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: 1 نویسندگان: A. Criminisi, J. Shotton (auth.), A. Criminisi, J. Shotton (eds.) سری: Advances in Computer Vision and Pattern Recognition ISBN (شابک) : 9781447149286, 9781447149293 ناشر: Springer-Verlag London سال نشر: 2013 تعداد صفحات: 360 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب جنگل های تصمیم برای بینایی کامپیوتری و تجزیه و تحلیل تصویر پزشکی: تشخیص الگو، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Decision forests for computer vision and medical image 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 جنگل های تصمیم برای بینایی کامپیوتری و تجزیه و تحلیل تصویر پزشکی 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.
این متن کاربردی و آسان برای دنبال کردن، زیربنای نظری جنگلهای تصمیمگیری را بررسی میکند، و ادبیات گسترده موجود در این زمینه را در قالب یک مدل جنگلی همهمنظوره جدید سازماندهی میکند. موضوعات و ویژگی ها: با پیشگفتاری توسط پروفسور Y. Amit و پروفسور D. Geman، بازگویی مشارکت آنها در توسعه جنگل های تصمیم گیری. یک مدل جنگل تصمیم گیری انعطاف پذیر را معرفی می کند که قادر به پرداختن به مجموعه وسیع و متنوعی از وظایف تجزیه و تحلیل تصویر و ویدئو است. هم مبانی نظری و هم اجرای عملی جنگل های تصمیم را بررسی می کند. در مورد استفاده از جنگل های تصمیم برای کارهایی مانند طبقه بندی، رگرسیون، تخمین تراکم، یادگیری چندگانه، یادگیری فعال و طبقه بندی نیمه نظارت شده بحث می کند. شامل تمرینها و آزمایشها در سراسر متن، با راهحلها، اسلایدها، ویدئوهای نمایشی و سایر مطالب تکمیلی ارائهشده در وبسایت مرتبط. یک کتابخانه نرم افزاری رایگان و کاربرپسند را فراهم می کند و خواننده را قادر می سازد تا به صورت عملی با جنگل ها آزمایش کند.
This practical and easy-to-follow text explores the theoretical underpinnings of decision forests, organizing the vast existing literature on the field within a new, general-purpose forest model. Topics and features: with a foreword by Prof. Y. Amit and Prof. D. Geman, recounting their participation in the development of decision forests; introduces a flexible decision forest model, capable of addressing a large and diverse set of image and video analysis tasks; investigates both the theoretical foundations and the practical implementation of decision forests; discusses the use of decision forests for such tasks as classification, regression, density estimation, manifold learning, active learning and semi-supervised classification; includes exercises and experiments throughout the text, with solutions, slides, demo videos and other supplementary material provided at an associated website; provides a free, user-friendly software library, enabling the reader to experiment with forests in a hands-on manner.
Front Matter....Pages I-XIX
Overview and Scope....Pages 1-2
Notation and Terminology....Pages 3-4
Front Matter....Pages 5-5
Introduction: The Abstract Forest Model....Pages 7-23
Classification Forests....Pages 25-45
Regression Forests....Pages 47-58
Density Forests....Pages 59-77
Manifold Forests....Pages 79-93
Semi-supervised Classification Forests....Pages 95-107
Front Matter....Pages 109-109
Keypoint Recognition Using Random Forests and Random Ferns....Pages 111-124
Extremely Randomized Trees and Random Subwindows for Image Classification, Annotation, and Retrieval....Pages 125-141
Class-Specific Hough Forests for Object Detection....Pages 143-157
Hough-Based Tracking of Deformable Objects....Pages 159-173
Efficient Human Pose Estimation from Single Depth Images....Pages 175-192
Anatomy Detection and Localization in 3D Medical Images....Pages 193-209
Semantic Texton Forests for Image Categorization and Segmentation....Pages 211-227
Semi-supervised Video Segmentation Using Decision Forests....Pages 229-244
Classification Forests for Semantic Segmentation of Brain Lesions in Multi-channel MRI....Pages 245-260
Manifold Forests for Multi-modality Classification of Alzheimer’s Disease....Pages 261-272
Entanglement and Differentiable Information Gain Maximization....Pages 273-293
Decision Tree Fields: An Efficient Non-parametric Random Field Model for Image Labeling....Pages 295-309
Front Matter....Pages 311-311
Efficient Implementation of Decision Forests....Pages 313-332
The Sherwood Software Library....Pages 333-342
Conclusions....Pages 343-345
Back Matter....Pages 347-368