Wykrywanie gradientu i krawędzi 2. 8. Kontury 2. 9. Podsumowanie rozdziału.

Część 23. Rozdział 4: Budowa systemu sztucznej inteligencji dla wizji komputerowej 3. 1. Potok przetwarzania obrazu 3. 2. Ekstrakcja cech 3. 2. 1. Histogram kolorów 3. 2. 2. GLCM 3. 2. 3. HOG 3. 2. 4. LBP 3. 3. Wybór cech 3. 3. 1. Filtr 3. 3. 2. Wrapper 3. 3. 3. Embedded 3. 3. 4. Regularyzacja 3. 4. Podsumowanie rozdziału.

4. Rozdział 5: Sztuczne sieci neuronowe dla wizji komputerowej 4. 1. Wprowadzenie do ANN 4. 1. 1. Topologia ANN 4. 1. 2. hiperparametry 4. 1. 3. Trening modelu ANN przy użyciu TensorFlow 4. 1. 4. Ocena modelu 4. 1. 5. Wdrożenie modelu 4. 1. 6. Wykorzystanie wytrenowanego modelu 4. 2. Wprowadzenie do Convolution Neural Network (CNN)4. 2. 1. Podstawowe koncepcje CNN4. 2. 2. Tworzenie zestawu treningowego dla CNN4. 2. 3. Trenowanie modelu CNN przy użyciu TensorFlow4. 2. 4. Sprawdzanie modelu CNN i ocena jego sprawności4. 2. 5. Używanie i wdrażanie wytrenowanego modelu4. 3. Wprowadzenie do rekurencyjnych sieci neuronowych (RNN) i pamięci krótkotrwałej (LSTM)4. 3. 1. Podstawowe koncepcje RNN i LSTM4. 3. 2. Tworzenie zestawu treningowego dla LSTM4. 3. 3. Trening modelu LSTM przy użyciu TensorFlow4. 3. 4. Sprawdzanie modelu LSTM i ocena sprawności4. 3. 5. Wdrażanie modeli LSTM w praktyce.

Sekcja 35. Rozdział 6: Przykład praktyczny 1- Wykrywanie obiektów na obrazach 6. Rozdział 7: Przykład praktyczny 2- Śledzenie obiektów na nagraniach wideo 7. Rozdział 8: Przykład praktyczny 3- Wykrywanie twarzy 8. Rozdział 9: Zastosowanie przemysłowe - Wykrywanie defektów w czasie rzeczywistym w produkcji przemysłowej.