دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Guide to Convolutional Neural Networks: A Practical Application to Traffic-Sign Detection and Classification
دانلود کتاب راهنمای شبکه های عصبی کانولوشنال: یک کاربرد عملی برای تشخیص و طبقه بندی علائم ترافیکی
مشخصات کتاب
Guide to Convolutional Neural Networks: A Practical Application to Traffic-Sign Detection and Classification
ویرایش: 1
نویسندگان: Hamed Habibi Aghdam. Elnaz Jahani Heravi (auth.)
سری:
ISBN (شابک) : 9783319575506, 9783319575490
ناشر: Springer International Publishing
سال نشر: 2017
تعداد صفحات: 303
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 مگابایت
قیمت کتاب (تومان) : 43,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب راهنمای شبکه های عصبی کانولوشنال: یک کاربرد عملی برای تشخیص و طبقه بندی علائم ترافیکی: تشخیص الگو، کاربردهای سیستم های اطلاعاتی (شامل اینترنت)، سازماندهی سیستم های کامپیوتری و شبکه های ارتباطی، پردازش سیگنال، تصویر و گفتار، ترجمه زبان و زبان شناسی، مهندسی خودرو
در صورت تبدیل فایل کتاب Guide to Convolutional Neural Networks: A Practical Application to Traffic-Sign Detection and Classification به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب راهنمای شبکه های عصبی کانولوشنال: یک کاربرد عملی برای تشخیص و طبقه بندی علائم ترافیکی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب راهنمای شبکه های عصبی کانولوشنال: یک کاربرد عملی برای تشخیص و طبقه بندی علائم ترافیکی
این متن/مرجع ضروری، مفاهیم اساسی شبکه‌های عصبی کانولوشنال (ConvNets) را معرفی می‌کند و راهنمایی‌های عملی در مورد استفاده از کتابخانه‌ها برای پیاده‌سازی ConvNets در کاربردهای تشخیص و طبقه‌بندی علائم ترافیکی ارائه می‌دهد. این کار تکنیک هایی را برای بهینه سازی کارایی محاسباتی ConvNets و همچنین تکنیک های تجسم برای درک بهتر فرآیندهای اساسی ارائه می دهد. مدل‌های پیشنهادی نیز از دیدگاه‌های مختلف، با استفاده از تحلیل اکتشافی و کمی ارزیابی می‌شوند.
موضوعات و ویژگی‌ها: مفاهیم اساسی در پشت آموزش طبقه‌بندی‌کننده‌های خطی و یادگیری ویژگی را توضیح می‌دهد. در مورد طیف گسترده ای از توابع از دست دادن برای آموزش طبقه بندی کننده های باینری و چند کلاسه بحث می کند. نحوه استخراج ConvNets از شبکه‌های عصبی کاملاً متصل را نشان می‌دهد و تکنیک‌های مختلف برای ارزیابی شبکه‌های عصبی را مرور می‌کند. یک کتابخانه کاربردی برای پیاده‌سازی ConvNets ارائه می‌کند و نحوه استفاده از رابط پایتون برای کتابخانه برای ایجاد و ارزیابی شبکه‌های عصبی را توضیح می‌دهد. دو مثال واقعی از تشخیص و طبقه بندی علائم راهنمایی و رانندگی با استفاده از روش های یادگیری عمیق را شرح می دهد. طیف وسیعی از تکنیک های متنوع برای تجسم شبکه های عصبی را با استفاده از رابط پایتون بررسی می کند. تمرین‌های خودآموزی را در پایان هر فصل، علاوه بر یک واژه‌نامه مفید، با اسکریپت‌های پایتون مرتبط ارائه شده در یک وبسایت مرتبط ارائه می‌دهد.این راهنمای مستقل به نفع کسانی است که که هم به دنبال درک نظریه پشت یادگیری عمیق هستند و هم به دنبال کسب تجربه عملی در اجرای ConvNets در عمل هستند. از آنجایی که برای دنبال کردن مطالب به دانش پیش‌زمینه‌ای در این زمینه نیاز نیست، این کتاب برای همه دانشجویان بینایی کامپیوتر و یادگیری ماشین ایده‌آل است و همچنین برای پزشکانی که روی خودروهای خودران و سیستم‌های کمک راننده پیشرفته کار می‌کنند بسیار جالب خواهد بود.توضیحاتی درمورد کتاب به خارجی
This must-read text/reference introduces the fundamental concepts of convolutional neural networks (ConvNets), offering practical guidance on using libraries to implement ConvNets in applications of traffic sign detection and classification. The work presents techniques for optimizing the computational efficiency of ConvNets, as well as visualization techniques to better understand the underlying processes. The proposed models are also thoroughly evaluated from different perspectives, using exploratory and quantitative analysis.
Topics and features: explains the fundamental concepts behind training linear classifiers and feature learning; discusses the wide range of loss functions for training binary and multi-class classifiers; illustrates how to derive ConvNets from fully connected neural networks, and reviews different techniques for evaluating neural networks; presents a practical library for implementing ConvNets, explaining how to use a Python interface for the library to create and assess neural networks; describes two real-world examples of the detection and classification of traffic signs using deep learning methods; examines a range of varied techniques for visualizing neural networks, using a Python interface; provides self-study exercises at the end of each chapter, in addition to a helpful glossary, with relevant Python scripts supplied at an associated website.This self-contained guide will benefit those who seek to both understand the theory behind deep learning, and to gain hands-on experience in implementing ConvNets in practice. As no prior background knowledge in the field is required to follow the material, the book is ideal for all students of computer vision and machine learning, and will also be of great interest to practitioners working on autonomous cars and advanced driver assistance systems.فهرست مطالب
Front Matter....Pages i-xxiii
Traffic Sign Detection and Recognition....Pages 1-14
Pattern Classification....Pages 15-83
Convolutional Neural Networks....Pages 85-130
Caffe Library....Pages 131-166
Classification of Traffic Signs....Pages 167-234
Detecting Traffic Signs....Pages 235-246
Visualizing Neural Networks....Pages 247-258
Back Matter....Pages 259-282
