tensorflow 语义slam_研究《视觉SLAM十四讲从理论到实践第2版》PDF代码+《OpenCV+TensorFlow深度学习与计算机视觉实战》PDF代码笔记...
我们知道随着人工神经网络和深度学习的发展，通过模拟视觉所构建的卷积神经网络模型在图像识别和分类上取得了非常好的效果，借助于深度学习技术的发展，使用人工智能去处理常规劳动，理解语音语义，帮助医学诊断和支持基础科研工作，这些曾经是梦想的东西似乎都在眼前。
最近在学习视觉SLAM，系统学习了《视觉SLAM十四讲从理论到实践第2版》，还测试了代码，挺好的视觉 SLAM 入门书，让我知道了树的主干部分。13章特别有用，可以前面章节的各种小的解决方案串起来，看到一个完整的视觉 SLAM 的应该是什么样子。
《视觉SLAM十四讲从理论到实践第2版》系统介绍了视觉 SLAM(同时定位与地图构建)所需的基本知识与核心算法，既包括数学理论基础，如三维空间的刚体运动、非线性优化，又包括计算机视觉的算法实现，例如多视图几何、回环检测等。此外，还提供了大量的实例代码供学习研究，从而更深入地掌握这些内容。
《视觉SLAM十四讲从理论到实践第2版》PDF+代码+高翔
《视觉SLAM十四讲从理论到实践第2版》PDF，416页，文字可以复制，高翔等著，配套源代码。
下载: https://pan.baidu.com/s/1buxIcb5BIqM5ELxySdaFmA
提取码: 9xs9
第2版增加了更多的实例，增加了一些实验代码来介绍算法的原理，更深入地介绍底层计算会更好，除了调用库函数，还提供了底层的实现。将第1 版的第9 讲移至第13 讲，在介绍了所有必要知识之后，向大家展现一个完整的SLAM 系统是如何工作的，会得到一个由几百行代码实现的、有完整前后端的SLAM 系统。
《视觉SLAM十四讲从理论到实践第二版》对于slam的入门是一本好书，特别是针对小白。看了两三个月，从深度学习转到slam看的就是这本。接下来深入就需要论文了，这本书已经完成了它的使命。
TensorFlow深度学习开源框架吸引我们去学习与开发，掌握TensorFlow编程基本技能，利用获得的数据集设计不同的人工神经模型，利用人工神经网络强大的学习能力提取和挖掘数据集中包含的潜在信息，编写相应的TensorFlow程序对数据进行处理，对其价值进行进一步开发，为商业机会的获取、管理模式的创新、决策的制定提供相应的支持。
《OpenCV+TensorFlow深度学习与计算机视觉实战》PDF+代码+王晓华
《OpenCV+TensorFlow深度学习与计算机视觉实战》PDF，280页，有书签目录，文字可以复制，王晓华 著。配套源代码数据集。
下载: https://pan.baidu.com/s/1QcUiDkkUgox3ot0yNuT2eA
提取码: 4rhx
《OpenCV+TensorFlow深度学习与计算机视觉实战》在掌握深度学习基本知识和特性的基础上，培养使用TensorFlow OpenCV进行实际编程以解决图像处理相关问题的能力，全书力求通过通俗易懂的语言和详细的程序分析，介绍TensorFlow的基本用法、高级模型设计和对应的程序编写。
共13章，内容包括计算机视觉与深度学习的关系、Python的安装和使用、Python数据处理及可视化、机器学习的理论和算法、计算机视觉处理库OpenCV 、OpenCV图像处理实战、TensorFlow基本数据结构和使用、TensorFlow数据集的创建与读取、BP神经网络、反馈神经网络、卷积神经网络等，理论联系实际，着重介绍TensorFlow OpenCV解决图像识别的应用，提供大量数据集供使用，并以代码的形式实现深度学习模型实例供学习。
OpenCV库包含500多个函数，2500多种算法，可以扩展应用到视觉行业中的很多领域，有广泛的用途，比如安保，医学成像，模式与人脸识别，机器人和工业产品检测，等等。《学习OpenCV 3》实用性强，内容全面，讲解透彻，掌握如何构建具有一定AI(人工智能)的应用程序，使计算机能够“看见”并根据所得到的数据来做出决策。全面介绍整个OpenCV库，所有示例代码都用C++实现，同时还介绍了可以用于计算机视觉的机器学习工具。每一章都精心设计有动手练习，旨在方便课堂教学和自学，进一步帮助学以致用。
《学习OpenCV3》中英文PDF+源代码
《学习OpenCV3》中文PDF，870页，文字可复制；英文PDF，1018页，带目录，文字可复制。配套源代码。
下载: https://pan.baidu.com/s/1lxhn2k_XS6b0ri3enjw23g
提取码: ekpa
先阅读第1~5章，之后只阅读你所需要的章节。除了第18章和第19章(涵盖了相机校正和双目视觉)以及第20章~第22章(涵盖机器学习)，这本书并不需要按照章节顺序阅读。以项目为导向的学生和研发人员可以用这种方式阅读。
坚持每周阅读两章，这样你就可以在11周之内读完第1章~第22章(第23章很短)。从项目开始，深入到具体研究领域，适当地使用额外的文献和论文作为补充。
在可以理解的基础上尽可能快地浏览本书，阅读第1章~第23章，之后开始项目，并使用相关文献和论文在某一个领域进行更深入的研究。这也许是专业人员的一个选择，但也可能适合更高级的计算机视觉课程。
《深度学习之PyTorch实战计算机视觉》PDF
《深度学习之PyTorch实战计算机视觉》两个版本的高清PDF，287页，带书签目录，文字可以复制。
下载: https://pan.baidu.com/s/1wKHdhbgeI05ZLCiyslkvjw
提取码: 6d8w
计算机视觉学习，推荐阅读《深度学习之PyTorch实战计算机视觉》。学到人工智能的基础概念及Python 编程技能，掌握PyTorch 的使用方法，学到深度学习相关的理论知识，比如卷积神经网络、循环神经网络、自动编码器，等等。在掌握深度学习理论和编程技能之后，还会学到如何基于PyTorch 深度学习框架实战计算机视觉。《深度学习之PyTorch实战计算机视觉》中的大量实例在循序渐进地学习的同时，不断地获得成就感。
我觉得这本书不错，在学期结束的时候这本书基本上给出了足够的细节但是不是特别细，所以很方便的就可以得到最后的结果。而且公开代码方便直接上手开炼，深度炼丹走起。 当然就提一点建议，Open CV 4.0最新的更新买点就是 Deep Learning，作者后面的内容基本都可以用 Open CV 自己的 DL 解决。
学习参考：《深度学习实践:计算机视觉》PDF，255页，带书签目录，彩色配图，文字可以复制，缪鹏 著。
下载: https://pan.baidu.com/s/19-4qnGyiEGVJJnIKJIxXCA
提取码: r1u3
《深度学习实践:计算机视觉》主要介绍了深度学习在计算机视觉方面的应用及工程实践，以Python 3为开发语言，并结合当前主流的深度学习框架进行实例展示。主要内容包括：OpenCV入门、深度学习框架介绍、图像分类、目标检测与识别、图像分割、图像搜索以及图像生成等，涉及到的深度学习框架包括PyTorch、TensorFlow、Keras、Chainer、MXNet等。通过本书，读者能够了解深度学习在计算机视觉各个方向的应用以及新进展。
《深度学习实践:计算机视觉》主要关注计算机视觉领域，基于开源项目介绍最新的算法：第1章对深度学习与计算机视觉进行简要介绍，也会简单介绍开发环境的搭建。 第2章主要介绍OpenCV的基本操作及部分高级操作，包括人脸和人眼的检测与识别。
杨培文《深度学习技术图像处理入门》PDF+代码
《深度学习技术图像处理入门》PDF，267页，带书签目录，文字可以复制；源代码；作者:杨培文
下载: https://pan.baidu.com/s/1a8zQk2SJ3qtCusqq-0yW9w
提取码: rk3v
将深度学习技术应用于图像处理，推荐阅读《深度学习技术图像处理入门》，基于理论讲解，由浅入深地引出若干个经典案例，讲解当前深度神经网络在图像处理领域的应用。提供了基于云GPU容器(Docker)的完整在线开发环境，方便初学者直接学习核心代码。
《深度学习技术图像处理入门》以通俗易懂的语言简要讲解机器学习的核心概念，通过比较传统机器学习和深度神经网络的区别，引入深度神经网络的应用领域，将一个完整的深度神经网络的复杂结构拆成输入处理、模型元件以及模型优化三个子块，并详细说明如何将深度神经网络模型应用在移动端App制作中。
王文峰《人脸识别原理与实战以MATLAB为工具》PDF及代码+《人脸识别原理及算法》PDF+沈理
《人脸识别原理及算法：动态人脸识别系统研究》PDF，259页，带书签，文字可以复制。作者: 沈理 / 刘翼光 / 熊志勇
《人脸识别原理与实战以MATLAB为工具》PDF，284页，带书签，文字可以复制。作者: 王文峰
下载: https://pan.baidu.com/s/1TFHnPLpE_2pD__6LHL1ODg
提取码: t552
人脸识别是当今世界科技领域攻关的高精尖技术。《人脸识别原理及算法：动态人脸识别系统研究》系统介绍了人脸识别研究领域的研究状况以及作者在人脸识别领域的研究工作和研究成果，共分为3个部分。第1部分首先介绍了人脸识别的基础：计算机视觉和模式识别的原理，并介绍了20世纪70年代以来国内外人脸识别研究的研究动态和主要方法，以及国内外人脸识别研究的主要成果和用途。第2部分介绍了基于双属性图的人脸识别算法，该算法采用人脸特征检测、主成分分析方法、Gabor函数等建立了一个人脸特征识别和属性特征匹配的人脸识别方法，并结合人脸图像的局部特征和全局特征，能够有效地利用从三维到二维投影的人脸图像信息之间的关联性。第3部分介绍了动态场景下的人脸识别方法，该方法综合应用了人脸定位、人脸识别、视频处理等算法。
《人脸识别原理及算法：动态人脸识别系统研究》主要为研究模式识别的科技人员以及高等院校高年级的学生和研究生。读者通过阅读《人脸识别原理及算法：动态人脸识别系统研究》可以系统地学习人脸识别研究的方法，并掌握国内外相关技术的最新进展。
《卷积神经网络与视觉计算》中文PDF+英文PDF
推荐参考《卷积神经网络与视觉计算》中文PDF，174页，带目录，文字可复制；英文PDF，187页，带目录，文字可复制。
下载: https://pan.baidu.com/s/1bkQvOruQ5arqmGhzRGpsFg
提取码: jruw
近年来，深度学习体系结构由于在计算机视觉等应用中的极大成功而开始流行起来。特别是卷积神经网络(CNN)已经成为深度学习中最重要的一种网络结构。学习计算机视觉中的深度学习、设计和部署CNN，以及深度计算机视觉体系结构的基础知识。
从零基础开始，系统阐述卷积神经网络理论基础及其实践应用，可以帮助快速学习和构建深度学习系统。提供了丰富的理论知识和实操案例，以及一系列完备的工具包，以帮助获得在理解和构建卷积神经网络(CNN)时所必要的基本信息。重点将集中在卷积神经网络的基础部分，而不会涉及在高级课程中才出现的一些概念(CNN相关话题)。
《OpenCV计算机视觉编程攻略第3版》中文PDF+英文PDF+源代码+RobertLaganire
《OpenCV计算机视觉编程攻略第3版》中文PDF，328页，带书签目录，文字可以复制；英文PDF，464页，带书签目录，文字可以复制；配套源代码。
下载: https://pan.baidu.com/s/1Qxc353-91aP0JdZfeEO3Og
提取码: w7js
《OpenCV 3计算机视觉Python语言实现第2版》中英文PDF+代码+Joe Minichino+刘波
《OpenCV 3计算机视觉Python语言实现第2版》中文PDF，202页，带目录书签；英文PDF，263页，带目录书签。配套源代码。
下载: https://pan.baidu.com/s/1X4c4uTlRav8u2BvQUf6wrA
提取码: fkpu
OpenCV 3是一种先进的计算机视觉库，可以用于各种图像和视频处理操作，通过OpenCV 3 能很容易地实现一些有前景且功能先进的应用(比如：人脸识别或目标跟踪等)。《OpenCV 3计算机视觉：Python语言实现(第2版)》将从图像处理的基本操作出发，带你开启先进计算机视觉概念的探索之旅。计算机视觉是一个快速发展的学科，在现实生活中，它的应用增长得非常快，因此写作本书的目的是为了帮助计算机视觉领域的新手和想要了解全新的OpenCV 3.0.0的计算机视觉专家。
GAN:《生成对抗网络入门指南》PDF代码+《生成式对抗网络GANser》PDF
《生成对抗网络入门指南》PDF，240页，带目录，文字可复制；配套源代码和图像素材。史丹青 著。
《生成式对抗网络GANser》PDF，59页，文字可复制，刘少鹏。
下载: https://pan.baidu.com/s/1sx54zOuX8VS0nqp3dQg8Og
提取码: pqyh
生成对抗网络毫无疑问是最热门的人工智能技术之一，被评为“全球十大突破性技术”。从2014年至今，与GAN有关的论文数量急速上升，网络上有人整理了近年来的GAN模型，已经有超过350个不同形态的变种，并且数量仍然在持续增加中。除了科学研究本身的魅力以外，诸如文本到图像的生成、图像到图像的生成等应用研究也让业界非常兴奋，为人工智能领域带来了诸多可能性。
对抗网络:《GAN实战生成对抗网络》PDF中英文+《生成式对抗网络GANser》PPT
《GAN实战生成对抗网络》中文PDF，153页，带目录，文字可复制。Kuntal Ganguly著，刘梦馨译。
《GAN实战生成对抗网络》英文PDF，166页，带目录，文字可复制。
《生成式对抗网络GANser》PPT，59页，文字可复制，刘少鹏。
下载: https://pan.baidu.com/s/1RrkwvcIebIquOBjWbBI0YQ
提取码: cw7i
GAN(Generative Adversarial Network) ，由 Ian Goodfellow 首先提出。Generation就是模型通过学习一些数据，然后生成类似的数据。让机器看一些动物图片，然后自己来产生动物的图片，这就是生成。以前就有很多可以用来生成的技术了，比如 auto-encoder(自编码器)。GAN 有两个网络，一个是 generator，一个是 discriminator，从二人零和博弈中受启发，通过两个网络互相对抗来达到最好的生成效果。
推荐学习《GAN实战生成对抗网络》，覆盖了深度学习的基础、对抗网络背后的原理以及构建方式等内容。同时还介绍了多个真实世界中使用对抗网络构建智能应用的案例并提供了具体的代码以及部署方法，旨在帮助能够在真正的生产环境中使用生成对抗网络。