論文相似度比對標準的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

人工智能：人臉識別與搜索

為了解決論文相似度比對標準的問題，作者張重生 這樣論述：

人臉識別是當今的熱門應用領域和研發方向，在安防、金融、公共服務等領域具有十分廣泛的應用。本書全面、系統地介紹“刷臉”背後的技術，包括人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索相關的演算法和實現技術。另外，本書還囊括了前沿的、基於深度學習的人臉識別技術（2014—2020年）。本書講解的演算法具有前沿性和實用性。通過本書學習，學習人員能夠在3～5個月內系統地瞭解、掌握人臉檢測、人臉識別、人臉關鍵點定位、人臉檢索的演算法原理與實戰技術。本書內容新穎、技術前沿、層次清晰，適合高校教師、研究生、工程師和人臉識別愛好者使用。 張重生 男，博士，教授，碩士生導師，河南大學大數據研究

中心、大數據團隊帶頭人。研究領域為大數據分析、深度學習、數據挖掘、數據庫、數據流（即時數據分析）。博士畢業于 INRIA,France(法國國家資訊與自動化研究所)，獲得優秀博士論文榮譽。2010年08月至2011年3月，在美國加州大學洛杉磯分校(UCLA)，計算機系，師從著名的數據庫專家Carlo Zaniolo教授，從事數據挖掘領域的合作研究。 2012-2013,挪威科技大學，ERCIM/Marie-Curie Fellow。 第1章 人臉識別概述 1 1.1 廣義的人臉識別的1:1、1:N和N:N比對計算模式 2 1.1.1 人臉驗證——1:1相似度對比 3 1.1

.2 人臉檢索——1:N相似度比對 4 1.1.3 N:N人臉相似性計算 6 1.1.4 人臉檢測、人臉識別、人臉檢索與1:1、1:N、N:N 人臉相似度計算 6 1.2 人臉識別技術的應用場景 7 1.2.1 當前應用 8 1.2.2 未來應用 11 1.3 常用資料集介紹 12 1.3.1 人臉檢測資料集 12 1.3.2 人臉識別資料集 14 1.3.3 人臉關鍵點定位資料集 15 1.3.4 其他資料集 16 本章參考文獻 17 第2章 人臉檢測技術的最新進展 19 2.1 Cascade CNN人臉檢測演算法 20 2.2 MTCNN人臉檢測演算法 24 2.3 Face R-CN

N人臉檢測演算法 27 2.4 SSH人臉檢測演算法 28 2.5 DSFD人臉檢測演算法 32 2.6 本章小結 35 本章參考文獻 36 第3章 人臉識別技術的最新進展 38 3.1 DeepID系列人臉識別演算法 39 3.2 FaceNet人臉識別演算法 41 3.3 ArcFace人臉識別演算法 44 本章參考文獻 47 第4章 人臉關鍵點定位技術的最新進展 49 4.1 Coarse-to-Fine CNN人臉關鍵點定位演算法 50 4.2 TCDCN人臉關鍵點定位演算法 51 4.3 SIR-LAN人臉關鍵點定位演算法 52 4.4 SAN人臉關鍵點定位演算法 54 4.5

WingLoss：人臉關鍵點定位演算法的損失函數設計 55 本章參考文獻 56 第5章 人臉檢索技術的最新進展 57 5.1 人臉檢索與人臉識別的相似之處與不同之處 57 5.2 人臉檢索與圖像檢索的相似之處與不同之處 58 5.3 基於深度雜湊的人臉檢索演算法 59 5.4 同時考慮雜湊碼損失和分類損失的圖像檢索技術 61 本章參考文獻 63 第6章 經典的人臉檢測演算法 64 6.1 DPM人臉檢測演算法 65 6.1.1 DPM人臉檢測演算法原理 65 6.1.2 DPM人臉檢測演算法檢測結果 70 6.2 LAEO人臉檢測演算法 71 6.2.1 LAEO人臉檢測演算法原理 71

6.2.2 LAEO人臉檢測演算法檢測結果 74 6.3 Viola ＆ Jones人臉檢測演算法 75 6.3.1 Viola ＆ Jones人臉檢測演算法原理 75 6.3.2 Viola ＆ Jones人臉檢測演算法檢測結果 78 本章參考文獻 79 第7章 基於深度學習的人臉檢測演算法實踐 82 7.1 CNN Facial Point Detection人臉檢測演算法 82 7.1.1 CNN Facial Point Detection人臉檢測演算法原理 83 7.1.2 CNN Facial Point Detection人臉檢測演算法檢測結果 83 7.2 DDFD人臉檢測演

算法 84 7.2.1 DDFD人臉檢測演算法原理 85 7.2.2 DDFD人臉檢測演算法檢測結果 85 7.3 人臉檢測演算法融合 86 本章參考文獻 88 第8章 基於Fast R-CNN的人臉檢測實踐 90 8.1 Fast R-CNN簡介 90 8.2 Fast R-CNN的特點和結構 91 8.3 資料集的預處理 94 8.4 基於Fast R-CNN訓練人臉檢測模型 95 8.4.1 訓練階段 95 8.4.2 測試階段 101 本章參考文獻 105 第9章 基於HOG特徵的人臉關鍵點定位實踐 105 9.1 H-GBDT演算法介紹 108 9.2 相關演算法介紹 111 9

.2.1 GBDT演算法介紹 111 9.2.2 HOG特徵介紹 113 9.3 H-GBDT人臉關鍵點定位演算法設計 114 9.4 實驗設計 115 9.4.1 資料集 115 9.4.2 SO-RF演算法和Face 人臉識別系統 117 9.4.3 實驗結果比較 118 9.5 本章小結 125 本章參考文獻 126 第10章 人臉識別實踐 125 10.1 DeepID演算法 131 10.1.1 DeepID演算法的原理 132 10.1.2 DeepID演算法實現 133 10.1.3 DeepID演算法結果 146 10.2 VGG Face Descriptor演算法 148

10.2.1 VGG Face Descriptor演算法原理 148 10.2.2 VGG Face Descriptor演算法實現 150 10.2.3 VGG Face Descriptor演算法結果 152 10.3 3種經典的人臉識別演算法 155 10.3.1 EigenFaces演算法 155 10.3.2 FisherFaces演算法 165 10.3.3 LBP演算法 174 10.4 人臉識別演算法對比分析 179 10.5 本章小結 180 本章參考文獻 181 第11章 人臉檢索實踐 177 11.1 人臉檢索簡介 185 11.2 計算人臉相似度的方法 186 1

1.2.1 歐氏距離 186 11.2.2 余弦相似度 188 11.3 圖像快速查找演算法 189 11.4 評價人臉檢索結果的標準 190 11.5 PHash演算法 190 11.5.1 PHash演算法原理 190 11.5.2 PHash演算法實現 191 11.5.3 PHash演算法的實驗資料、實驗結果及其分析 193 11.6 DHash演算法 194 11.6.1 DHash演算法原理 195 11.6.2 DHash演算法實現 195 11.6.3 Dhash演算法的實驗資料、實驗結果及其分析 197 11.7 PCA演算法 198 11.7.1 PCA演算法原理 198

11.7.2 PCA演算法實現 200 11.7.3 PCA演算法的實驗資料、實驗結果及其分析 203 11.8 BoF-SIFT演算法 204 11.8.1 BoF-SIFT演算法原理 205 11.8.2 BoF-SIFT演算法實現 205 11.8.3 BoF-SIFT演算法的實驗資料、實驗結果及其分析 213 11.9 用於圖像快速檢索的KD-Tree索引 215 11.9.1 FLANN演算法的使用 215 11.9.2 KD-Tree的創建與查詢處理 215 11.9.3 FLANN中KD-Tree演算法的實現 217 11.9.4 FLANN演算法的實驗資料、實驗結果及其分析 2

19 11.10 Gabor演算法 220 11.10.1 Gabor演算法原理 220 11.10.2 Gabor演算法實現 223 11.10.3 Gabor演算法的實驗資料、實驗結果及其分析 229 11.11 HOG 231 11.11.1 HOG原理 231 11.11.2 HOG實現 232 11.11.3 HOG的實驗資料、實驗結果及其分析 234 11.12 基於DeepID的人臉檢索 236 11.12.1 DeepID方法 236 11.12.2 神經網路結構介紹 236 11.12.3 DeepID演算法的實驗資料、實驗結果及其分析 237 11.13 雜湊方法和深度雜湊

方法 238 本章參考文獻 240 第12章 人臉檢測商務軟體及其應用示例 232 12.1 VeriLook 241 12.2 Face 247 12.3 各種演算法的對比分析 250 12.4 視頻中的人臉檢測與追蹤 253 本章參考文獻 257 第13章 GAN與人臉生成 248 13.1 DCGAN 259 13.1.1 DCGAN原理 259 13.1.2 DCGAN判別器和生成器的優化過程 262 13.1.3 DCGAN訓練流程 263 13.1.4 實驗結果 269 13.2 BEGAN 270 13.2.1 網路模型結構 273 13.2.2 BEGAN判別器和生成器優化

過程 275 13.2.3 BEGAN訓練流程 277 13.2.4 實驗結果 286 本章參考文獻 288 後記 275

SLAM視覺十四講：雙倍內容強化版

為了解決論文相似度比對標準的問題，作者高翔張濤劉毅顏沁睿 這樣論述：

　　這是一本介紹視覺SLAM 的書。 　　SLAM 是Simultaneous Localization and Mapping 的縮寫，中文譯作「同時定位與地圖型建置」。它是指搭載特定感測器的主體，在沒有環境先驗資訊的情況下，於運動過程中建立環境的模型，同時估計自己的運動。 　　本書的主題就是SLAM視覺， SLAM 的目的是解決「定位」與「地圖型建置」這兩個問題。也就是說，一邊要估計感測器本身的位置，一邊要建立周圍環境的模型。近年來隨著科技的發展，湧現出了一大批與SLAM 相關的應用點。 　　本書全面系統地介紹了以視覺感測器為主體的視覺SLAM 技術，詳細地介紹SLAM 的理論背景、

系統架構，以及各個模組的主流做法。同時，極其重視實作：本書介紹的所有重要演算法，都將列出可以執行的實際程式，以求加深讀者的了解。並把完整的SLAM 系統分成幾個模組：視覺里程計、後端最佳化、建圖，以及回路檢測。我們將陪著讀者一點點實現這些模組中的核心部分，探討它們在什麼情況下有效，什麼情況下會出問題，並指導大家在自己的機器上執行這些程式。你會接觸到一些必要的數學理論和許多程式設計知識，會用到Eigen、OpenCV、PCL、g2o、Ceres 等函數庫，掌握它們在Linux 作業系統中的使用方法。 　　全書分為三大部分： 　　「數學基礎篇」 　　第1 講 是預備知識，介紹本書的基本資訊，習

題部分主要包含一些自測題。 　　第2 講 為SLAM 系統概述，介紹一個SLAM 系統由哪些模組成，各模組的實際工作是什麼。實作部分介紹程式設計環境的架設過程及IDE 的使用。 　　第3 講 介紹3D 空間剛體運動，你將接觸到旋轉矩陣、尤拉角、四元數的相關知識，並且在Eigen 中使用它們。 　　第4 講介紹李群與李代數。即使你現在不懂李代數為何物，也沒有關係。你將學到李代數的定義和使用方式，然後透過Sophus 操作它們。 　　第5 講 介紹針孔相機模型及影像在電腦中的表達。你將用OpenCV 調取相機的內外參數。 　　第6 講 介紹非線性最佳化，包含狀態估計理論基礎、最小平方問題、梯度下降

方法。你會完成一個使用Ceres 和g2o 進行曲線擬合的實驗。 　　「實作應用篇」 　　第7 講 為特徵點法的視覺里程計。該講內容比較多，包含特徵分析與比對、對極幾何約束的計算、PnP 和ICP 等。在實作中，你將用這些方法估計兩個影像之間的運動。 　　第8 講 為直接法的視覺里程計。你將學習光流和直接法的原理，然後實現一個簡單的直接法運動估計。 　　第9 講 為後端最佳化，主要為對Bundle Adjustment（BA）的深入討論，包含基本的BA，以及如何利用稀疏性加速求解過程。你將用Ceres 和g2o 分別撰寫一個BA 程式。 　　第10 講 主要介紹後端最佳化中的位姿圖。位

姿圖是表達關鍵頁框之間約束的一種更緊湊的形式。我們會介紹SE(3)和Sim(3)的位姿圖，同時你將使用g2o 對一個位姿球進行最佳化。 　　第11 講 為回路檢測，主要介紹以詞袋方法為主的回路檢測。你將使用DBoW3 撰寫字典訓練程式和回路檢測程式。 　　第12 講 為地圖型建置。我們會討論如何使用一元進行稠密深度圖的估計（以及這是多麼不可靠），然後討論RGB-D 的稠密地圖型建置過程。你會撰寫極線搜索與塊符合的程式，然後在RGB-D 中遇到點雲地圖和八叉樹地圖的建置問題。 　　第13 講 是專案實作，你將架設一個二元視覺里程計架構，綜合運用先前學過的知識，實現它的基本功能。在這個過程中

，你會碰到一些問題，例如最佳化的必要性、關鍵頁框的選擇等。我們會在Kitti 資料集上測試它的效能，討論一些改進的方法。 　　第14 講 主要介紹目前的開放原始碼SLAM 方案及未來的發展方向。相信在閱讀了前面的知識之後，你會更容易了解它們的原理，實現自己的新想法。 　　適合讀者群  機器人技術工程師、對 SLAM 有興趣者，或 SLAM 相關課程科系師生作為教材或自學參考。                                      本書特色 　　SLAM視覺屬於電腦視覺和機器人研究的交叉領域，本書系統介紹SLAM視覺（同時定位與地圖構置）所需的基本知識與核心演算法，既

包括數學理論基礎，如三維空間的剛體運動、非線性優化；又涵蓋電腦視覺的演算法實現，例如多視圖幾何、回環檢測等。書中提供大量的實例程式碼供讀者學習，從而更深入地掌握內容。 　　► 更多的實例 增加一些實驗程式來介紹演算法的原理。本書中的許多程式，除了呼叫函數庫函數，還提供底層的實現。 　　► 更深入的內容 主要是從第7講至第12講的部分，重新定義那些容易引起誤解的內容。 　　► 更完整的專案項目 在介紹所有必要知識之後，向讀者展現一個完整的SLAM 系統是如何工作的。以精簡的程式實現完整的功能，讀者會獲得一個由幾百行程式實現、有完整前後端的SLAM 系統。 　　► 更通俗、簡潔的表達 這是

一本好書的標準，作者重新製作部分插圖，清晰簡明的讓讀者更清楚易懂。 作者簡介 高翔 　　清華大學自動化系博士，慕尼克工業大學博士後。專注於電腦視覺、定位與建圖、機器學習等，著、譯作有《視覺SLAM十四講：從理論到實踐》、《機器人學中的狀態估計》，在RAS、Auto Robotics、IROS等期刊會議上發表論文。現從事自動駕駛車輛研發工作。 張濤 　　清華大學自動化系教授。1999年獲清華大學自動化系檢測技術與自動化裝置專業博士學位，2002年獲日本國立佐賀大學工學系研究科系統控制專業博士學位。研究課題包括機器人、航空航太、電腦視覺等。 劉毅 　　華中科技大學圖像與人工智慧研究

所博士。專注於影像處理、三維重建、視覺SLAM，以及感測器融合研究和應用，曾在深圳市大疆創新公司，英特爾中國研究院等單位實習。 　 顏沁睿 　　比利時荷語魯汶大學人工智慧碩士，電子工程學士（GroupT）。長期致力於研究人工智慧技術在機器人領域的應用，包括電腦視覺、機器學習和SLAM。現擔任地平線機器人公司智慧駕駛部演算法工程師。   前言 01 | 預備知識 1.1 本書講什麼 1.2 如何使用本書 1.3 風格約定 1.4 致謝和宣告 1.5 習題（基礎自測題） 第一部分 數學基礎 02 | 初識SLAM 2.1 引子：小蘿蔔的實例 2.2 經典視覺SLAM 架構

2.3 SLAM 問題的數學表述 2.4 實作：程式設計基礎 2.5 習題 03 | 3D 空間剛體運動 3.1 旋轉矩陣 3.2 實作：Eigen 3.3 旋轉向量和尤拉角 3.4 四元數 3.5 相似、仿射、射影轉換 3.6 實作：Eigen 幾何模組 3.7 視覺化示範 3.8 習題 04 | 李群與李代數 4.1 李群與李代數基礎 4.2 指數與對數對映 4.3 李代數求導與擾動模型 4.4 實作：Sophus 4.5 相似轉換群與李代數 4.6 小結 4.7 習題 05 | 相機與影像 5.1 相機模型 5.2 影像 5.3 實作：電腦中的影像 5.4 實作：3D 視覺 5.5 習題

06 | 非線性最佳化 6.1 狀態估計問題 6.2 非線性最小平方 6.3 實作：曲線擬合問題 6.4 小結 6.5 習題 第二部分 實踐應用 07 | 視覺里程計1 7.1 特徵點法 7.2 實作：特徵分析和比對 7.3 2D−2D：對極幾何 7.4 實作：對極約束求解相機運動 7.5 三角測量 7.6 實作：三角測量 7.7 3D−2D：PnP 7.8 實作：求解PnP 7.9 3D−3D：ICP 7.10 實作：求解ICP 7.11 小結 7.12 習題 08 | 視覺里程計2 8.1 直接法的引出 8.2 2D光流 8.3 實作：LK 光流 8.4 直接法 8.5 實作：直接法

8.6 習題 09 | 後端1 9.1 概述 9.2 BA與圖最佳化 9.3 實作：Ceres BA 9.4 實作：g2o 求解BA 9.5 小結 9.6 習題 10 | 後端2 10.1 滑動視窗濾波和最佳化 10.2 位姿圖 10.3 實作：位姿圖最佳化 10.4 習題 11 | 回路檢測 11.1 概述 11.2 詞袋模型 11.3 字典 11.4 相似度計算 11.5 實驗分析與評述 11.6 習題 12 | 建圖 12.1 概述 12.2 一元稠密重建 12.3 實作：一元稠密重建 12.4 RGB-D 稠密建圖 12.5 TSDF 地圖和Fusion 系列 12.6 小結 12.7

習題 13 | 實作：設計SLAM 系統 13.1 為什麼要單獨列專案章節 13.2 專案架構 13.3 實現 13.4 實驗效果 13.5 習題 14 | SLAM：現在與未來 14.1 目前的開放原始碼方案 14.2 未來的SLAM 話題 14.3 習題 A | 高斯分佈的性質 A.1 高斯分佈 A.2 高斯分佈的運算 A.3 複合的實例 B | 矩陣求導 B.1 純量函數對向量求導 B.2 向量函數對向量求導 C | ROS 入門 C.1 ROS 是什麼 C.2 ROS 的特點 C.3 如何快速上手ROS   作者序 　　《視覺SLAM 十四講：從理論到實作》出版已經兩年多。兩

年來，這本書經歷了13 次重印，在GitHub 上擁有2500 個星星，也在業界引起了廣泛的關注和討論。大多數讀者評價是正面的，當然，書中也有些地方不夠令人滿意。例如，這本書針對初學者，有些應該深入的地方講得不夠深入；書中的數學符號不夠統一，有些地方容易令讀者產生誤解；專案實作章節內容不夠豐富，介紹較淺，等等。實際上，我在2016 年中期開始創作第1 版，所有文字、圖片和程式都是從零開始準備的，再加上當時在讀博士，也是第一次寫這麼厚的書，錯漏在所難免。2018 年，我在慕尼黑工大給學生講SLAM 課程，期間又累積了一些材料，所以本書從內容上更豐富、更合理。在第1 版的基礎上做了以下改動： 　

　1. 更多的實例。增加了一些實驗程式來介紹演算法的原理。在第1 版中，多數實作程式呼叫了各種函數庫中的內建函數，現在我認為更深入地介紹底層計算會更好，所以本書中的許多程式，除了呼叫函數庫函數，還提供了底層的實現。 　　2. 更深入的內容。主要是從第7 講至第12 講的部分，同時刪除了一些泛泛而談的邊角料（例如GTSAM 相關內容1）。對第1 版大部分數學公式進行了審查，重新定義了那些容易引起誤解的內容。 　　1 因數圖最佳化現在已有完整的書籍《機器人感知：因數圖在SLAM 中的應用》，用一小節很難介紹清楚。 　　3. 更完整的專案項目。將第1 版的第9 講移至第13 講。於是，我們可以

在介紹了所有必要知識之後，向大家展現一個完整的SLAM 系統是如何工作的。 　　相比於第1 版，我在本書的專案中將追求以精簡的程式實現完整的功能，你會獲得一個由幾百行程式實現的、有完整前後端的SLAM 系統。 　　4. 更通俗、簡潔的表達。我覺得這是一本好書的標準，特別是當介紹一些看起來高深莫測的數學知識時。我重新製作了部分插圖，使它們即使在黑白印刷條件下也能看起來很清楚。 　　當然，每講前的簡筆劃我是不會改的！ 　　總之，我儘量做到深入淺出，也希望本書能夠給你帶來更加舒適的閱讀體驗。  

使用FPGA實現基於類神經網路之心電圖身份辨識系統

為了解決論文相似度比對標準的問題，作者林郁勝 這樣論述：

本論文提出使用現場可程式化邏輯閘陣列(FPGA, Field Programmable Gate Array)實現使用心電圖進行身份辨識之系統。心電圖訊號由P、QRS、T波所組成具有因人而異的特徵。此系統以DNN為模型使用心電圖資料訓練，包含一層輸入層一層隱藏層一層輸出層，經軟硬體設計推論運算後與軟體驗算結果可得準確率約為99%，辨識率約為98%。之後將最後輸出層移除後即可得到具有提取心電圖特徵向量之類神經網路，將訓練集以內資料與訓練集外之資料進行特徵向量內積，與訓練集內資料相互特徵向量內積值所設之閥值(Threshold)進行軟體運算比對後可得準確率約為99%。 本論文首先將心電圖訊號進

行濾波，移除掉原始心電圖訊號中之雜訊，再將連續的心電圖訊號分切成每單位心率之分段資料，以R-peak為心率的中心點，對其取R-peak之前後180個採樣點，將每一個數據進行標準化至1到-1之間。最後將資料進行DNN之全連接層訓練。訓練完成後導出權重與偏置與輸入矩陣之參數以Matlab進行資料轉換為32位元16進制並以Quartus進行硬體結合Nios II軟體協同設計使用100M與50M雙時脈設計運算時間為1.09434ms。