VGM的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單

國際運輸經營管理：理論與案例探討(2版)

為了解決VGM的問題，作者柴澄麗 這樣論述：

　　談到國際運輸，大多數的第一想法是海、陸、空再加上鐵路運輸等，但要如何透過陸海空、海空陸、鐵空海或陸鐵海運輸等的有效安排，以達到最具效率、縝密、快速且成本考量的經營管理，將是本書所要提供給讀者最主要的目的。 　　理論一定要伴隨著實務的相輔相成，才能發揮其最大的效益。因此，作者在本書中除了提供理論的詮釋外，更將不同類型的個案予以佐證，其中除了海運進出口、空運進口、三角貿易的過程中，如何因應客戶的需求作換單的操作，以便為客戶量身規劃外，更進一步探討複合式運輸中，物流、運籌的經營模式。本書結合理論及作者多年教學與實務經驗，相信這些理論、個案對初學者、想進入這塊領域的工作者、已

在這個領域的工作者或教學的老師，都能有很大的幫助。  

VGM進入發燒排行的影片

髮型設計師美感素養之自評研究

為了解決VGM的問題，作者林靜君 這樣論述：

本研究旨在瞭解髮型設計師美感素養現況與影響因索。採橫斷式研究法及問卷調查法，利用自擬「髮型設計師美感素養評估」問卷，其內在一致性Cronbach's 為0.90，專家內容效度檢定CVI值為0.87，經調查全台髮型設計師255人，扣除填答不完整46人，回收有效問卷209份，有效回收率82%。將回收的資料以SPSS進行資料分析，採用百分比、平均數、標準差、t-檢驗(t- test)、單因子變異數分析(One-way ANOVA) 、相關(spearman correlation)等方法進行推論性統計分析。 硏究發現髮型設計師美感素養平均得3.10±0.69分，表示髮型設計師美感素養已達到

中上程度，其中「我常聆聽音樂」平均得3.56±0.55分最高，而有證照及學歷較高者美感素養平均得分較高。

電腦視覺度量：從特徵描述到深度學習

為了解決VGM的問題，作者（美）斯科特·克里格 這樣論述：

全面介紹了電腦視覺中被廣泛使用的各種方法，包括局部特徵描述子、區域描述子、全域特徵描述子以及評價這些內容的度量方法和分類方法，並用將近一半的篇幅重點介紹了基於深度學習的特徵學習方法，以及FNN、RNN和BFN三類深度學習架構的特點。 本書內容豐富、前沿，強調理論分析，旨在探討各種電腦視覺研究方法背後的技術和原理，同時也探討了深度學習與神經科學之間的關係，展望了未來深度神經網路的發展方向。 本書用專門一章講解了電腦視覺流程和演算法的優化，通過汽車識別、人臉檢測、圖像分類和增強現實等實例具體探討了硬體優化和軟體優化的方法。 本書每章末尾都配有相應的思考題，附錄給出了許多有效的實踐資源和一些有

用的分析，同時提供了原始程式碼，既適合高校電腦視覺課程的教學，也適合從事電腦視覺的研究人員和工程技術人員參考使用。 Scott Krig是電腦成像學、電腦視覺和圖形視覺化方面的先驅。他在1988年成立了Krig Research公司，該公司提供了基於高性能工程工作站、超級電腦和專有硬體的成像和視覺系統，並為來自全球25個國家的客戶提供服務。 近年來，Scott主要為大型公司和服務於商業市場的初創公司提供服務，説明它們解決電腦視覺、圖形成像、視覺化、機器人、程式控制、工業自動化以及成像學和機器視覺在電子消費品（如筆記型電腦、手機和平板電腦）方面的應用問題。 Scott也是

全球範圍的許多專利應用的發明人，並在斯坦福大學做過研究。 劉波，副教授（博士），重慶工商大學電腦科學與資訊工程學院教師，主要從事機器學習理論、電腦視覺技術研究，同時愛好Hadoop和Spark平臺上的大資料分析。 第 1章 圖像的獲取和表示1 1．1 圖像感測器技術 1 1．1．1 感測器材料 2 1．1．2 感測器光電二極體元件 3 1．1．3 感測器配置：馬賽克、Foveon和BSI 3 1．1．4 動態範圍、雜訊和超解析度 4 1．1．5 感測器處理 5 1．1．6 去馬賽克 5 1．1．7 壞圖元校正 5 1．1．8 色彩和光照校正 6 1．1．9 幾何校正 6

1．2 照相機和計算成像 6 1．2．1 計算成像概述 7 1．2．2 單圖元可計算相機 7 1．2．3 二維可計算照相機 8 1．2．4 三維深度的照相機系統 9 1．3 三維深度處理 18 1．3．1 方法概述 18 1．3．2 深度感知和處理中存在的問題 18 1．3．3 單目深度處理 23 1．4 三維表示：體元、深度圖、網格和點雲 26 1．5 總結 27 1．6 習題 27 第 2章 圖像預處理 29 2．1 影像處理概述 29 2．2 圖像預處理要解決的問題 29 2．2．1 電腦視覺的流程和圖像預處理 30 2．2．2 圖像校正 31 2．2．3 圖像增強 31 2．2．4

為特徵提取準備圖像 32 2．3 影像處理方法分類 36 2．3．1 點運算 36 2．3．2 直線運算 36 2．3．3 區域運算 37 2．3．4 演算法 37 2．3．5 資料轉換 37 2．4 色彩學 37 2．4．1 色彩管理系統概述 38 2．4．2 光源、白點、黑點和中性軸 38 2．4．3 設備色彩模型 39 2．4．4 色彩空間與色彩感知 39 2．4．5 色域映射與渲染的目標 40 2．4．6 色彩增強的實際考慮 41 2．4．7 色彩的準確度與精度 41 2．5 空間濾波 41 2．5．1 卷積濾波與檢測 41 2．5．2 核濾波與形狀選擇 43 2．5．3 點濾波 44

2．5．4 雜訊與偽像濾波 45 2．5．5 積分圖與方框濾波器 46 2．6 邊緣檢測器 46 2．6．1 核集合 47 2．6．2 Canny檢測器 48 2．7 變換濾波、Fourier變換及其他 48 2．7．1 Fourier變換 48 2．7．2 其他變換 50 2．8 形態學與分割 51 2．8．1 二值形態學 51 2．8．2 灰度和彩色形態學 52 2．8．3 形態學優化和改進 53 2．8．4 歐氏距離映射 53 2．8．5 超圖元分割 53 2．8．6 深度圖分割 54 2．8．7 色彩分割 55 2．9 閾值化 55 2．9．1 全域閾值化 56 2．9．2 局部閾值

化 59 2．10 總結 60 2．11 習題 60 第3章 全域特徵和區域特徵 63 3．1 視覺特徵的歷史概述 63 3．1．1 全域度量、區域度量和局部度量的核心思想 64 3．1．2 紋理分析 65 3．1．3 統計方法 68 3．2 紋理區域度量 68 3．2．1 邊緣度量 69 3．2．2 互相關性和自相關性 70 3．2．3 Fourier譜、小波和基簽名 71 3．2．4 共生矩陣、Haralick特徵 71 3．2．5 Laws紋理度量 78 3．2．6 LBP局部二值模式 79 3．2．7 動態紋理 80 3．3 統計區域度量 81 3．3．1 圖像矩特徵 81 3．3．

2 點度量特徵 81 3．3．3 全域長條圖 83 3．3．4 局部區域長條圖 83 3．3．5 散點圖、3D長條圖 84 3．3．6 多解析度、多尺度長條圖 85 3．3．7 徑向長條圖 87 3．3．8 輪廓或邊緣長條圖 87 3．4 基空間度量 88 3．4．1 Fourier描述 90 3．4．2 Walsh-Hadamard變換 90 3．4．3 HAAR變換 91 3．4．4 斜變換 91 3．4．5 Zernike多項式 91 3．4．6 導向濾波器 92 3．4．7 Karhunen-Loeve變換與Hotelling變換 93 3．4．8 小波變換和Gabor濾波器 93 3

．4．9 Hough變換與Radon變換 95 3．5 總結 96 3．6 習題 96 第4章 局部特徵設計 97 4．1 局部特徵 97 4．1．1 檢測器、興趣點、關鍵點、錨點和特徵點 98 4．1．2 描述子、特徵描述和特徵提取 98 4．1．3 稀疏局部模式方法 98 4．2 局部特徵屬性 99 4．2．1 選擇特徵描述子和興趣點 99 4．2．2 特徵描述子和特徵匹配 99 4．2．3 好特徵的標準 99 4．2．4 可重複性，困難和容易的查找 101 4．2．5 判別性與非判別性 101 4．2．6 相對位置和絕對位置 101 4．2．7 匹配代價和一致性 101 4．3 距離函

數 102 4．3．1 距離函數的早期工作 102 4．3．2 歐氏或笛卡兒距離度量 103 4．3．3 網格距離度量 104 4．3．4 基於統計學的差異性度量 105 4．3．5 二值或布林距離度量 106 4．4 描述子的表示 107 4．4．1 座標空間和複合空間 107 4．4．2 笛卡兒座標 107 4．4．3 極座標和對數極座標 107 4．4．4 徑向座標 107 4．4．5 球面座標 108 4．4．6 Gauge座標 108 4．4．7 多元空間和多模資料 108 4．4．8 特徵金字塔 109 4．5 描述子的密度 109 4．5．1 丟棄興趣點和描述子 109 4．5．

2 稠密與稀疏特徵描述 110 4．6 描述子形狀 110 4．6．1 關聯性範本 111 4．6．2 塊和形狀 111 4．6．3 對象多邊形 113 4．7 局部二值描述子與點對模式 113 4．7．1 FREAK視網膜模式 114 4．7．2 BRISK模式 115 4．7．3 ORB和BRIEF模式 116 4．8 描述子的判別性 116 4．8．1 譜的判別性 117 4．8．2 區域、形狀和模式的判別性 118 4．8．3 幾何判別因素 118 4．8．4 通過特徵視覺化來評價判別性 119 4．8．5 精度與可跟蹤性 121 4．8．6 精度優化、子區域重疊、Gaussian加權

和池化 122 4．8．7 亞圖元精度 123 4．9 搜索策略與優化 123 4．9．1 密集搜索 124 4．9．2 網格搜索 124 4．9．3 多尺度金字塔搜索 124 4．9．4 尺度空間和圖像金字塔 125 4．9．5 特徵金字塔 126 4．9．6 稀疏預測搜索與跟蹤 127 4．9．7 跟蹤區域限制搜尋 127 4．9．8 分割限制搜索 127 4．9．9 深度或Z限制搜索 127 4．10 電腦視覺、模型和結構 128 4．10．1 特徵空間 128 4．10．2 物件模型 129 4．10．3 約束 130 4．10．4 選擇檢測器和特徵 131 4．10．5 訓練概述 1

31 4．10．6 特徵和物件的分類 132 4．10．7 特徵學習、稀疏編碼和卷積網路 136 4．11 總結 139 4．12 習題 139 第5章 特徵描述屬性的分類 141 5．1 一般的魯棒性分類 143 5．2 一般的視覺度量分類 146 5．3 特徵度量評估 155 5．3．1 SIFT的示例 156 5．3．2 LBP的示例 156 5．3．3 形狀因數的示例 157 5．4 總結 158 5．5 習題 158 第6章 興趣點檢測與特徵描述子 159 6．1 興趣點調整 159 6．2 興趣點的概念 160 6．3 興趣點方法概述 162 6．3．1 Laplacian和L

oG 163 6．3．2 Moravac角點檢測器 163 6．3．3 Harris方法、Harris-Stephens、Shi-Tomasi和Hessian類型的檢測器 163 6．3．4 Hessian矩陣檢測器和Hessian-Laplace 164 6．3．5 Gaussian差 164 6．3．6 顯著性區域 164 6．3．7 SUSAN、Trajkovic-Hedly 165 6．3．8 FAST 165 6．3．9 局部曲率方法 166 6．3．10 形態興趣區域 167 6．4 特徵描述簡介 167 6．4．1 局部二值描述子 168 6．4．2 Census 173 6．4

．3 改進的Census變換 174 6．4．4 BRIEF 174 6．4．5 ORB 175 6．4．6 BRISK 176 6．4．7 FREAK 176 6．5 譜描述子 177 6．5．1 SIFT 177 6．5．2 SIFT-PCA 181 6．5．3 SIFT-GLOH 181 6．5．4 SIFT-SIFER 182 6．5．5 SIFT CS-LBP 182 6．5．6 ROOTSIFT 183 6．5．7 CenSurE和STAR 183 6．5．8 相關範本 185 6．5．9 HAAR特徵 186 6．5．10 使用類HAAR特徵的Viola和Jones演算法 187

6．5．11 SURF 187 6．5．12 改進的SURF演算法 189 6．5．13 梯度長條圖（HOG）及改進方法 189 6．5．14 PHOG和相關方法 190 6．5．15 Daisy和O-Daisy 191 6．5．16 CARD 193 6．5．17 具有魯棒性的快速特徵匹配 194 6．5．18 RIFF和CHOG 195 6．5．19 鏈碼長條圖 196 6．5．20 D-NETS 196 6．5．21 局部梯度模式 197 6．5．22 局部相位量化 198 6．6 基空間描述子 198 6．6．1 Fourier描述子 199 6．6．2 用其他基函數來構建描述子 2

00 6．6．3 稀疏編碼方法 200 6．7 多邊形形狀描述 200 6．7．1 MSER方法 201 6．7．2 針對斑點和多邊形的目標形狀度量 202 6．7．3 形狀上下文 204 6．8 3D和4D描述子 205 6．8．1 3D HOG 206 6．8．2 HON 4D 206 6．8．3 3D SIFT 207 6．9 總結 208 6．10 習題 208 第7章 基準資料、內容、度量和分析 210 7．1 基準資料 210 7．2 先前關於基準資料方面的工作：藝術與科學 212 7．2．1 品質的一般度量 212 7．2．2 演算法性能的度量 212 7．2．3 Rosin關

於角點方面的工作 213 7．3 構造基準資料的關鍵問題 214 7．3．1 內容：採用、修改或創建 214 7．3．2 可用的基準資料集 215 7．3．3 擬合基準資料的演算法 215 7．3．4 場景構成和標注 216 7．4 定義目標和預期 218 7．4．1 Mikolajczyk和Schmid的方法 218 7．4．2 開放式評價系統 219 7．4．3 極端情況和限制 219 7．4．4 興趣點和特徵 219 7．5 基準資料的魯棒性準則 220 7．5．1 舉例說明魯棒性標準 220 7．5．2 將魯棒性標準用於實際應用 221 7．6 度量與基準資料配對 222 7．6．1

興趣點、特徵和基準資料的配對和優化 222 7．6．2 一般的視覺分類例子 223 7．7 合成的特徵字母表 224 7．7．1 合成資料集的目標 224 7．7．2 合成興趣點字母表 226 7．7．3 將合成字母表疊加到真實圖像上 228 7．8 總結 229 7．9 習題 230 第8章 可視流程及優化 231 8．1 階段、操作和資源 231 8．2 計算資源預算 233 8．2．1 計算單元、ALU和加速器 234 8．2．2 能耗的使用 235 8．2．3 記憶體的利用 235 8．2．4 I O性能 238 8．3 電腦視覺流程的實例 238 8．3．1 汽車識別 239 8．

3．2 人臉檢測、情感識別和年齡識別 244 8．3．3 圖像分類 250 8．3．4 增強現實 254 8．4 可選的加速方案 258 8．4．1 記憶體優化 258 8．4．2 粗細微性並行 260 8．4．3 細細微性資料並行 261 8．4．4 高級指令集和加速器 263 8．5 視覺演算法的優化與調整 263 8．5．1 編譯器優化與手工優化 264 8．5．2 特徵描述子改進、檢測器和距離函數 265 8．5．3 Boxlets與卷積加速 265 8．5．4 資料類型優化（整數與浮點） 265 8．6 優化資源 266 8．7 總結 266 第9章 特徵學習的架構分類和神經科學背

景 267 9．1 電腦視覺中的神經科學思想 268 9．2 特徵生成與特徵學習 269 9．3 電腦視覺中所使用的神經科學術語 269 9．4 特徵學習的分類 274 9．4．1 卷積特徵權重學習 275 9．4．2 局部特徵描述子學習 275 9．4．3 基本特徵的組合和字典學習 275 9．4．4 特徵學習方法總結 276 9．5 電腦視覺中的機器學習模型 276 9．5．1 專家系統 277 9．5．2 統計和數學分析方法 278 9．5．3 受神經科學啟發的方法 278 9．5．4 深度學習 278 9．6 機器學習和特徵學習的歷史 280 9．6．1 歷史回顧：20世紀40年代至2

1世紀初 280 9．6．2 人工神經網路（ANN）分類 284 9．7 特徵學習概述 285 9．7．1 通過學習得到的各類描述子 285 9．7．2 層次特徵學習 285 9．7．3 要學習多少特徵 286 9．7．4 深度神經網路的優勢 286 9．7．5 特徵編碼的有效性 286 9．7．6 手工設計的特徵與深度學習 287 9．7．7 特徵學習的不變性和魯棒性 288 9．7．8 最好的特徵和學習架構 288 9．7．9 大資料、分析和電腦視覺的統一 289 9．7．10 關鍵技術的推動因素 291 9．8 神經科學的概念 292 9．8．1 生物學及其整體結構 293 9．8．2

難以找到統一的學習理論 294 9．8．3 人類視覺系統的架構 295 9．9 特徵學習的結構分類 299 9．9．1 架構拓撲 301 9．9．2 架構組件和層 302 9．10 總結 313 9．11 習題 313 第 10章 特徵學習和深度學習架構概述 315 10．1 架構概述 315 10．1．1 FNN架構簡介 316 10．1．2 RNN的結構簡介 372 10．1．3 BFN的結構簡介 395 10．2 集成方法 427 10．3 深度神經網路的未來 429 10．3．1 增加最大深度—深度殘差學習 429 10．3．2 使用更簡單的MLP來近似複雜模型（模型壓縮） 430

10．3．3 分類器的分解與重組 431 10．4 總結 432 10．5 習題 432 附錄A 合成特徵分析 435 附錄B 基準資料集概述 464 附錄C 成像和電腦視覺資源 470 附錄D 擴展SDM準則 474 附錄E 視覺基因組模型（VGM） 487 參考文獻 508 譯後記 541

智慧型無人搬運車導航與協作功能開發

為了解決VGM的問題，作者蘇俊誠 這樣論述：

本「智慧型無人搬運車導航與協作功能開發」結合車載手臂與其他機器人進行協作應用，透過車載手臂夾取零件後運送至各個站點，並將這些搬運的高重複性工作，交由機器人處理，以減少人員搬運物料的時間成本。而無人搬運車不單只有搬運功能，也可以利用車載手臂協作的特點，呼叫搬運車移動至各個站點與其他機器人或操作員進行協作任務。改變機械手臂只能放置定點的特性，形成一支可以隨時移動的機械手臂，以提升整體的生產效率。　　本研究使用兩輪差運動模型設計，建構一輛兩輪驅動與四輪從動的搬運車，為了因應凹凸不平的地面，在驅動輪上安裝避震彈簧作為避震結構。驅動輪系統使用直流伺服馬達搭配減速機藉由鍊條來帶動驅動輪運轉。中央

控制系統選用BRIX Pro作為中央控制器，並使用ROS作業系統，讀取光學雷達、六軸陀螺儀與網路攝影機的資料，建構環境地圖與即時影像監控。電力系統採用24V/100Ah鋰鐵電池模組，以大電容量、高放電功率和長時間循環壽命作為選用依據。機械手臂系統使用AI馬達組裝，具有高效能及精準控制的特色。　　以遠端操作的方式，進行無人搬運車與機械手臂的控制，並透過馬達PID控制、陀螺儀與光學雷達給予的環境資料，搭配粒子濾波進行定位，從而建立2D環境地圖，在藉由此地圖進行路徑規劃與設定目標地的手臂工作內容，達到無人搬運車的導航與協作工作。