Computational Models for Cognitive Vision

بیاموزید که چگونه اصول شناختی را به کار ببرید برای مشکلات بینایی رایانه 

مدل‌های محاسباتی برای بینایی شناختی را فرموله می‌کند. مدل‌های محاسباتی برای اصول شناختی موجود در بینایی بیولوژیکی، و آن مدل‌ها را برای وظایف بینایی رایانه به کار می‌برد. چنین اصولی شامل گروه‌بندی ادراکی، توجه، کیفیت بصری و زیبایی‌شناسی، تفسیر و یادگیری مبتنی بر دانش است. هدف نهایی نویسنده ارائه چارچوبی برای ایجاد یک سیستم بینایی ماشینی با قابلیت و تطبیق پذیری بینایی انسان است.

نوشته شده توسط دکتر هیران‌می‌گوش، این کتاب خوانندگان را قبل از ایجاد رابطه بینایی شناختی، اصول پایه و مدل‌های محاسباتی بینایی شناختی، استدلال بیزی برای ادراک و شناخت، و سایر موضوعات مرتبط را با هم مرور می‌کند. حوزه چند رشته‌ای که به طور گسترده به عنوان «هوش مصنوعی» شناخته می‌شود. اصول با مثال‌های کاربردی متنوع در بینایی کامپیوتر، مانند عکاسی محاسباتی، میراث دیجیتال و روبات‌های اجتماعی نشان داده شده‌اند. نویسنده با پیشنهادهایی برای تحقیقات آتی و مشاهدات برجسته در مورد وضعیت میدان بینایی شناختی پایان می دهد.

سایر موضوعات تحت پوشش این کتاب عبارتند از: 

·         تکنیک‌های بازنمایی دانش 

·         تکامل معماری‌های شناختی 

·         رویکردهای یادگیری عمیق برای شناخت بصری 

دانشجویان مقطع کارشناسی، دانشجویان کارشناسی ارشد، مهندسان و محققان علاقه‌مند به بینایی شناختی، این را منبعی ضروری و کاربردی در توسعه و مطالعه بینایی رایانه می‌دانند.

Learn how to apply cognitive principles  to the problems of computer vision 

Computational Models for Cognitive Vision formulates the computational models for the cognitive principles found in biological vision,  and applies those models to computer vision tasks. Such principles include perceptual grouping, attention, visual quality and aesthetics, knowledge-based interpretation and learning, to name a few. The author’s ultimate goal is to provide a framework for creation of a machine vision system  with the capability and versatility of the human vision.  

Written by Dr. Hiranmay Ghosh, the book takes readers through the basic principles and the computational models for cognitive vision, Bayesian reasoning for perception and cognition, and other related topics, before establishing the relationship of cognitive vision with the multi-disciplinary field broadly referred to as “artificial intelligence”. The principles are illustrated with diverse application examples in computer vision, such as computational photography, digital heritage and social robots. The author concludes with suggestions for future research and salient observations about the state of the field of cognitive vision. 

Other topics covered in the book include: 

·         knowledge representation techniques 

·         evolution of cognitive architectures 

·         deep learning approaches for visual cognition 

Undergraduate students, graduate students, engineers, and researchers interested in cognitive vision will consider this an indispensable and practical resource in the development and study of computer vision.