顶部
收藏

深度学习与视觉神经信息编解码技术


作者:
闫镔 乔凯 张驰 主编
定价:
149.00元
版面字数:
330.00千字
开本:
16开
装帧形式:
精装
版次:
1
最新版次
印刷时间:
2026-01-08
ISBN:
978-7-04-065627-5
物料号:
65627-00
出版时间:
2026-01-30
读者对象:
高等职业教育
一级分类:
计算机大类
二级分类:
计算机类
三级分类:
计算机应用技术

暂无
  • 前辅文
  • 第一章 绪论
    • 1.1 脑科学与人工智能
      • 1.1.1 脑科学
      • 1.1.2 人工智能
    • 1.2 脑功能成像
      • 1.2.1 功能性磁共振成像
      • 1.2.2 脑电图
      • 1.2.3 局部场电位
    • 1.3 视觉信息编解码
      • 1.3.1 视觉信息编码
      • 1.3.2 视觉信息解码
    • 1.4 本章小结
    • 参考文献
  • 第二章 大脑视觉神经信息处理机制
    • 2.1 视觉信息
      • 2.1.1 视觉信息感知
      • 2.1.2 视觉信息处理
      • 2.1.3 视觉信息编码
    • 2.2 视觉认知
      • 2.2.1 视觉认知机制
      • 2.2.2 运动知觉
      • 2.2.3 立体视觉
      • 2.2.4 颜色视觉
    • 2.3 视觉计算理论
      • 2.3.1 马尔视觉计算理论
      • 2.3.2 格式塔视觉计算理论
    • 2.4 本章小结
    • 参考文献
  • 第三章 视觉编解码建模基础
    • 3.1 fMRI视觉刺激实验
      • 3.1.1 fMRI实验设计
      • 3.1.2 fMRI数据采集
    • 3.2 fMRI数据处理基础
      • 3.2.1 fMRI数据预处理
      • 3.2.2 一般线性模型分析
      • 3.2.3 视觉编解码公开数据集介绍
    • 3.3 视觉编解码模型基础
      • 3.3.1 图像表征模型
      • 3.3.2 数据分类模型
      • 3.3.3 图像生成模型
    • 3.4 视觉信息编解码评价指标
      • 3.4.1 视觉信息编码评价指标
      • 3.4.2 语义解码评价指标
      • 3.4.3 重构评价指标
    • 3.5 本章小结
    • 参考文献
  • 第四章 深度神经网络模型
    • 4.1 神经网络与深度神经网络
      • 4.1.1 神经网络
      • 4.1.2 深度神经网络
    • 4.2 卷积神经网络
      • 4.2.1 发展历程
      • 4.2.2 基本原理
      • 4.2.3 典型网络结构
    • 4.3 深度生成模型
      • 4.3.1 自编码器
      • 4.3.2 生成对抗网络
      • 4.3.3 扩散模型
    • 4.4 本章小结
    • 参考文献
  • 第五章 视觉信息编码模型
    • 5.1 从可解释性出发构建视觉编码模型
      • 5.1.1 Gabor小波金字塔特征模型
      • 5.1.2 图像文本描述特征模型
    • 5.2 从高准确性出发构建视觉编码模型
      • 5.2.1 迁移学习模型
      • 5.2.2 端到端编码模型
    • 5.3 特征融合模型
      • 5.3.1 端到端的GaborNet模型
      • 5.3.2 实验结果及分析
      • 5.3.3 基于模型可视化的视觉加工机制分析
    • 5.4 本章小结
    • 参考文献
  • 第六章 视觉信息解码分类模型
    • 6.1 视觉分类模型简介
      • 6.1.1 体素降维方法
      • 6.1.2 视觉分类方式
    • 6.2 两阶段式模型
    • 6.3 端到端式模型
      • 6.3.1 基于循环神经网络的视觉分类模型
      • 6.3.2 基于注意力机制的视觉分类模型
    • 6.4 本章小结
    • 参考文献
  • 第七章 视觉信息解码重构模型
    • 7.1 两阶段式模型
      • 7.1.1 简单图像重构模型
      • 7.1.2 自然图像重构模型
    • 7.2 端到端式模型
      • 7.2.1 生成对抗网络视觉重构
      • 7.2.2 变分自编码器视觉重构
      • 7.2.3 扩散模型视觉重构
    • 7.3 本章小结
    • 参考文献
  • 第八章 视觉信息的对抗鲁棒性分析
    • 8.1 深度网络对抗鲁棒性
      • 8.1.1 对抗样本简介
      • 8.1.2 对抗样本的生成方法
    • 8.2 视觉信息机制与CNN鲁棒性分析
      • 8.2.1 实验设计与数据处理
      • 8.2.2 对抗鲁棒模型的视觉信息机制
      • 8.2.3 视觉编码模型的对抗图像视觉信息机制分析
    • 8.3 初级区视觉信息机制启发的CNN鲁棒性改进
      • 8.3.1 对抗鲁棒性和V1编码可解释性的关系
      • 8.3.2 VOneNet模型结构
      • 8.3.3 实验结果及分析
    • 8.4 本章小结
    • 参考文献

相关图书