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: Antonio Torralba, Phillip Isola, William T. Freeman, , Phillip Isola, William T. Freeman سری: ISBN (شابک) : 9780262378666, 9780262048972 ناشر: MIT Press سال نشر: 2024 تعداد صفحات: 240 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 79 Mb
در صورت تبدیل فایل کتاب Foundations of Computer Vision 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 مبانی بینایی کامپیوتر 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.
Cover Contents Preface Notation 1: The Challenge of Vision I: FOUNDATIONS 2: A Simple Vision System 3: Looking at Images 4: Computer Vision and Society II: IMAGE FORMATION 5: Imaging 6: Lenses 7: Cameras as Linear Systems 8: Color III: FOUNDATIONS OF LEARNING 9: Introduction to Learning 10: Gradient-Based Learning Algorithms 11: The Problem of Generalization 12: Neural Networks 13: Neural Networks as Distribution Transformers 14: Backpropagation IV: FOUNDATIONS OF IMAGE PROCESSING 15: Linear Image Filtering 16: Fourier Analysis V: LINEAR FILTERS 17: Blur Filters 18: Image Derivatives 19: Temporal Filters VI: SAMPLING AND MULTISCALE IMAGE REPRESENTATIONS 20: Image Sampling and Aliasing 21: Downsampling and Upsampling Images 22: Filter Banks 23: Image Pyramids VII: NEURAL ARCHITECTURES FOR VISION 24: Convolutional Neural Nets 25: Recurrent Neural Nets 26: Transformers VIII: PROBABILISTIC MODELS OF IMAGES 27: Statistical Image Models 28: Textures 29: Probabilistic Graphical Models IX: GENERATIVE IMAGE MODELS AND REPRESENTATION LEARNING 30: Representation Learning 31: Perceptual Grouping 32: Generative Models 33: Generative Modeling Meets Representation Learning 34: Conditional Generative Models X: CHALLENGES IN LEARNING-BASED VISION 35: Data Bias and Shift 36: Training for Robustness and Generality 37: Transfer Learning and Adaptation XI: UNDERSTANDING GEOMETRY 38: Representing Images and Geometry 39: Camera Modeling and Calibration 40: Stereo Vision 41: Homographies 42: Single View Metrology 43: Learning to Estimate Depth from a Single Image 44: Multiview Geometry and Structure from Motion 45: Radiance Fields XII: UNDERSTANDING MOTION 46: Motion Estimation 47: 3D Motion and Its 2D Projection 48: Optical Flow Estimation 49: Learning to Estimate Motion XIII: UNDERSTANDING VISION WITH LANGUAGE 50: Object Recognition 51: Vision and Language XIV: ON RESEARCH, WRITING AND SPEAKING 52: How to Do Research 53: How to Write Papers 54: How to Give Talks XV: CLOSING REMARKS 55: A Simple Vision System—Revisited Bibliography Index