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: Dana. Kristin J
سری: Synthesis lectures on computer vision 14
ISBN (شابک) : 9781681732695, 1681730111
ناشر: Morgan & Claypool Publishers
سال نشر: 2018
تعداد صفحات: 115
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Computational texture and patterns: From textons to deep learning 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 بافت و الگوهای محاسباتی: از متنها تا یادگیری عمیق 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.
تجزیه و تحلیل الگوی بصری یک ابزار اساسی در استخراج داده ها برای دانش است. نمایش محاسباتی برای الگوها و بافت به ما امکان می دهد خلاصه، ذخیره، مقایسه و برچسب گذاری کنیم تا در مورد دنیای فیزیکی بیاموزیم. توانایی ما برای گرفتن تصاویر بصری با دوربینها و حسگرها منجر به تولید مقادیر زیادی از دادههای خام شده است، اما استفاده مؤثر از این اطلاعات به روشی خاص به نمایشهای محاسباتی پیچیده نیاز دارد. ما ویژگیهای مطلوب خاص را برای این نمایشها برمیشماریم: (1) تغییرناپذیری درونطبقهای-برای پشتیبانی از شناسایی. (2) روشنایی و تغییر ناپذیری هندسی برای استحکام در شرایط تصویربرداری. (3) پشتیبانی از پیش بینی و سنتز برای استفاده از مدل برای استنتاج ادامه الگو. (4) پشتیبانی از تشخیص تغییر برای تشخیص ناهنجاری ها و آشفتگی ها. و (5) پشتیبانی از تفسیر مبتنی بر فیزیک برای استنباط خواص سیستم از ظاهر. در سالهای اخیر، بینایی کامپیوتر با الگوریتمهای کلاسیک که با روندهای جدید در یادگیری عمیق تطبیق میدهند، دگردیسی شده است. این متن توری از تکامل الگوریتم از جمله تشخیص الگو، تقسیمبندی و سنتز را ارائه میدهد. ما ارتباط و برجستگی کلی تحلیل الگوی بصری و کاربردهایی را که بر مدلهای محاسباتی متکی هستند، در نظر میگیریم.
Visual pattern analysis is a fundamental tool in mining data for knowledge. Computational representations for patterns and texture allow us to summarize, store, compare, and label in order to learn about the physical world. Our ability to capture visual imagery with cameras and sensors has resulted in vast amounts of raw data, but using this information effectively in a task-specific manner requires sophisticated computational representations. We enumerate specific desirable traits for these representations: (1) intraclass invariance-to support recognition; (2) illumination and geometric invariance for robustness to imaging conditions; (3) support for prediction and synthesis to use the model to infer continuation of the pattern; (4) support for change detection to detect anomalies and perturbations; and (5) support for physics-based interpretation to infer system properties from appearance. In recent years, computer vision has undergone a metamorphosis with classic algorithms adapting to new trends in deep learning. This text provides a tour of algorithm evolution including pattern recognition, segmentation and synthesis. We consider the general relevance and prominence of visual pattern analysis and applications that rely on computational models.
Preface......Page 13
Acknowledgments......Page 15
Visual Patterns and Texture......Page 17
Patterns in Nature......Page 19
Big Data Patterns......Page 20
Temporal Patterns......Page 23
Organization......Page 25
Texton: The Early Definition......Page 27
What are Textons? Then and Now......Page 31
Traditional Methods of Texture Recognition......Page 33
Multilayer Perceptron......Page 0
Texture Recognition with Deep Learning......Page 36
Traditional Methods of Texture Segmentation......Page 41
Markov Random Fields......Page 45
Segmentation with Deep Learning......Page 47
Traditional Methods for Texture Synthesis......Page 55
Texture Synthesis with Deep Learning......Page 58
Texture Style Transfer with Deep Learning......Page 63
Face Style Transfer......Page 64
Detecting Subtle Change......Page 69
Perceptual Metrics......Page 70
Medical Imaging and Quantitative Dermatology......Page 71
Textured Solar Panels......Page 72
Road Analysis for Automated Driving......Page 73
Cloud Services......Page 76
A Concise Description of Deep Learning......Page 79
Convolutional Neural Networks......Page 83
Alexnet, Dense-Net, Res-Nets, and All That......Page 89
Bibliography......Page 93
Author\'s Biography......Page 115
Blank Page......Page 2