یادگیری عمیق در بینایی ماشین ۲۰۲۰
Deep Learning in Computer Vision 2020

الگوریتم‌های یادگیری عمیق با ارائه راهکارهای نوین و کارآمد برای مسائل متعددی در حوزه بینایی ماشین که سال‌ها لاینحل باقی‌مانده یا به‌طور ناقص حل شده بودند، انقلابی در این حوزه ایجاد کرده‌اند. این کتاب مجموعه‌ای است از یازده فصل که در هر فصل، اصول یادگیری عمیق در یک موضوع خاص توضیح داده شده، مروری بر تکنیک‌های روز ارائه شده، و یافته‌های تحقیقاتی به جامعه بینایی ماشین معرفی می‌گردد. کتاب حاضر طیف گسترده‌ای از موضوعات در مفاهیم و کاربردهای یادگیری عمیق را پوشش می‌دهد، از جمله: تسریع استنتاج شبکه‌های عصبی کانولوشن بر روی آرایه‌های گیت برنامه‌پذیر میدانی، تشخیص آتش در کاربردهای نظارتی، تشخیص چهره، تشخیص کنش و فعالیت، بخش‌بندی معنایی برای رانندگی خودکار، ثبت تصاویر هوایی، بینایی ربات، تشخیص تومور، و بخش‌بندی ضایعات پوستی و همچنین طبقه‌بندی ملانومای پوست. محتوای این کتاب به‌گونه‌ای سازماندهی شده است که هر فصل را می‌توان مستقل از سایر فصل‌ها مطالعه کرد. این کتاب همراهی ارزشمند برای محققان، دانشجویان تحصیلات تکمیلی و احتمالاً دانشجویان سال آخر کارشناسی که در حال گذراندن یک دوره پیشرفته در موضوعات مرتبط هستند، و همچنین برای کسانی است که به یادگیری عمیق با کاربردهایی در بینایی ماشین، پردازش تصویر و تشخیص الگو علاقه‌مند هستند.

Deep learning algorithms have brought a revolution to the computer vision community by introducing non-traditional and efficient solutions to several image-related problems that had long remained unsolved or partially addressed. This book presents a collection of eleven chapters where each individual chapter explains the deep learning principles of a specific topic, introduces reviews of up-to-date techniques, and presents research findings to the computer vision community. The book covers a broad scope of topics in deep learning concepts and applications such as accelerating the convolutional neural network inference on field-programmable gate arrays, fire detection in surveillance applications, face recognition, action and activity recognition, semantic segmentation for autonomous driving, aerial imagery registration, robot vision, tumor detection, and skin lesion segmentation as well as skin melanoma classification. The content of this book has been organized such that each chapter can be read independently from the others. The book is a valuable companion for researchers, for postgraduate and possibly senior undergraduate students who are taking an advanced course in related topics, and for those who are interested in deep learning with applications in computer vision, image processing, and pattern recognition.