دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Salman Khan, Hossein Rahmani, Syed Afaq Ali Shah, Mohammed Bennamoun سری: Synthesis Lectures on Computer Vision ISBN (شابک) : 9781681730226 ناشر: Morgan & Claypool سال نشر: 2018 تعداد صفحات: 187 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب A Guide to Convolutional Neural Networks for Computer Vision به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب راهنمای شبکه های عصبی کانولوشن برای بینایی کامپیوتری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
بینایی کامپیوتر در سالهای اخیر به دلیل کاربردهای گسترده آن در حوزههای متنوعی مانند نظارت و نظارت هوشمند، بهداشت و پزشکی، ورزش و تفریح، روباتیک، هواپیماهای بدون سرنشین و خودروهای خودران، اهمیت و تأثیرگذاری فزایندهای پیدا کرده است. وظایف تشخیص بصری، مانند طبقهبندی تصویر، محلیسازی و تشخیص، بلوکهای اصلی بسیاری از این برنامهها هستند و پیشرفتهای اخیر در شبکههای عصبی کانولوشنال (CNN) منجر به عملکرد فوقالعاده در این مدرنهای بصری شده است. وظایف و سیستم های تشخیص در نتیجه، CNN ها اکنون محور الگوریتم های یادگیری عمیق در بینایی کامپیوتر را تشکیل می دهند. این راهنمای مستقل به کسانی که به دنبال درک نظریه پشت CNN و کسب تجربه عملی در مورد کاربرد CNN در بینایی کامپیوتر هستند، مفید خواهد بود. این یک مقدمه جامع برای CNN ها ارائه می دهد که با مفاهیم اساسی در پشت شبکه های عصبی شروع می شود: آموزش، منظم سازی و بهینه سازی CNN. این کتاب همچنین طیف گستردهای از توابع از دست دادن، لایههای شبکه و معماریهای محبوب CNN را مورد بحث قرار میدهد، تکنیکهای مختلف برای ارزیابی CNNها را مرور میکند، و برخی از ابزارها و کتابخانههای محبوب CNN را ارائه میکند که معمولاً در بینایی کامپیوتر استفاده میشوند. علاوه بر این، این متن مطالعات موردی را که به کاربرد CNN در بینایی کامپیوتری مربوط میشود، از جمله طبقهبندی تصویر، تشخیص اشیا، تقسیمبندی معنایی، درک صحنه و تولید تصویر، توصیف و بحث میکند. این کتاب برای دانشجویان کارشناسی و کارشناسی ارشد ایدهآل است، زیرا برای دنبال کردن مطالب به هیچ دانش پیشزمینهای در این زمینه نیاز نیست، همچنین محققان، توسعهدهندگان، مهندسان و متخصصان جدیدی که علاقهمند به درک سریع مدلهای CNN هستند.
Computer vision has become increasingly important and effective in recent years due to its wide-ranging applications in areas as diverse as smart surveillance and monitoring, health and medicine, sports and recreation, robotics, drones, and self-driving cars. Visual recognition tasks, such as image classification, localization, and detection, are the core building blocks of many of these applications, and recent developments in Convolutional Neural Networks (CNNs) have led to outstanding performance in these state-of-the-art visual recognition tasks and systems. As a result, CNNs now form the crux of deep learning algorithms in computer vision. This self-contained guide will benefit those who seek to both understand the theory behind CNNs and to gain hands-on experience on the application of CNNs in computer vision. It provides a comprehensive introduction to CNNs starting with the essential concepts behind neural networks: training, regularization, and optimization of CNNs. The book also discusses a wide range of loss functions, network layers, and popular CNN architectures, reviews the different techniques for the evaluation of CNNs, and presents some popular CNN tools and libraries that are commonly used in computer vision. Further, this text describes and discusses case studies that are related to the application of CNN in computer vision, including image classification, object detection, semantic segmentation, scene understanding, and image generation. This book is ideal for undergraduate and graduate students, as no prior background knowledge in the field is required to follow the material, as well as new researchers, developers, engineers, and practitioners who are interested in gaining a quick understanding of CNN models.