在当今数字化浪潮席卷全球的时代，人工智能（AI）技术正以前所未有的速度重塑着各个行业，而计算机视觉（CV）作为 AI 领域中极具潜力且应用广泛的关键分支，已然成为推动社会进步与创新的核心力量。从医疗诊断中的精准图像识别，到自动驾驶汽车的环境感知；从安防监控的智能识别，到日常生活的便捷服务，计算机视觉技术正深刻地改变着我们与世界的互动方式。 本书由邹军、鲁四喜、陈雲飞三位资深专家倾力打造，凝聚了他们在人工智能与计算机视觉领域多年积累的丰富经验与深刻洞察，旨在为那些渴望深入探索这一前沿领域的读者，提供一份系统、*且极具实践价值的综合性指导手册。
售 价：¥
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
作者简介
前 言
第1章 人工智能的前世今生
1.1 人工智能的诞生
1.2 人工智能发展的 “强”与“弱”
1.3 人工智能的三个重要分支
1.3.1 语音识别与合成
1.3.2 自然语言处理
1.3.3 计算机视觉
1.4 人工智能的道德问题
1.5 本章小结
注释
第2章 AI的数学逻辑
2.1 神经网络中的函数介绍
2.1.1 一次函数
2.1.2 二次函数
2.1.3 单位阶跃函数
2.1.4 指数函数与Sigmoid函数
2.1.5 高斯函数
2.2 导数基础
2.2.1 斜率
2.2.2 导数
2.2.3 导数的运算规则
2.3 矩阵
2.3.1 矩阵是什么
2.3.2矩阵的运算法则
2.3.3矩阵在神经网络中的应用
2.4 总结
第3章 计算机视觉知识背景
3.1 图像知识简介
3.2 OpenCV介绍
3.2.1 OpenCV概述
3.2.2 为什么用OpenCV
3.3 图像基础操作
3.3.1 获取图像的基本信息
3.3.2灰度化和二值化
3.3.3 图像旋转和缩放
3.3.4 图像直方图
3.3.5水平和竖直投影
3.3.6图像模版匹配
3.4 总结
第4章 神经网络入门
4.1 神经网络
4.1.1初步理解神经网络
4.1.2深入理解神经网络
4.2 训练集和测试集
4.2.1训练集和测试独立同分布
4.2.2 合理划分数据集
4.3 重要概念介绍
4.3.1神经元
4.3.2激活函数
4.3.3输入层/输出层/隐含层
4.3.4学习率
4.3.5过拟合和欠拟合
4.4 总结
第5章 算法模型的评估指标
5.1 混淆矩阵
5.2 准确率
5.3 召回率和精准率
5.4 ROC与AUC
5.5 KS曲线
5.6 CMC曲线
5.7 FAR、FRR和TAR
5.8 IOU
5.9 AP和mAP
5.10 图像质量评测
5.10.1 SNR和PSNR
5.10.2 SSIM
5.10.3 无参考锐化因子CPBD
5.10.4 主观评价方法
5.11 总结
第6章 AI工程质量
6.1 AI产品研发流程
6.2 AI产品质量体系
6.3 工程质量模型
6.4 工程质量保障手段
6.4.1 V型测试模型
6.4.2 测试金字塔
6.5 工程质量评估
6.5.1 质量模型覆盖度
6.5.2 代码覆盖率
6.5.3 缺陷过程分析
6.6 总结
6.7 参考文献
第7章AI数据质量
7.1 数据驱动AI模型
7.2 AI数据采集流程
7.3 AI数据的采集量
7.3.1数据采集量的影响
7.3.2 数据采集量的选择
7.3.3数据采集量之10倍原则
7.4 AI数据质量评估
7.4.1 准确性（Accuracy）
7.4.2 完整性（Completeness）
7.4.3 一致性（Consistency）
7.4.4 及时性（Timeliness）
7.4.5 有效性（Validity）
7.4.6 公平性（Unbais）
7.4.7典型的数据采集问题
7.5 样本数据快速扩充
7.5.1 基于CV图像增强生成数据
7.5.2 基于AI合成数据
7.5.3 基于扩散模型(Diffusion Model)合成数据
7.5.4 基于3D渲染引擎生成数据
7.6 合成数据的质量评估
7.6.1 基于数据增强合成数据的局限性
7.6.2 基于AI合成数据的局限性
7.6.3 合成数据的质量评估
7.7 基于智能硬件的数据采集及标注方案
7.7.1 基于机械臂的数据自动化采集方案
7.7.2基于透视变换的数据自动化标注方案
7.8 AI数据管理
7.8.1 数据管理
7.8.2 数据安全
7.9 总结
7.10 参考文献
第8章AI模型质量
8.1 AI模型测试的基本流程
8.2 AI模型质量评估
8.2.1 AI模型评估指标
8.2.2 AI模型覆盖率指标
8.2.3 基于神经元的覆盖率指标
8.2.4 基于神经网络层的覆盖率指标
8.3 AI模型的黑盒测试
8.3.1 端到端的黑盒测试
8.3.2 AI算法的分层测试
8.3.3 AI模型的蜕变测试
8.4 AI模型的灰盒精准测试
8.4.2 AI模型的可解释性
8.4.3 Grad-CAM热力图
8.4.4 AI模型的精准测试
8.5 AI模型的白盒测试
8.5.1 Fuzz测试基本原理
8.5.2 DeepTest简介
8.5.3 TensorFuzz简介
8.6 AI模型质量小结
8.7 参考文献
第9章 智能UI自动化
9.1 传统的UI测试及工具
9.2 测试场景与可测性分析
9.3 技术发展方向
9.4 总结
第10章UI异常检测
10.1 异常检测的概念
10.2 测试策略分析
10.2.1 基于颜色和纹理的算法
10.2.2 基于边缘检测的算法
10.2.3 基于特征匹配的算法
10.2.4 基于深度学习的算法
10.2.5 测试实现方案
10.3 深度学习算法分析
10.3.1 图像分类
10.3.2 目标识别
10.3.3 算法的演进
10.3.4 网络结构
10.4 算法实现与工程实践
10.4.1 图片缺失
10.4.2 文字重叠
10.4.3 乱码
10.4.4 算法开发实践
10.4.4.5 算法迭代优化
10.4.5 异常检测的工程实践
10.5 本章小结
第11章 UI遍历技术
11.1 UI遍历技术的介绍
11.1.1 UI遍历技术定义
11.1.2 UI遍历工具演变史
11.1.3 UI遍历和Monkey有什么区别
11.1.4 UI遍历可以在DevOps哪些阶段使用
11.2 UI遍历技术的实现
11.2.1 遍历技术的设计架构
11.2.2 工具是如何与APP交互的
11.2.3 UI遍历逻辑
11.2.4.UI遍历模式
11.2.5 如何获取页面中可以操作的元素？
11.2.6 如何进行断言？
11.3 计算机视觉技术在遍历中的应用
11.3.1基于AI的遍历模式
11.3.2基于图像技术的断言方法
11.3.3 基于AI识别图标
11.3.4 OpenCV在遍历中的应用
11.4 智能测试图像服务
11.5 总结
第12章 迎接大模型时代
12.1 大语言模型简介
12.1.1 大语言模型的定义
12.1.2 大语言模型的演进
12.1.3 图像合成的技术演进
12.1.4 ChatGPT
12.1.5 大语言模型的应用场景
12.1.6 大模型的局限性
12.2 大语言模型应用技术
12.2.1 提示词工程（Prompt Engineering）
12.2.2 提示词工程小技巧
12.2.3思维链（Chain of Thought，CoT）
12.2.4 检索增强生成（RAG）
12.2.5人工智能代理（AI Agent）
12.3 总结
12.4 参考文献
第13章 大模型在计算机视觉上的测试应用
13.1 基于ChatGPT的测试用例设计
13.2 基于AIGC的数据生成
13.2.1 图像生成
13.2.2 视频生成
13.2.3 3D模型生成
13.2.4 3D场景生成
13.3 大语言模型基础能力评测
13.3.1 大语言模型的评测流程
13.3.2 HELM评测
13.3.3SuperCLUE评测
13.4 大语言模型文生图能力评测
13.4.1 HPS
13.4.2 TIFA
13.4.3 PickScore
13.4.4LLMScore
13.4.5 SuperCLUE-Image
13.5 大语言模型文生视频能力评测
13.5.1 视频质量评测的重要性
13.5.2 VBench评测标准
13.5.2SuperCLUE-Video评测标准
13.6 总结
13.7 参考文献
后 记
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
