第1章　人工智能应用概述　1
1.1　引言　1
1.1.1　人类智能与人工智能　1
1.1.2　人工智能的发展历程　2
1.2　人工智能的应用　4
1.2.1　深度学习时期　4
1.2.2　大模型时期　5
1.2.3　以大模型驱动的智能体时期　7
本章小结　10
第2章　大模型时代的物体识别　11
2.1　人类视觉与机器视觉识物　11
2.1.1　人类视觉的识物机制　11
2.1.2　机器视觉的识物机制　14
2.2　大模型赋能的物体识别　15
2.2.1　大模型的跨模态融合架构　16
2.2.2　大模型的视觉定位方法　19
2.2.3　物体识别的提示词引导　21
2.2.4　物体的属性识别与深层语义挖掘　22
2.3　智能体赋能的物体识别　23
2.3.1　智能体的物体识别任务规划　23
2.3.2　智能体的物体知识库　24
2.3.3　智能体的物体识别工具　26
2.4　智能体识别物体应用案例　29
2.4.1　物体的视觉语义分析　29
2.4.2　语义驱动的外观缺陷识别　31
2.4.3　语义驱动的物体检测　33
2.4.4　语义驱动的物体分割　36
本章小结　39
第3章　人物交互的语义解析与行为理解　41
3.1　人物交互　41
3.1.1　人物交互检测研究现状　41
3.1.2　人物交互语义　43
3.2　人物交互事件理解　44
3.2.1　交互事件场景的层级化表达　45
3.2.2　交互事件的空间推理　48
3.2.3　交互事件的时序推理　49
3.3　智能体驱动的人物交互检测　50
3.3.1　知识库引导的交互事件检测　51
3.3.2　交互事件的语义关键帧　53
3.3.3　人物交互检测智能体的学习与模糊推理　54
3.4　室内场景行为检测应用案例　55
3.4.1　人物交互检测系统的设计与实现　55
3.4.2　实际应用中的人物交互案例分析　59
本章小结　61
第4章　视觉语言语义结构化表达与推理　63
4.1　语言理解与结构化表达　63
4.1.1　语言理解和解析　63
4.1.2　语言的结构化表达　64
4.1.3　语言驱动的多模态交互　66
4.2　视觉感知与结构化表达　67
4.2.1　人类认知与场景理解　67
4.2.2　场景语义基元库构建　69
4.2.3　场景语义层级化表达　69
4.3　视觉语言跨模态交互　70
4.3.1　多模态结构化对齐　71
4.3.2　语义驱动下的场景图更新　72
4.3.3　智能决策与反馈机制　75
4.4　视觉语言多模态交互应用案例　76
4.4.1　智能看护系统：多模态交互的场景监测　76
4.4.2　智慧教学系统：可控慕课交互问答　82
本章小结　89
第5章　多模态人体姿态估计、理解与生成　91
5.1　认识人体姿态　91
5.1.1　人体姿态的本质　92
5.1.2　人体姿态的意义　94
5.2　理解姿态　96
5.2.1　姿态估计：从视觉信息中得到人体姿态　96
5.2.2　行为识别：理解人体的行为　100
5.3　智能体框架下的语言与姿态协同　102
5.3.1　层次化的肢体语言　103
5.3.2　世界知识辅助姿态认知与行为决策　105
5.3.3　智能体的执行：文本到姿态语义重构　111
5.4　大模型姿态应用案例　112
5.4.1　主动行为感知的姿态估计　112
5.4.2　利用结构化文本生成三维人体姿态　118
本章小结　121

第6章　视觉语义编码与生成　123
6.1　视觉语义编码　123
6.1.1　视觉语义编码基础知识　123
6.1.2　视觉语义编码关键步骤　124
6.1.3　视觉语义理解的主要应用　125
6.2　图像生成技术探索之旅　129
6.2.1　图像生成技术发展历程　129
6.2.2　神经网络赋能的无文本图像生成　130
6.2.3　语义驱动的文本图像生成　134
6.3　大模型引领图像生成革命　136
6.3.1　从DALL-E看图像生成大模型　136
6.3.2　探索GPT-4o绘画的奥秘　140
6.4　大模型驱动的图像生成案例　142
6.4.1　语义重构下的图像生成　142
6.4.2　创意PPT背景的智能生成　146
本章小结　148
第7章　具身智能　150
7.1　边走边看：主动探索　150
7.1.1　从人类探索到智能体探索　150
7.1.2　开放环境下的具身智能系统　152
7.2　具身任务中的人机交互　156
7.2.1　人类交流与人机交互　157
7.2.2　具身任务驱动下的自然语言解析　159
7.3　大模型赋能的具身任务决策　161
7.3.1　大模型与知识库的结合　162
7.3.2　智能体决策　163
7.4　主动感知驱动的具身行为　166
7.4.1　主动感知　166
7.4.2　智能体行为认知　167
7.4.3　自适应调节机制　168
7.5　具身智能系统实验　171
7.5.1　意图识别　172
7.5.2　具身决策　174
7.5.3　具身任务执行　175
7.5.4　实验案例　175
本章小结　182
参考文献　184