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: Hà Quang Minh. Vittorio Murino
سری: Synthesis lectures on computer vision; 13
ISBN (شابک) : 9781681730134, 9781681730141
ناشر: Morgan & Claypool
سال نشر: 2018
تعداد صفحات: 172
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Covariances in Computer Vision and Machine 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 کوواریانس در بینایی کامپیوتر و یادگیری ماشین 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.
Acknowledgments Introduction Covariance Matrices and Applications Data Representation by Covariance Matrices Covariance Matrices for Data Representation Statistical Interpretation Geometry of SPD Matrices Euclidean Distance Interpretations and Motivations for the Different Invariances Basic Riemannian Geometry Affine-invariant Riemannian Metric on SPD Matrices Connection with the Fisher-Rao Metric Log-Euclidean Metric Log-Euclidean Distance as an Approximation of the Affine-invariant Riemannian Distance Log-Euclidean Distance as a Riemannian Distance Log-Euclidean vs. Euclidean Bregman Divergences Log-determinant Divergences Connection with the Rényi and Kullback-Leibler Divergences Alpha-Beta Log-Det Divergences Power Euclidean Metrics Distances and Divergences between Empirical Covariance Matrices Running Time Comparison Summary Kernel Methods on Covariance Matrices Positive Definite Kernels and Reproducing Kernel Hilbert Spaces Positive Definite Kernels on SPD Matrices Positive Definite Kernels with the Euclidean Metric Positive Definite Kernels with the Log-Euclidean Metric Positive Definite Kernels with the Symmetric Stein Divergence Positive Definite Kernels with the Affine-invariant Riemannian Metric Kernel Methods on Covariance Matrices Experiments on Image Classification Datasets Results Related Approaches Covariance Operators and Applications Data Representation by Covariance Operators Positive Definite Kernels and Feature Maps Covariance Operators in RKHS Data Representation by RKHS Covariance Operators Geometry of Covariance Operators Hilbert-Schmidt Distance Riemannian Distances Between Covariance Operators The Affine-invariant Riemannian Metric Log-Hilbert-Schmidt Metric Infinite-dimensional Alpha Log-determinant Divergences Summary Kernel Methods on Covariance Operators Positive Definite Kernels on Covariance Operators Kernels Defined Using the Hilbert-Schmidt Metric Kernels Defined Using the Log-Hilbert-Schmidt Metric Two-layer Kernel Machines Approximate Methods Approximate Log-Hilbert-Schmidt Distance and Approximate Affine-invariant Riemannian Distance Computational Complexity Approximate Log-Hilbert-Schmidt Inner Product Two-Layer Kernel Machine with the Approximate Log-Hilbert-Schmidt Distance Case Study: Approximation by Fourier Feature Maps Experiments in Image Classification Summary Conclusion and Future Outlook Supplementary Technical Information Mean Squared Errors for Empirical Covariance Matrices Matrix Exponential and Principal Logarithm Fréchet Derivative The Quasi-random Fourier Features Low-discrepancy Sequences The Gaussian Case Proofs of Several Mathematical Results Bibliography Authors\' Biographies Blank Page