详情
本书全面介绍了计算机视觉中被广泛使用的各种方法，包括局部特征描述子、区域描述子、全局特征描述子以及评价这些内容的度量方法和分类方法，并用将近一半的篇幅重点介绍了基于深度学习的特征学习方法，以及FNN、RNN和BFN三类深度学习架构的特点。
本书内容丰富、前沿，强调理论分析，旨在探讨各种计算机视觉研究方法背后的技术和原理，同时也探讨了深度学习与神经科学之间的关系，展望了未来深度神经网络的发展方向。
本书用专门一章讲解了计算机视觉流程和算法的优化，通过汽车识别、人脸检测、图像分类和增强现实等实例具体探讨了硬件优化和软件优化的方法。
本书每章末尾都配有相应的思考题，附录给出了许多有效的实践资源和一些有用的分析，同时提供了源代码，既适合高校计算机视觉课程的教学，也适合从事计算机视觉的研究人员和工程技术人员参考使用。
本书特色
正像作者在前言中所说，虽然这本书不讲编程，但覆盖了90%计算机视觉领域的内容，是一本计算机视觉的“博物馆”，对从业者掌握算法的本质、提升应用能力很有帮助，对学生打下计算机视觉的坚实基础也很有效。
本书的目的是概述特征描述子和特征学习方法，旨在从使用特征的角度来对计算机视觉方法进行总结、分类和分析。本书鼓励读者自己去思考每种方法是如何设计的，以及它们背后的工作原理是什么。
本书还列出了近900篇参考文献，可满足不同层次的读者学习计算机视觉技术的需要。
