مشخصات کتاب

Computer Vision Metrics Survey, Taxonomy, and Analysis

ویرایش:  
نویسندگان: Scott Krig  
سری:  
 
ناشر: APRESS open 
سال نشر: 2014 
تعداد صفحات: 498 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 16 مگابایت 

در صورت تبدیل فایل کتاب Computer Vision Metrics Survey, Taxonomy, and Analysis 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 بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل 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.

توضیحاتی در مورد کتاب بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل

Computer Vision Metrics یک بررسی و تجزیه و تحلیل گسترده از بیش از 100 روش توصیف ویژگی های فعلی و تاریخی و روش بینایی ماشین را با یک طبقه بندی دقیق برای ویژگی های محلی، منطقه ای و جهانی ارائه می دهد. این کتاب زمینه لازم را برای توسعه شهود در مورد اینکه چرا آشکارسازهای نقطه علاقه و توصیفگرهای ویژگی واقعاً کار می‌کنند، نحوه طراحی آنها، با مشاهداتی در مورد تنظیم روش‌های دستیابی به اهداف استحکام و تغییرناپذیری برای برنامه‌های خاص ارائه می‌کند
آنچه خواهید آموخت
نقطه علاقه و مفاهیم توصیفگر (نقاط علاقه، گوشه ها، برآمدگی ها، حباب ها، خطوط، لبه ها، ماکزیمم)، تنظیم و حذف نقطه علاقه، روش های نقطه علاقه (لاپلاسی، LOG، موراویک، هریس، هریس-استفنز، شی توماسی، هسی، تفاوت گاوسی ها، مناطق برجسته، MSER، SUSAN، FAST، FASTER، AGHAST، انحنای محلی، مناطق مورفولوژیکی، و موارد دیگر)، مفاهیم توصیفگر (شکل، الگوی نمونه، طیف، گرادیان، الگوهای باینری، ویژگی های پایه)، خانواده های توصیفگر ویژگی.
توصیفگرهای باینری محلی (LBP، LTP، FREAK، ORB، BRISK، BRIEF، CENSUS، و موارد دیگر).
توصیفگرهای گرادیان (SIFT، SIFT-PCA، SIFT-SIFER، SIFT-GLOH، Root SIFT، CensureE، ستاره، هاگ، فوگ، دیزی، او دیزی، کارت، آر FM، RIFF-CHOG، LGP، و موارد دیگر).
توصیف‌کننده‌های شکل (لمان‌های تصویر، مساحت، محیط، مرکز، D-NETS، کدهای زنجیره‌ای، توصیفگرهای فوریه، موجک‌ها و موارد دیگر) توصیف‌کننده‌های بافت، ساختاری و آماری (Harallick) ، SDM، SDM توسعه یافته، معیارهای لبه، معیارهای قوانین، RILBP، و موارد دیگر).
توصیفگرهای سه بعدی برای مجموعه داده های مکانی-زمانی مبتنی بر عمق، حجمی و شناسایی فعالیت (3D HOG، HON 4D، 3D SIFT، LBP- TOP، VLBP، و موارد دیگر).
توصیف‌کننده‌های فضای پایه (زرنیک لحظه‌ها، KL، SLANT، مجموعه‌های پایه فیلتر قابل هدایت، کدگذاری پراکنده، کتاب‌های کد، واژگان توصیف‌گر و موارد دیگر)، روش‌های HAAR (SURF، USURF، MUSURF، GSURF، Viola Jones، و غیره)، بازسازی تصویر مبتنی بر توصیفگر.
توابع فاصله (اقلیدسی، SAD، SSD، همبستگی، Hellinger، منهتن، Chebyshev، EMD، Wasserstein، Mahalanobis، Bray-Curtis، Canberra، L0، Hamming، Jaccard )، فضاهای مختصات، استحکام و معیارهای تغییرناپذیری.
تشکیل تصویر، شامل حسگرهای CCD و CMOS برای تصویربرداری دو بعدی و سه بعدی، بالای پردازش سنسور است. ics، با بررسی شناسایی بیش از چهارده (14) روش سنجش عمق سه بعدی، با تاکید بر استریو، MVS، و نور ساختار یافته.
روش های پیش پردازش تصویر، نمونه هایی ارائه شده است که خانواده های توصیفگر ویژگی های خاص (نقطه، خط و ناحیه) را هدف قرار می دهد. روش‌ها، روش‌های فضای پایه)، رنگ‌سنجی (CIE، HSV، RGB، CAM02، نگاشت گستره، و موارد دیگر).
داده‌های حقیقت پایه، برخی بهترین روش‌ها و مثال‌ها همراه با بررسی مجموعه داده‌های واقعی و مصنوعی ارائه شده‌اند. br>بهینه سازی خط لوله بینایی، الگوریتم های نقشه برداری برای محاسبه منابع (CPU، GPU، DSP و موارد دیگر)، نمونه های فرضی خط لوله بینایی سطح بالا (تشخیص چهره، تشخیص شی، طبقه بندی تصویر، واقعیت افزوده)، جایگزین های بهینه سازی با در نظر گرفتن عملکرد و قدرت استفاده مؤثر از SIMD، VLIW، هسته‌ها، رشته‌ها، زبان‌های موازی، حافظه و موارد دیگر.
تحلیل الفبای نقطه‌ی علاقه مصنوعی در برابر 10 آشکارساز opencv معمولی برای ایجاد شهود در مورد نحوه عملکرد کلاس‌های مختلف آشکارسازها معمولاً کار می کند (SIFT، SURF، BRISK، FAST، HARRIS، GFFT، MSER، ORB، STAR، SIMPLEBLOB). کد منبع به صورت آنلاین ارائه شده است.
مفاهیم یادگیری بصری، اگرچه تمرکز این کتاب نیست، مقدمه‌ای ساده برای یادگیری ماشین و موضوعات یادگیری آماری، مانند شبکه‌های کانولوشن، شبکه‌های عصبی، طبقه‌بندی و آموزش، خوشه‌بندی و روش‌های به حداقل رساندن خطا ارائه شده است. (SVM، ماشین های هسته، KNN، RANSAC، HMM، GMM، LM، و بیشتر). مراجع فراوانی برای کاوش عمیق‌تر ارائه شده است.
این کتاب برای چه کسانی است
مهندسان، دانشمندان و محققان دانشگاهی در زمینه‌هایی از جمله پردازش رسانه، عکاسی محاسباتی، تجزیه و تحلیل ویدئو، درک صحنه، بینایی ماشین، تشخیص چهره، تشخیص حرکات، تشخیص الگو و تجزیه و تحلیل کلی شی

توضیحاتی درمورد کتاب به خارجی

Computer Vision Metrics provides an extensive survey and analysis of over 100 current and historical feature description and machine vision methods, with a detailed taxonomy for local, regional and global features. This book provides necessary background to develop intuition about why interest point detectors and feature descriptors actually work, how they are designed, with observations about tuning the methods for achieving robustness and invariance targets for specific applications
What you’ll learn
Interest point & descriptor concepts (interest points, corners, ridges, blobs, contours, edges, maxima), interest point tuning and culling, interest point methods (Laplacian, LOG, Moravic, Harris, Harris-Stephens, Shi-Tomasi, Hessian, difference of Gaussians, salient regions, MSER, SUSAN, FAST, FASTER, AGHAST, local curvature, morphological regions, and more), descriptor concepts (shape, sampling pattern, spectra, gradients, binary patterns, basis features), feature descriptor families.
Local binary descriptors (LBP, LTP, FREAK, ORB, BRISK, BRIEF, CENSUS, and more).
Gradient descriptors (SIFT, SIFT-PCA, SIFT-SIFER, SIFT-GLOH, Root SIFT, CensureE, STAR, HOG, PHOG, DAISY, O-DAISY, CARD, RFM, RIFF-CHOG, LGP, and more).
Shape descriptors (Image moments, area, perimeter, centroid, D-NETS, chain codes, Fourier descriptors, wavelets, and more) texture descriptors, structural and statistical (Harallick, SDM, extended SDM, edge metrics, Laws metrics, RILBP, and more).
3D descriptors for depth-based, volumetric, and activity recognition spatio-temporal data sets (3D HOG, HON 4D, 3D SIFT, LBP-TOP, VLBP, and more).
Basis space descriptors (Zernike moments, KL, SLANT, steerable filter basis sets, sparse coding, codebooks, descriptor vocabularies, and more), HAAR methods (SURF, USURF, MUSURF, GSURF, Viola Jones, and more), descriptor-based image reconstruction.
Distance functions (Euclidean, SAD, SSD, correlation, Hellinger, Manhattan, Chebyshev, EMD, Wasserstein, Mahalanobis, Bray-Curtis, Canberra, L0, Hamming, Jaccard), coordinate spaces, robustness and invariance criteria.
Image formation, includes CCD and CMOS sensors for 2D and 3D imaging, sensor processing topics, with a survey identifying over fourteen (14) 3D depth sensing methods, with emphasis on stereo, MVS, and structured light.
Image pre-processing methods, examples are provided targeting specific feature descriptor families (point, line and area methods, basis space methods), colorimetry (CIE, HSV, RGB, CAM02, gamut mapping, and more).
Ground truth data, some best-practices and examples are provided, with a survey of real and synthetic datasets.
Vision pipeline optimizations, mapping algorithms to compute resources (CPU, GPU, DSP, and more), hypothetical high-level vision pipeline examples (face recognition, object recognition, image classification, augmented reality), optimization alternatives with consideration for performance and power to make effective use of SIMD, VLIW, kernels, threads, parallel languages, memory, and more.
Synthetic interest point alphabet analysis against 10 common opencv detectors to develop intuition about how different classes of detectors actually work (SIFT, SURF, BRISK, FAST, HARRIS, GFFT, MSER, ORB, STAR, SIMPLEBLOB). Source code provided online.
Visual learning concepts, although not the focus of this book, a light introduction is provided to machine learning and statistical learning topics, such as convolutional networks, neural networks, classification and training, clustering and error minimization methods (SVM,’s, kernel machines, KNN, RANSAC, HMM, GMM, LM, and more). Ample references are provided to dig deeper.
Who this book is for
Engineers, scientists, and academic researchers in areas including media processing, computational photography, video analytics, scene understanding, machine vision, face recognition, gesture recognition, pattern recognition and general object analysis.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Mexico: What Everyone Needs to Know

دانلود کتاب Neo-Davidsonian Metaphysics: From the True to the Good

دانلود کتاب The Myth of Nazareth: The Invented Town of Jesus

دانلود کتاب Dynamic Control and Optimization: DCO 2021, Aveiro, Portugal, February 3–5, Selected, Revised Contributions

دانلود کتاب Staatsverschuldung: Ursachen im internationalen Vergleich