راهنمای شبکه‌های عصبی کانولوشن برای بینایی کامپیوتر ۲۰۲۲
A Guide to Convolutional Neural Networks for Computer Vision 2022

بینایی کامپیوتر با توجه به کاربردهای گسترده‌اش در زمینه‌هایی گوناگون از جمله نظارت هوشمند، بهداشت و درمان، ورزش و تفریح، رباتیک، پهپادها و خودروهای خودران، در سال‌های اخیر به طور فزاینده‌ای مهم و مؤثر واقع شده است. وظایف تشخیص بصری، مانند طبقه‌بندی تصاویر، مکان‌یابی و شناسایی اشیا، اجزای اصلی و سازنده بسیاری از این کاربردها هستند و پیشرفت‌های اخیر در شبکه‌های عصبی کانولوشن (CNN) منجر به عملکرد فوق‌العاده‌ای در این وظایف و سیستم‌های پیشرفته تشخیص بصری شده است. در نتیجه، CNNها اکنون هسته اصلی الگوریتم‌های یادگیری عمیق در بینایی کامپیوتر را تشکیل می‌دهند.

این راهنمای خودآموز برای کسانی که به دنبال درک تئوری پشت CNNها و کسب تجربه عملی در زمینه کاربرد CNNها در بینایی کامپیوتر هستند، مفید خواهد بود. این کتاب مقدمه‌ای جامع بر CNNها ارائه می‌دهد و با مفاهیم اساسی شبکه‌های عصبی، یعنی آموزش، منظم‌سازی و بهینه‌سازی CNNها آغاز می‌کند. همچنین طیف گسترده‌ای از توابع زیان، لایه‌های شبکه و معماری‌های محبوب CNN را مورد بحث قرار می‌دهد، تکنیک‌های مختلف برای ارزیابی CNNها را بررسی می‌کند و برخی از ابزارها و کتابخانه‌های محبوب CNN را که معمولاً در بینایی کامپیوتر استفاده می‌شوند، ارائه می‌دهد. علاوه بر این، این متن به توصیف و بحث در مورد مطالعات موردی مرتبط با کاربرد CNN در بینایی کامپیوتر، از جمله طبقه‌بندی تصاویر، تشخیص اشیا، تقسیم‌بندی معنایی، درک صحنه و تولید تصویر می‌پردازد.

این کتاب برای دانشجویان مقطع کارشناسی و کارشناسی ارشد ایده‌آل است، زیرا برای پیگیری مطالب، نیازی به دانش پیشین در این زمینه نیست. همچنین برای محققان، توسعه‌دهندگان، مهندسان و متخصصان تازه‌کار که علاقه‌مند به کسب درک سریع از مدل‌های CNN هستند، مناسب است.

Computer vision has become increasingly important and effective in recent years due to its wide-ranging applications in areas as diverse as smart surveillance and monitoring, health and medicine, sports and recreation, robotics, drones, and self-driving cars. Visual recognition tasks, such as image classification, localization, and detection, are the core building blocks of many of these applications, and recent developments in Convolutional Neural Networks (CNNs) have led to outstanding performance in these state-of-the-art visual recognition tasks and systems. As a result, CNNs now form the crux of deep learning algorithms in computer vision.

This self-contained guide will benefit those who seek to both understand the theory behind CNNs and to gain hands-on experience on the application of CNNs in computer vision. It provides a comprehensive introduction to CNNs starting with the essential concepts behind neural networks: training, regularization, and optimization of CNNs.The book also discusses a wide range of loss functions, network layers, and popular CNN architectures, reviews the different techniques for the evaluation of CNNs, and presents some popular CNN tools and libraries that are commonly used in computer vision. Further, this text describes and discusses case studies that are related to the application of CNN in computer vision, including image classification, object detection, semantic segmentation, scene understanding, and image generation.

This book is ideal for undergraduate and graduate students, as no prior background knowledge in the field is required to follow the material, as well as new researchers, developers, engineers, and practitioners who are interested in gaining a quick understanding of CNN models.