دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Domain Adaptation in Computer Vision Applications
دانلود کتاب سازگاری دامنه در برنامه های کاربردی چشم انداز رایانه ای
مشخصات کتاب
Domain Adaptation in Computer Vision Applications
ویرایش: 1st ed. 2017
نویسندگان: Gabriela Csurka
سری:
ISBN (شابک) : 3319583468, 9783319583464
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 338
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
قیمت کتاب (تومان) : 54,000
کلمات کلیدی مربوط به کتاب سازگاری دامنه در برنامه های کاربردی چشم انداز رایانه ای: هوش و معناشناسی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، پردازش داده، پایگاه‌های داده و داده‌های بزرگ، رایانه‌ها و فناوری، گرافیک و طراحی، Adobe، CAD، مدل‌سازی کامپیوتر، انتشار دسک‌تاپ، اسناد الکترونیکی، ارائه و ردیابی پرتو، تجربه کاربر و قابلیت استفاده، رایانه و فناوری، شبکه‌ها، شبکه‌ها، پروتکل‌ها و APIها، شبکه‌ها و محاسبات ابری، رایانه‌ها و فناوری، گرافیک و چند رسانه‌ای، DirectX، Flash، GIS، OpenGL، Solid Works، برنامه‌نویسی، رایانه‌ها و فناوری، Artificia
در صورت تبدیل فایل کتاب Domain Adaptation in Computer Vision Applications 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 سازگاری دامنه در برنامه های کاربردی چشم انداز رایانه ای 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 سازگاری دامنه در برنامه های کاربردی چشم انداز رایانه ای
این متن/مرجع جامع، مروری بر روش‌های متنوع تطبیق دامنه (DA) برای یادگیری ماشین، با تمرکز بر راه‌حل‌هایی برای کاربردهای بصری ارائه می‌کند. این کتاب راه‌حل‌ها و دیدگاه‌های ارائه‌شده توسط مجموعه‌ای بین‌المللی از متخصصان برجسته در این زمینه را جمع‌آوری می‌کند و نه تنها به دسته‌بندی تصاویر کلاسیک، بلکه سایر وظایف بینایی رایانه مانند تشخیص، تقسیم‌بندی و ویژگی‌های بصری نیز می‌پردازد. موضوعات و ویژگی ها: زمینه کامل DA بصری، از جمله روش های کم عمق طراحی شده برای داده های همگن و ناهمگن و همچنین معماری های عمیق را بررسی می کند. موقعیت یابی سوگیری مجموعه داده را در عرصه ویژگی مبتنی بر CNN ارائه می دهد. تجزیه و تحلیل دقیق روش‌های کم عمق رایج را پیشنهاد می‌کند که به انتخاب داده‌های شاخص، جاسازی هسته، هم‌ترازی ویژگی، تبدیل ویژگی مشترک و سازگاری طبقه‌بندی‌کننده، یا مورد دسترسی محدود به داده‌های منبع می‌پردازد. روش‌های جدیدتر DA عمیق، از جمله شبکه‌های سازگاری مبتنی بر اختلاف و مدل‌های DA متمایز متخاصم را مورد بحث قرار می‌دهد. مشکلات انطباق دامنه را فراتر از طبقه بندی تصویر، مانند تطبیق رمزگذاری فیشر برای شناسایی مجدد وسیله نقلیه، تقسیم بندی و تشخیص معنایی آموزش دیده بر روی تصاویر مصنوعی، و تعمیم دامنه برای تشخیص بخش معنایی، برطرف می کند. یک تکنیک تعمیم دامنه چند منبعی برای ویژگی‌های بصری و یک چارچوب یکپارچه برای یادگیری چند دامنه‌ای و چند وظیفه‌ای را توصیف می‌کند. این جلد معتبر برای مخاطبان وسیعی از محققان و پزشکان گرفته تا دانش‌آموزان درگیر در بینایی رایانه، تشخیص الگو و یادگیری ماشین بسیار جالب خواهد بود.
توضیحاتی درمورد کتاب به خارجی
This comprehensive text/reference presents a broad review of diverse domain adaptation (DA) methods for machine learning, with a focus on solutions for visual applications. The book collects together solutions and perspectives proposed by an international selection of pre-eminent experts in the field, addressing not only classical image categorization, but also other computer vision tasks such as detection, segmentation and visual attributes. Topics and features: surveys the complete field of visual DA, including shallow methods designed for homogeneous and heterogeneous data as well as deep architectures; presents a positioning of the dataset bias in the CNN-based feature arena; proposes detailed analyses of popular shallow methods that addresses landmark data selection, kernel embedding, feature alignment, joint feature transformation and classifier adaptation, or the case of limited access to the source data; discusses more recent deep DA methods, including discrepancy-based adaptation networks and adversarial discriminative DA models; addresses domain adaptation problems beyond image categorization, such as a Fisher encoding adaptation for vehicle re-identification, semantic segmentation and detection trained on synthetic images, and domain generalization for semantic part detection; describes a multi-source domain generalization technique for visual attributes and a unifying framework for multi-domain and multi-task learning. This authoritative volume will be of great interest to a broad audience ranging from researchers and practitioners, to students involved in computer vision, pattern recognition and machine learning.
فهرست مطالب
Front Matter ....Pages i-x
A Comprehensive Survey on Domain Adaptation for Visual Applications (Gabriela Csurka)....Pages 1-35
A Deeper Look at Dataset Bias (Tatiana Tommasi, Novi Patricia, Barbara Caputo, Tinne Tuytelaars)....Pages 37-55
Front Matter ....Pages 57-57
Geodesic Flow Kernel and Landmarks: Kernel Methods for Unsupervised Domain Adaptation (Boqing Gong, Kristen Grauman, Fei Sha)....Pages 59-79
Unsupervised Domain Adaptation Based on Subspace Alignment (Basura Fernando, Rahaf Aljundi, Rémi Emonet, Amaury Habrard, Marc Sebban, Tinne Tuytelaars)....Pages 81-94
Learning Domain Invariant Embeddings by Matching Distributions (Mahsa Baktashmotlagh, Mehrtash Harandi, Mathieu Salzmann)....Pages 95-114
Adaptive Transductive Transfer Machines: A Pipeline for Unsupervised Domain Adaptation (Nazli Farajidavar, Teofilo de Campos, Josef Kittler)....Pages 115-132
What to Do When the Access to the Source Data Is Constrained? (Gabriela Csurka, Boris Chidlovskii, Stéphane Clinchant)....Pages 133-149
Front Matter ....Pages 151-151
Correlation Alignment for Unsupervised Domain Adaptation (Baochen Sun, Jiashi Feng, Kate Saenko)....Pages 153-171
Simultaneous Deep Transfer Across Domains and Tasks (Judy Hoffman, Eric Tzeng, Trevor Darrell, Kate Saenko)....Pages 173-187
Domain-Adversarial Training of Neural Networks (Yaroslav Ganin, Evgeniya Ustinova, Hana Ajakan, Pascal Germain, Hugo Larochelle, François Laviolette et al.)....Pages 189-209
Front Matter ....Pages 211-211
Unsupervised Fisher Vector Adaptation for Re-identification (Usman Tariq, Jose A. Rodriguez-Serrano, Florent Perronnin)....Pages 213-225
Semantic Segmentation of Urban Scenes via Domain Adaptation of SYNTHIA (German Ros, Laura Sellart, Gabriel Villalonga, Elias Maidanik, Francisco Molero, Marc Garcia et al.)....Pages 227-241
From Virtual to Real World Visual Perception Using Domain Adaptation—The DPM as Example (Antonio M. López, Jiaolong Xu, José L. Gómez, David Vázquez, Germán Ros)....Pages 243-258
Generalizing Semantic Part Detectors Across Domains (David Novotny, Diane Larlus, Andrea Vedaldi)....Pages 259-273
Front Matter ....Pages 275-275
A Multisource Domain Generalization Approach to Visual Attribute Detection (Chuang Gan, Tianbao Yang, Boqing Gong)....Pages 277-289
Unifying Multi-domain Multitask Learning: Tensor and Neural Network Perspectives (Yongxin Yang, Timothy M. Hospedales)....Pages 291-309
Back Matter ....Pages 311-344
