دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Domain Adaptation in Computer Vision with Deep Learning
دانلود کتاب تطبیق دامنه در بینایی کامپیوتر با یادگیری عمیق
مشخصات کتاب
Domain Adaptation in Computer Vision with Deep Learning
ویرایش: نویسندگان: Hemanth Venkateswara, Sethuraman Panchanathan سری: ISBN (شابک) : 9783030455293, 0600000033 ناشر: Springer International Publishing سال نشر: 2020 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 34 Mb
قیمت کتاب (تومان) : 78,000
در صورت تبدیل فایل کتاب Domain Adaptation in Computer Vision with 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 تطبیق دامنه در بینایی کامپیوتر با 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.
توضیحاتی در مورد کتاب تطبیق دامنه در بینایی کامپیوتر با یادگیری عمیق
این کتاب بررسی رویکردهای یادگیری عمیق برای انطباق دامنه در بینایی رایانه را ارائه می دهد. این به خواننده یک نمای کلی از تحقیقات پیشرفته در انطباق دامنه مبتنی بر یادگیری عمیق می دهد. این کتاب همچنین رویکردهای مختلف برای سازگاری دامنه مبتنی بر یادگیری عمیق در سالهای اخیر را مورد بحث قرار میدهد. این اهمیت انطباق دامنه برای پیشرفت بینایی رایانه را تشریح میکند، تحقیقات در این منطقه را تثبیت میکند و جهتهای امیدوارکنندهای را برای تحقیقات آینده در انطباق دامنه در اختیار خواننده قرار میدهد. بخش اول این کتاب که به چهار بخش تقسیم شده است، با مقدمه ای بر انطباق دامنه آغاز می شود که بیان مسئله، نقش انطباق حوزه و انگیزه تحقیق در این زمینه را بیان می کند. این شامل فصلی است که تکنیک های انطباق دامنه قبل از یادگیری عمیق را بیان می کند. بخش دوم این کتاب رویکردهای مبتنی بر همترازی ویژگی برای انطباق دامنه را برجسته میکند. بخش سوم این کتاب به تشریح روش های هم ترازی تصویر برای تطبیق دامنه می پردازد. بخش پایانی این کتاب دستورالعملهای جدیدی را برای تحقیق در انطباق حوزه ارائه میکند. این کتاب محققانی را که در زمینه هوش مصنوعی، یادگیری ماشینی، یادگیری عمیق و بینایی کامپیوتر کار می کنند، هدف قرار می دهد. متخصصان صنعت و کارآفرینانی که به دنبال استفاده از یادگیری عمیق در برنامه های خود هستند نیز به این کتاب علاقه مند خواهند شد.
توضیحاتی درمورد کتاب به خارجی
This book provides a survey of deep learning approaches to domain adaptation in computer vision. It gives the reader an overview of the state-of-the-art research in deep learning based domain adaptation. This book also discusses the various approaches to deep learning based domain adaptation in recent years. It outlines the importance of domain adaptation for the advancement of computer vision, consolidates the research in the area and provides the reader with promising directions for future research in domain adaptation. Divided into four parts, the first part of this book begins with an introduction to domain adaptation, which outlines the problem statement, the role of domain adaptation and the motivation for research in this area. It includes a chapter outlining pre-deep learning era domain adaptation techniques. The second part of this book highlights feature alignment based approaches to domain adaptation. The third part of this book outlines image alignment procedures for domain adaptation. The final section of this book presents novel directions for research in domain adaptation. This book targets researchers working in artificial intelligence, machine learning, deep learning and computer vision. Industry professionals and entrepreneurs seeking to adopt deep learning into their applications will also be interested in this book.
فهرست مطالب
Front Matter ....Pages i-xi
Front Matter ....Pages 1-1
Introduction to Domain Adaptation (Hemanth Venkateswara, Sethuraman Panchanathan)....Pages 3-21
Shallow Domain Adaptation (Sanatan Sukhija, Narayanan Chatapuram Krishnan)....Pages 23-40
Front Matter ....Pages 41-41
d-SNE: Domain Adaptation Using Stochastic Neighborhood Embedding (Xiong Zhou, Xiang Xu, Ragav Venkatesan, Gurumurthy Swaminathan, Orchid Majumder)....Pages 43-56
Deep Hashing Network for Unsupervised Domain Adaptation (Raghavendran Ramakrishnan, Bhadrinath Nagabandi, Jose Eusebio, Shayok Chakraborty, Hemanth Venkateswara, Sethuraman Panchanathan)....Pages 57-74
Re-weighted Adversarial Adaptation Network for Unsupervised Domain Adaptation (Qingchao Chen, Yang Liu, Zhaowen Wang, Ian Wassell, Kevin Chetty)....Pages 75-94
Front Matter ....Pages 95-95
Unsupervised Domain Adaptation with Duplex Generative Adversarial Network (Lanqing Hu, Meina Kan, Shiguang Shan, Xilin Chen)....Pages 97-116
Domain Adaptation via Image to Image Translation (Zak Murez, Soheil Kolouri, David Kriegman, Ravi Ramamoorthi, Kyungnam Kim)....Pages 117-136
Domain Adaptation via Image Style Transfer (Amir Atapour-Abarghouei, Toby P. Breckon)....Pages 137-156
Front Matter ....Pages 157-157
Towards Scalable Image Classifier Learning with Noisy Labels via Domain Adaptation (Kuang-Huei Lee, Xiaodong He, Linjun Yang, Lei Zhang)....Pages 159-174
Adversarial Learning Approach for Open Set Domain Adaptation (Kuniaki Saito, Shohei Yamamoto, Yoshitaka Ushiku, Tatsuya Harada)....Pages 175-193
Universal Domain Adaptation (Kaichao You, Mingsheng Long, Zhangjie Cao, Jianmin Wang, Michael I. Jordan)....Pages 195-211
Multi-Source Domain Adaptation by Deep CockTail Networks (Ziliang Chen, Liang Lin)....Pages 213-233
Zero-Shot Task Transfer (Arghya Pal, Vineeth N. Balasubramanian)....Pages 235-256
