新書推薦：
《
孤独与相遇的社会学
》
售價：HK$
59.8
《
精微植物艺术表现技法大全
》
售價：HK$
227.7
《
坦克行动：一名装甲部队指挥官的战争（1944年至1945年）
》
售價：HK$
114.8
《
翻译的危险：清代中国与大英帝国之间两位译者的非凡人生
》
售價：HK$
94.3
《
论法拉比与迈蒙尼德：施特劳斯讲演与论文集：卷三
》
售價：HK$
109.3
《
实验之火：锻造英格兰炼金术（1300—1700年）
》
售價：HK$
124.2
《
高功率激光推进
》
售價：HK$
110.4
《
藩镇时代的政治与社会
》
售價：HK$
112.7
|
| 內容簡介： |
|
随着人们生活质量的提高，人体生理机能健康愈加地受到人们的重视，因此人体的生理机能评估也变得越来越重要。合理科学的生理机能评估对预防生理机能病变、保障人体健康尤为重要。《深度学习在生理机能中的应用》针对复杂的人体运动问题，探索一种基于几何代数的人体运动表征方法，并以机器学习、深度学习为方法，为分析人体运动提供有效的解决方案。《深度学习在生理机能中的应用》介绍了可变形卷积神经网络算法跟踪器、孪生框架SiamFC跟踪算法、人体姿态描述方法、人体姿态朝向描述符以及人体生理机能评估系统。
|
| 目錄：
|
|
目录前言第1章 人体目标跟踪算法研究 11.1 研究背景和意义 11.2 人体目标跟踪算法的研究现状 31.2.1 人体目标跟踪的重要组成部分 31.2.2 人体目标跟踪算法分类 6参考文献 10第2章 可变形卷积神经网络算法跟踪器 132.1 卷积神经网络 132.2 可变形卷积神经网络 162.2.1 可变形卷积的构建 162.2.2 可变形网络理论 182.2.3 可变形网络反向传播 212.3 可变形卷积神经网络算法的设计 212.3.1 MDNet跟踪算法概述 212.3.2 DCT网络设计 222.3.3 DCT算法软化损失函数 232.3.4 DCT跟踪器算法设计 252.3.5 DCT算法性能优化 272.4 本章小结 33参考文献 33第3章 通道注意力形变算法跟踪器 353.1 注意力基础知识 353.2 通道注意力形变网络设计 363.2.1 CDCT的组归一化 363.2.2 通道注意力形变模块设计 373.2.3 CDCT跟踪算法设计 403.3 跟踪器性能比较 413.3.1 CDCT性能对比 413.3.2 对比实验 423.4 本章小结 43参考文献 43第4章 3D骨架朝向数据的几何代数表示与集成方法研究 454.1 3D骨架朝向数据应用 454.2 骨架数据获取方法 464.2.1 直接获取3D骨架数据 464.2.2 3D姿态估计和骨架构造 504.3 信息表达 504.3.1 关于关节位移的表征 504.3.2 基于关节方向的表征 514.3.3 基于原始关节位置的表征 524.3.4 多模态表征 534.3.5 小结 534.4 表征编码 544.4.1 基于连接的编码 544.4.2 基于统计的编码 544.4.3 基于词袋的编码 554.4.4 小结 554.5 结构和拓扑变换 554.5.1 基于低级特征的表征 554.5.2 基于身体部位模型的表征 564.5.3 基于流行的表征 564.5.4 小结 57参考文献 57第5章 几何代数基础 635.1 几何代数 635.2 外积 635.3 内积 665.4 几何积 685.5 逆运算和倒运算 725.6 叉积 735.7 反射和旋转 735.7.1 反射 735.7.2 旋转 755.8 本章小结 78参考文献 78第6章 基于几何代数的人体姿态朝向描述符及集成动作分类算法介绍 796.1 人体的姿态描述与内在关系 796.2 基于几何代数的人体姿态朝向描述符 806.2.1 基于几何代数的人体关节旋转描述 816.2.2 基于几何代数的人体关节角度描述 876.3 基于几何代数的人体姿态朝向表征及集成动作分类方法 906.3.1 基于几何代数的人体姿态朝向表征 906.3.2 集成动作分类方法 906.4 线性及非线性GA-SVM 936.4.1 线性GA-SVM 936.4.2 非线性GA-SVM 966.5 本章小结 97参考文献 98第7章 基于几何代数的人体姿态朝向表征算法分析、验证及应用 997.1 基于Kinect V2骨骼朝向数据集 997.2 在数据集SZU-3D-SOEARD上的表征和分类算法分析、验证 1017.3 在数据集SYSU-3D-HOI上的表征和分类算法分析、验证 1117.4 基于单帧人体姿态朝向表征的在线实时姿态校准系统 1137.5 本章小结 117参考文献 118第8章 基于运动目标的光流信息以及光流网络介绍 1198.1 光流法的基本概念 1198.2 L-K光流法及改进算法 1208.2.1 L-K光流算法 1218.2.2 L-K金字塔光流算法 1218.3 光流网络的分类 1228.3.1 光流卷积网络FlowNet 1228.3.2 光流卷积网络FlowNet 2.0 1248.3.3 光流网络 TV-Net 1258.4 本章小结 128参考文献 129第9章 基于光流法的抗鲁棒跟踪算法 1309.1 CMT跟踪算法详解 1309.1.1 静态相适应匹配 1309.1.2 非相似性方法 1319.1.3 特征点匹配优化 1319.2 虚拟特征点的补充 1329.3 模糊逻辑的权重选择 1339.3.1 模糊逻辑的概念 1339.3.2 模糊集合和模糊规则 1339.3.3 模糊神经网络 1359.3.4 基于模糊逻辑的判断 1369.3.5 权重的相适应性 1379.4 实验结果与分析 1399.5 本章小结 140参考文献 140第10章 基于光流卷积网络的Siamese双路输入模型介绍 14210.1 端到端训练的Siamese框架跟踪模型 14210.1.1 算法框架一深度相似性学习 14210.1.2 算法细节 14410.1.3 SiamFC算法跟踪结果 14510.2 基于光流网络的检测帧模型 14610.2.1 检测帧融合模型 14610.2.2 模板更新分析 15010.3 基于光流网络的注意力模型 15110.3.1 注意力机制 15110.3.2 通用解码-编码注意力模型 15110.3.3 基于光流网络的注意力模型 15310.3.4 滴漏注意力模型 15410.4 实验结果 15610.4.1 SiamFlow实验 15610.4.2 对比实验 15810.5 本章小结 160参考文献 160第11章 生理机能评估研究 16211.1 研究背景 16211.2 生理机能 16211.2.1 运动功能 16311.2.2 感官功能 16411.2.3 认知功能 16511.2.4 免疫功能 16511.2.5 皮肤功能 16511.3 生理机能评估 16511.4 国内外发展现状 167参考文献 168第12章 基于Kinect深度摄像头的生理机能评估 17112.1 Kinect深度摄像头简介 17112.1.1 Kinect 深度摄像头 17112.1.2 骨豁跟踪 17212.2 关节活动度评估 17412.2.1 肘及膝关节活动表征 17512.2.2 肩髋关节活动度表征 17512.2.3 颈椎关节活动度表征 17612.2.4 Kinect关节角度采集及验证 17712.3 动作检测分析 17812.3.1 DTW匹配算法 17812.3.2 DTW算法改进 18112.3.3 DTW改进算法分析及验证 18312.4 步态评估 19012.4.1 步态评估表征数据的提取 19012.4.2 K近邻算法 19212.4.3 步态评估结果 19412.5 基于Kinect V2的快速上肢评估 19512.5.1 快速上肢评估 19512.5.2 基于Kin2-RULA的快速上肢评估 19612.5.3 实验结果与分析 19912.5.4 基于Kin2-RULA的生理机能评估 20112.6 本章小结 201参考文献 202第13章 基于立体摄像头的生理机能评估 20413.1 基于立体摄像头的3D人体姿态评估模型 20413.1.1 立体摄像机标定 20513.1.2 帧同步 20813.1.3 2D人体姿态评估 20813.1.4 滤波处理 21013.1.5 3D人体姿态重建 21113.2 3D人体姿态评估模型实验验证 21213.2.1 手标获取标准库方法验证 21313.2.2 3D人体姿态评估验证 21413.3 基于人体姿态评估模型的生理机能评估 21813.3.1 基于人体姿态评估模型的TUG评估 21813.3.2 步态评估 22013.4 本章小结 221参考文献 221
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
