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
دسته بندی: سازمان و پردازش داده ها ویرایش: نویسندگان: Cha Zhang. Zhengyou Zhang سری: Synthesis Lectures on Computer Vision #2 ISBN (شابک) : 160845133X, 9781608451333 ناشر: Morgan and Claypool Publishers سال نشر: 2010 تعداد صفحات: 140 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
کلمات کلیدی مربوط به کتاب تقویت و تشخیص چهره مبتنی بر تقویت (سخنرانی های سنتز در چشم انداز شماره 2 کامپیوتر): علوم و مهندسی کامپیوتر، پردازش داده های رسانه ای، پردازش تصویر
در صورت تبدیل فایل کتاب Boosting-Based Face Detection and Adaptation 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 تقویت و تشخیص چهره مبتنی بر تقویت (سخنرانی های سنتز در چشم انداز شماره 2 کامپیوتر) 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.
تشخیص چهره، به دلیل طیف گسترده ای از کاربردها، یکی از فعال ترین حوزه های تحقیقاتی در بینایی کامپیوتر است. در این کتاب، ما رویکردهای مختلف برای تشخیص چهره توسعه یافته در دهه گذشته را با تاکید بیشتر بر الگوریتمهای یادگیری مبتنی بر تقویت مرور میکنیم. سپس مجموعهای از الگوریتمها را ارائه میکنیم که با دیدگاه آماری تقویت و مفهوم یادگیری نمونههای چندگانه توانمند شدهاند. ما با توصیف یک چارچوب یادگیری تقویت کننده که قادر به مدیریت میلیاردها نمونه آموزشی است، شروع می کنیم. تفاوت آن با طرحهای بوت استرپ سنتی در این است که در طول آموزش نیازی به تعیین آستانههای میانی نیست، با این حال تعداد کل نمونههای منفی مورد استفاده برای انتخاب ویژگی ثابت و متمرکز باقی میماند (روی نمونههایی که عملکرد ضعیفی دارند). سپس یک طرح هرس چند نمونه ای برای تعیین آستانه های میانی پس از تقویت یادگیری اتخاذ می شود. این الگوریتم آشکارسازهایی را تولید می کند که هم سریع و هم دقیق هستند. فهرست مطالب: بررسی مختصری از ادبیات تشخیص چهره / تشخیص چهره در زمان واقعی مبتنی بر آبشار / یادگیری چند نمونه برای تشخیص چهره / سازگاری آشکارساز / سایر کاربردها / نتیجهگیری و کارهای آینده
Face detection, because of its vast array of applications, is one of the most active research areas in computer vision. In this book, we review various approaches to face detection developed in the past decade, with more emphasis on boosting-based learning algorithms. We then present a series of algorithms that are empowered by the statistical view of boosting and the concept of multiple instance learning. We start by describing a boosting learning framework that is capable to handle billions of training examples. It differs from traditional bootstrapping schemes in that no intermediate thresholds need to be set during training, yet the total number of negative examples used for feature selection remains constant and focused (on the poor performing ones). A multiple instance pruning scheme is then adopted to set the intermediate thresholds after boosting learning. This algorithm generates detectors that are both fast and accurate. Table of Contents: A Brief Survey of the Face Detection Literature / Cascade-based Real-Time Face Detection / Multiple Instance Learning for Face Detection / Detector Adaptation / Other Applications / Conclusions and Future Work
Preface......Page 11
Introduction......Page 13
The Integral Image......Page 14
AdaBoost Learning......Page 15
The Attentional Cascade Structure......Page 18
Feature Extraction......Page 19
Variations of the Boosting Learning Algorithm......Page 26
Other Learning Schemes......Page 34
Book Overview......Page 37
Cascade-based Real-Time Face Detection......Page 41
Soft-Cascade Training......Page 42
Fat Stumps......Page 46
Pruning Using the Final Classification......Page 48
Multiple Instance Pruning......Page 51
Experimental Results......Page 52
Multiple Instance Learning for Face Detection......Page 57
Noisy-OR MILBoost......Page 58
ISR MILBoost......Page 60
Application of MILBoost to Low Resolution Face Detection......Page 62
Multiple Category Boosting......Page 66
Probabilistic McBoost......Page 67
Winner-Take-All McBoost......Page 69
Experimental Results......Page 72
A Practical Multi-view Face Detector......Page 75
Detector Adaptation......Page 81
Detector Adaptation......Page 82
Taylor-Expansion-Based Adaptation......Page 83
Adaptation of Logistic Regression Classifier......Page 84
Direct Labels......Page 85
Similarity Labels......Page 86
Adaptation of Boosting Classifiers......Page 87
Discussions and Related Work......Page 88
Experimental Results......Page 89
Results on Direct Labels......Page 90
Results on Similarity Labels......Page 92
Introduction......Page 95
AdaBoosting LBP......Page 97
Boosted Multi-Task Learning......Page 99
Experimental Results......Page 102
Introduction......Page 106
Related Works......Page 107
Sound Source Localization......Page 108
Boosting-Based Multimodal Speaker Detection......Page 110
Merge of Detected Windows......Page 112
Alternative Speaker Detection Algorithms......Page 113
Experimental Results......Page 114
Conclusions and Future Work......Page 123
Bibliography......Page 125
Authors' Biographies......Page 139