電腦視覺圖像與視頻數據標註
曠視科技數據業務團隊
- 出版商: 人民郵電
- 出版日期: 2020-12-01
- 定價: $414
- 售價: 8.5 折 $352
- 語言: 簡體中文
- 頁數: 188
- ISBN: 7115549427
- ISBN-13: 9787115549426
-
相關分類:
Computer Vision
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
機器學習$648$616 -
深入理解機器學習：從原理到算法 (Understanding Machine Learning : From Theory to Algorithms)$474$450 -
$301神經網絡與深度學習 -
$403深度學習 : Caffe 之經典模型詳解與實戰 -
深度學習快速入門 — 使用 TensorFlow (Getting started with TensorFlow)$360$281 -
$602電腦視覺 : 一種現代方法, 2/e -
$403AWS Lambda 實戰 : 開發事件驅動的無服務器應用程序 (AWS Lambda in Action: Event-Driven Serverless Applications) -
$505在線視頻技術精要 -
深度學習的數學地圖 -- 用 Python 實作神經網路的數學模型 (附數學快查學習地圖)$580$493 -
玩轉3D視界 —— 3D機器視覺及其應用$528$502 -
![大話數據結構 [溢彩加強版]-cover](https://cf-assets2.tenlong.com.tw/products/images/000/154/629/medium/089523-01.jpg?1605929471)
大話數據結構 [溢彩加強版]$607$571 -
$426零基礎學機器學習 -
$224深度學習：從入門到精通 (微課版) -
$224大數據專業英語教程 (附全套音頻) -
$347開源法則 -
信號完整性 — 深入理解高速數字電路設計$534$507 -
$352FPGA 從入門到精通 (實戰篇) -
$398單目立體三維重建技術及應用 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
初學 Jetson Nano 不說 No：CAVEDU 教你一次懂$480$480 -
$352彩色電腦視覺：基礎與應用 -
跨平台 App + Web API 實戰：使用 Flutter 和 ASP.NET Core 開發尋寶遊戲$420$328 -
數位影像處理－Python 程式實作, 3/e (附範例光碟)$600$540 -
你的地圖會說話？WebGIS 與 JavaScript 的情感交織（iT邦幫忙鐵人賽系列書）$600$468 -
數位與醫學的人工智慧影像處理技術：Python 實務$580$452
相關主題
商品描述
隨著人工智能和大數據技術的發展，數據標註行業也迎來了飛速發展，其中與電腦視覺相關的標註數據需求量大，受關註程度很高，因此需要大量的數據標註工程師從事數據標註的工作。曠視依托自己開發的Data++數據標註平臺，以圖文並茂的方式編寫了本書，目的是指導數據標註人員科學、正確地進行數據標註操作。本書將會介紹人工智能的發展概況、標註行業發展的前景、數據標註的理論知識及利用曠視Data++數據標註平臺進行數據標註的基本操作流程，講解電腦視覺中的數據標註工具，如通用標註工具、檢測標註工具、識別標註工具及其他標註工具。
本書適合算法工程師、數據標註工程師、數據標註公司相關從業人員閱讀，也適合高等院校電腦、人工智能、大數據專業的師生學習，還可作為高職、中職院校和培訓學校的教材。
作者簡介
旷视Data++（旷视科技数据业务团队）凭借在AI领域的技术积累，在计算机视觉、自然语言处理、智能语音及自动驾驶等领域，为客户提供数据咨询服务，数据生产、清洗、标注和业务数字化的整合解决方案。团队自研的“旷视Data++数据服务平台”，立足于数据服务全生命周期管理，旨在解决人工智能行业发展过程中面临的各种数据困境。通过管理、工具以及算法等多种手段，在效率和质量上均可达到行业领先水平。
目錄大綱
目 錄
第1章 人工智能的發展概況 1
1.1 人工智能的誕生與初興 2
1.2 人工智能的復興與電腦視覺的初露端倪 4
1.3 數據被重視，人工智能崛起 4
第2 章 數據標註行業的國內現狀與未來展望 7
2.1 國內數據標註行業的現狀 8
2.2 數據標註工程師簡介 9
2.3 數據標註行業的發展前景 12
第3 章 人工智能治理 15
3.1 人工智能的可持續發展 16
3.2 數據是AI治理的第一道防火牆 17
3.3 數據服務產業是AI治理落地的試驗田 17
3.3.1 數據來源的合法合規問題 18
3.3.2 技術的安全性 19
3.3.3 問責機制 20
3.4 曠視，AI發展與治理雙輪驅動 20
第4章 數據標註服務產品及曠視Data++數據標註平臺 23
4.1 數據標註服務產品 24
4.2 數據服務標註平臺流程 26
4.2.1 創建項目 26
4.2.2 數據上傳 27
4.2.3 項目發布 27
4.2.4 項目交付 28
4.3 曠視Data++數據標註平臺 28
4.3.1 用戶註冊 29
4.3.2 標註操作流程 31
第5章 通用標註工具 35
5.1 行人屬性篩選 36
5.1.1 行人屬性篩選定義 36
5.1.2 行人屬性篩選工具介紹 37
5.1.3 行人屬性篩選分類 39
5.1.4 標註註意事項 43
5.1.5 標註難點 46
5.1.6 實際中的應用 46
5.1.7 思考與討論 48
5.1.8 行人屬性篩選工具現狀及展望 48
5.1.9 小結 50
5.2 屬性標註 50
5.2.1 屬性標註工具介紹 50
5.2.2 標註內容 52
5.2.3 標註方法 53
5.2.4 標註難點 54
5.2.5 生活中的應用 56
5.2.6 屬性標註在Objects365中的應用 57
5.2.7 小結 59
5.3 框+屬性 59
5.3.1 “框+屬性”工具介紹 60
5.3.2 標註方法 61
5.3.3 標註難點 64
5.3.4 生活中的應用 66
5.3.5 小實驗 67
5.3.6 小結 67
5.4 多邊形+屬性 68
5.4.1 多邊形+屬性工具介紹 68
5.4.2 標註標準 70
5.4.3 標註難點 74
5.4.4 “多邊形+屬性”工具在生活中的應用 75
5.4.5 小結 76
第6章 檢測標註工具 79
6.1 人臉8點 80
6.1.1 人臉關鍵點檢測定義 80
6.1.2 人臉8點工具介紹 81
6.1.3 標註方法 83
6.1.4 標註難點 84
6.1.5 生活中的應用 90
6.1.6 小實驗 92
6.1.7 人臉8點工具現狀及展望 92
6.1.8 小結 93
6.2 人體骨骼點 94
6.2.1 人體骨骼點14點定義 94
6.2.2 人體骨骼點工具介紹 95
6.2.3 標註方法 97
6.2.4 標註難點 99
6.2.5 生活中的應用 101
6.2.6 人體骨骼點工具現狀及未來展望 104
6.2.7 小結 104
6.3 手部關鍵點 105
6.3.1 手部關鍵點21點定義 105
6.3.2 手部關鍵點標註工具介紹 107
6.3.3 標註方法 108
6.3.4 標註難點 110
6.3.5 手部關鍵點標註提升方法 114
6.3.6 生活中的應用 115
6.3.7 手部關鍵點工具現狀及展望 117
6.3.8 小結 118
第7章 識別標註工具 121
7.1 一人所屬照片清洗 122
7.1.1 一人所屬照片清洗工具介紹 122
7.1.2 標註方法 124
7.1.3 標註難點 129
7.1.4 一人所屬照片清洗工具在生活中的應用 131
7.1.5 照片清洗工具現狀 133
7.1.6 小實驗 134
7.1.7 小結 134
7.2 行人重識別 135
7.2.1 行人重識別合並標註工具介紹 135
7.2.2 標註方法 142
7.2.3 標註難點 147
7.2.4 生活中的應用 151
7.2.5 行人重識別技術現狀與發展 152
7.2.6 小結 152
第8章 其他標註工具 155
8.1 視頻人臉8點 156
8.1.1 視頻人臉8點工具介紹 157
8.1.2 標註方法 159
8.1.3 生活中的應用 161
8.1.4 視頻人臉8點工具的現狀與發展 164
8.1.5 小結 165
8.2 人臉3D朝向 165
8.2.1 人臉3D朝向工具 165
8.2.2 人臉3D朝向工具介紹 166
8.2.3 標註方法 167
8.2.4 標註難點 170
8.2.5 生活中的應用 170
8.2.6 人臉3D朝向工具現狀與展望 171
8.2.7 小結 172
8.3 精細分割 173
8.3.1 人像摳圖工具介紹 173
8.3.2 標註方法 176
8.3.3 標註難點 185
8.3.4 生活中的應用 186
8.3.5 精細分割標註工具的現狀與發展 187
8.3.6 小結 188
聲明 189
