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: Carsten Last
سری:
ISBN (شابک) : 3319535072
ناشر: Springer
سال نشر: 2017
تعداد صفحات: 266
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب From Global to Local Statistical Shape Priors: Novel Methods to Obtain Accurate Reconstruction Results with a Limited Amount of Training Shapes 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 از پیشینیان شکل آماری جهانی به محلی: روشهای جدید برای به دست آوردن نتایج بازسازی دقیق با تعداد محدودی از شکلهای آموزشی 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 کتاب رویکرد جدیدی را برای رسیدگی به مشکل دادههای آموزشی محدود پیشنهاد میکند. رویکردهای رایج برای مقابله با این مشکل، مدلسازی تغییر شکل بهطور مستقل در بخشهای از پیش تعریفشده یا اجازه دادن به تغییرات شکل مصنوعی است که نمیتوانند از طریق دادههای آموزشی توضیح داده شوند، که هر دو دارای اشکالاتی هستند. رویکرد ارائهشده از یک شکل محلی قبل در هر عنصر از حوزه داده زیربنایی استفاده میکند و همه اولویتهای شکل محلی را از طریق محدودیتهای همواری جفت میکند. این کتاب برای جاسازی این فرمول قبلی شکل جدید در چارچوب تقسیم بندی تصویر متغیر شناخته شده، یک پایه ریاضی صحیح را فراهم می کند. رویکرد تقسیمبندی جدید بهدستآمده امکان بازسازی دقیق حتی کلاسهای شی پیچیده را با تنها چند شکل آموزشی در دست میدهد.
This book proposes a new approach to handle the problem of limited training data. Common approaches to cope with this problem are to model the shape variability independently across predefined segments or to allow artificial shape variations that cannot be explained through the training data, both of which have their drawbacks. The approach presented uses a local shape prior in each element of the underlying data domain and couples all local shape priors via smoothness constraints. The book provides a sound mathematical foundation in order to embed this new shape prior formulation into the well-known variational image segmentation framework. The new segmentation approach so obtained allows accurate reconstruction of even complex object classes with only a few training shapes at hand.