OpenCV 3 is an advanced computer vision library, can be used for a variety of image and video processing operations, 3 can easily achieve some promising and advanced application functionality by OpenCV (such as: face recognition or target tracking, etc.). From the basic operation of the image processing, computer vision is a fast-growing discipline, in real life, its application grow very fast, the need to constantly learn new OpenCV 3.0.
Now the neural network is the fire, it is not to forget the importance of learning the traditional computer vision algorithms?
Explain computer vision programming "OpenCV computer vision Programming Guide (3rd edition)" combination of C ++ and OpenCV fully explain the computer vision program to cover not only computer vision and basic knowledge of image processing, but also through a complete example to explain the important classes and functions of OpenCV. A lot of code to achieve, along with exercises suitable for beginners, but also interspersed with a lot of theory to explain, this is a pretty good book.
"OpenCV computer vision programming Raiders 3rd Edition" Chinese PDF, 328 pages, with a table of contents, text can be copied; English PDF, 464 pages, with a table of contents, text can be copied; supporting source code.
Download: https://pan.baidu.com/s/1Qxc353-91aP0JdZfeEO3Og
Extraction code: w7js
Reference OpenCV 3 computer vision, for target tracking depth discussion, the goal is the process of tracking camera images or video moving objects positioning.
Understand the basic concepts related to computer vision algorithms, models and OpenCV 3 API behind to help develop a variety of applications in the real world (for example: in the field of security and monitoring tools).
"OpenCV 3 computer vision Python language 2nd edition" Chinese PDF, 202 pages, with directory bookmarks; English PDF, 263 pages, with bookmark directory. Complete source code.
Download: https://pan.baidu.com/s/1mqgSPweG8gE5NJan9W4YeA
Extraction code: 58ag
《OpenCV 3计算机视觉Python语言实现第2版》的主要内容第1章介绍如何在不同平台下安装基于Python的OpenCV，并给出一些常见问题的解决方法。第2章介绍了OpenCV的I/O功能，并讨论与项目相关的概念，以及如何针对该项目进行面向对象设计。第3章介绍一些图像变换方法，例如在图像中检测肤色、锐化图像、标记主体轮廓，以及使用线段检测器检测人行横道等。第4章介绍如何利用深度摄像头的数据来识别前景和背景区域，这样就可以限制针对前景或背景的效果。第5章介绍一些OpenCV的人脸检测功能和相关的数据文件，这些文件定义了跟踪目标的特定类型。第6章介绍如何用OpenCV来检测图像特征，并利用这些特征来匹配和搜索图像。第7章介绍目标检测和目标识别的概念，这是计算机视觉中最常见的问题之一。第8章对目标跟踪进行深入探讨，目标跟踪是对摄像机中的图像或视频中移动的物体进行定位的过程。第9章介绍基于OpenCV的人工神经网络，并介绍其在现实生活中的应用。
《深度学习与计算机视觉算法原理、框架应用》共13章，分为2篇。第1篇基础知识，介绍了人工智能发展里程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构，最后对最前沿的趋势进行了简单探讨。第2篇实例精讲，介绍了Python基础、OpneCV基础、最简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。从第5章开始包含了很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前最流行的深度学习框架中的Caffe和MXNet，其中包含了作者原创的大量代码和搜集的数据，这些代码和作者训练好的部分模型已分享到本书github页面上供读者自行下载。
《深度学习与计算机视觉算法原理、框架应用》PDF，带书签，347页。
《大数据架构详解从数据获取到深度学习》PDF，带书签，373页。配套源代码。
下载: https://pan.baidu.com/s/1xQ31PrcizBL-RdqSzK-F0A
提取码: m2w8
《大数据架构详解：从数据获取到深度学习》从架构、业务、技术三个维度深入浅出地介绍了大数据处理领域端到端的知识。主要内容包括三部分：第一部分从数据的产生、采集、计算、存储、消费端到端的角度介绍大数据技术的起源、发展、关键技术点和未来趋势，结合生动的业界最新产品，以及学术界最新的研究方向和成果，让深奥的技术浅显易懂；第二部分从业务和技术角度介绍实际案例，让读者理解大数据的用途及技术的本质；第三部分介绍大数据技术不是孤立的，讲解如何与前沿的云技术、深度学习、机器学习等相结合。
《视觉SLAM十四讲从理论到实践》PDF，399页，带书签目录，彩色配图，文字可以复制。配套源代码。
《计算机视觉中的多视图几何》中文PDF，484页；《计算机视觉中的多视图几何(第2版)》英文PDF，673页；配套源代码+插图。
下载: https://pan.baidu.com/s/16FXG2MoCR9t1aaqSGHRsCg
提取码: ujrd
《视觉SLAM十四讲：从理论到实践》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。
《计算机视觉中的多视图几何》全面介绍了近10年来发展的基于几何的计算机视觉计算方法及其数学基础。除了上述内容外，其中多摄像机视图几何及其计算方法，值得关注。
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。
《GAN实战生成对抗网络》中文PDF，153页，带目录，文字可复制。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/1NZV_7cw2kA0Scpx6C6LN3Q
提取码: chi1
首先，有一个一代的 generator，它能生成一些很差的图片，然后有一个一代的 discriminator，它能准确的把生成的图片，和真实的图片分类，简而言之，这个 discriminator 就是一个二分类器，对生成的图片输出 0，对真实的图片输出 1。接着，开始训练出二代的 generator，它能生成稍好一点的图片，能够让一代的 discriminator 认为这些生成的图片是真实的图片。然后会训练出一个二代的 discriminator，它能准确的识别出真实的图片，和二代 generator 生成的图片。以此类推，会有三代，四代。。。n 代的 generator 和 discriminator，最后 discriminator 无法分辨生成的图片和真实图片，这个网络就拟合了。
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。
《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。
下载 https://pan.baidu.com/s/1LU0Xz3lnahZQ0muMLknmMA
提取码: uq58
推荐学习《生成对抗网络入门指南》，结合基础理论与工程实践，深入浅出地讲解了生成对抗网络的各类模型以及技术发展。面向机 器学习从业人员、在校相关专业学生以及具备一定基础的人工智能领域爱好者。通过学习，能够了解生成对抗网络的技术原理，并通 过书中的代码实例深入技术细节。共分10个章节，其中前半部分分别介绍了目前研究领域已经较为成熟的生成对抗网络模型，比如 DCGAN、WGAN等等，以及大量不同结构的生成对抗网络变种。后半部分介绍了生成对抗网络在文本到图像的生成、图像到图像的生成 以及其它应用中的研究与发展。希望本书能够帮助跟上人工智能技术的潮流，成为AI时代的先行者。
深入浅出地讲解了GAN的技术发展以及各种衍生模型，包含GAN的理论知识与代码实践。通过学习，能够理解GAN的技术原理与实现细 节。人工智能入门知识与开发工具，GAN的理论与实践，DCGAN、WGAN、cGAN等主流GAN衍生模型，文本到图像的生成与图像到图像的生 成，多媒体与艺术设计领域中的GAN应用。