مشخصات کتاب

Handbook of robust low-rank and sparse matrix decomposition: applications in image and video processing

ویرایش:  
نویسندگان: Aybat. Necdet Serhat,  Bouwmans. Thierry,  Zahzah. El-hadi  
سری:  
ISBN (شابک) : 9781498724630, 1498724639 
ناشر:  
سال نشر: 2016 
تعداد صفحات: 552 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت 

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

کلمات کلیدی مربوط به کتاب راهنمای تجزیه قوی ماتریس با درجه پایین و پراکنده: برنامه های کاربردی در پردازش تصویر و ویدئو: روش های تحلیل ماتریسی.، پردازش تصویر، مدل های ریاضی.، بینایی کامپیوتری، مدل های ریاضی.، فناوری و مهندسی / مکانیک.

در صورت تبدیل فایل کتاب Handbook of robust low-rank and sparse matrix decomposition: applications in image and video processing 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 راهنمای تجزیه قوی ماتریس با درجه پایین و پراکنده: برنامه های کاربردی در پردازش تصویر و ویدئو 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 راهنمای تجزیه قوی ماتریس با درجه پایین و پراکنده: برنامه های کاربردی در پردازش تصویر و ویدئو

راهنمای تجزیه ماتریس کم رتبه و پراکنده قوی: کاربردها در پردازش تصویر و ویدئو به شما نشان می‌دهد که چگونه یادگیری و ردیابی زیرفضای قوی با تجزیه به ماتریس‌های با رتبه پایین و پراکنده، چارچوب مناسبی را برای برنامه‌های بینایی رایانه فراهم می‌کند. این کتاب با ترکیب ایده‌های موجود و جدید، به راحتی به تعدادی از تجزیه، الگوریتم‌ها، پیاده‌سازی‌ها و تکنیک‌های محک‌گذاری، دسترسی یک مرحله‌ای به شما می‌دهد. این کتاب که به پنج بخش تقسیم شده است، با مقدمه ای کلی بر تجزیه و تحلیل مؤلفه های اصلی قوی (PCA) از طریق تجزیه به ماتریس های با رتبه پایین و پراکنده آغاز می شود. بخش دوم به مشکلات فاکتورسازی/تکمیل ماتریس قوی می‌پردازد در حالی که بخش سوم بر تخمین، یادگیری و ردیابی زیرفضای آنلاین قوی متمرکز است. بخش چهارم با پوشش برنامه های کاربردی در پردازش تصویر و ویدئو، تجزیه و تحلیل تصویر، حذف نویز تصویر، تشخیص برجسته بودن حرکت، کدگذاری ویدئو، استخراج فریم کلید، و پردازش ویدئوی ابرطیفی را مورد بحث قرار می دهد. بخش آخر منابع و برنامه‌های کاربردی را در جداسازی پس‌زمینه/پیش‌زمینه برای نظارت تصویری ارائه می‌کند. با مشارکت تیم‌های پیشرو در سراسر جهان، این کتابچه راهنمای کاملی از مفاهیم، ​​نظریه‌ها، الگوریتم‌ها و کاربردهای مرتبط با تجزیه ماتریس‌های کم رتبه و پراکنده قوی ارائه می‌کند. این برای محققان، توسعه دهندگان و دانشجویان فارغ التحصیل در بینایی کامپیوتر، پردازش تصویر و ویدئو، معماری بلادرنگ، یادگیری ماشین و داده کاوی طراحی شده است.

توضیحاتی درمورد کتاب به خارجی

Handbook of Robust Low-Rank and Sparse Matrix Decomposition: Applications in Image and Video Processing shows you how robust subspace learning and tracking by decomposition into low-rank and sparse matrices provide a suitable framework for computer vision applications. Incorporating both existing and new ideas, the book conveniently gives you one-stop access to a number of different decompositions, algorithms, implementations, and benchmarking techniques. Divided into five parts, the book begins with an overall introduction to robust principal component analysis (PCA) via decomposition into low-rank and sparse matrices. The second part addresses robust matrix factorization/completion problems while the third part focuses on robust online subspace estimation, learning, and tracking. Covering applications in image and video processing, the fourth part discusses image analysis, image denoising, motion saliency detection, video coding, key frame extraction, and hyperspectral video processing. The final part presents resources and applications in background/foreground separation for video surveillance. With contributions from leading teams around the world, this handbook provides a complete overview of the concepts, theories, algorithms, and applications related to robust low-rank and sparse matrix decompositions. It is designed for researchers, developers, and graduate students in computer vision, image and video processing, real-time architecture, machine learning, and data mining.

فهرست مطالب

Content: Robust Principal Component Analysis Robust Principal Component Analysis via Decomposition into Low-Rank and Sparse Matrices: An Overview  Thierry Bouwmans and El-Hadi Zahzah Algorithms for Stable PCA  Necdet Serhat Aybat  Dual Smoothing and Value Function Techniques for Variational Matrix Decomposition  Aleksandr Aravkin and Stephen Becker  Robust Principal Component Analysis Based on Low-Rank and Block-Sparse Matrix Decomposition  Qiuwei Li, Gongguo Tang, and Arye Nehorai Robust PCA by Controlling Sparsity in Model Residuals  Gonzalo Mateos and Georgios B. Giannakis         Robust Matrix Factorization Unifying Nuclear Norm and Bilinear Factorization Methods  Ricardo Cabral, Fernando De la Torre, Joao Paulo Costeira, and Alexandre Bernardino  Robust Nonnegative Matrix Factorization under Separability Assumption Abhishek Kumar and Vikas Sindhwani  Robust Matrix Completion through Nonconvex Approaches and Efficient Algorithms  Yuning Yang, Yunlong Feng, and J.A.K. Suykens  Factorized Robust Matrix Completion  Hassan Mansour, Dong Tian, and Anthony Vetro         Robust Subspace Learning and Tracking Online (Recursive) Robust Principal Components Analysis  Namrata Vaswani, Chenlu Qiu, Brian Lois, and Jinchun Zhan  Incremental Methods for Robust Local Subspace Estimation  Paul Rodriguez and Brendt Wohlberg  Robust Orthonormal Subspace Learning (ROSL) for Efficient Low-Rank Recovery  Xianbiao Shu, Fatih Porikli, and Narendra Ahuja  A Unified View of Nonconvex Heuristic Approach for Low-Rank and Sparse Structure Learning  Yue Deng, Feng Bao, and Qionghai Dai         Applications in Image and Video Processing A Variational Approach for Sparse Component Estimation and Low-Rank Matrix Recovery  Zhaofu Chen, Rafael Molina, and Aggelos K. Katsaggelos Recovering Low-Rank and Sparse Matrices with Missing and Grossly Corrupted Observations  Fanhua Shang, Yuanyuan Liu, James Cheng, and Hong Cheng  Applications of Low-Rank and Sparse Matrix Decompositions in Hyperspectral Video Processing  Jen-Mei Chang and Torin Gerhart  Low Rank plus Sparse Spatiotemporal MRI: Acceleration, Background Suppression, and Motion Learning  Ricardo Otazo, Emmanuel Candes, and Daniel K. Sodickson         Applications in Background/Foreground Separation for Video Surveillance LRSLibrary: Low-Rank and Sparse Tools for Background Modeling and Subtraction in Videos Andrews Sobral, Thierry Bouwmans, and El-hadi Zahzah  Dynamic Mode Decomposition for Robust PCA with Applications to Foreground/Background Subtraction in Video Streams and Multi-Resolution Analysis  Jake Nathan Kutz, Xing Fu, Steven L. Brunton, and Jacob Grosek  Stochastic RPCA for Background/Foreground Separation  Sajid Javed, Seon Ho Oh, Thierry Bouwmans, and Soon Ki Jung  Bayesian Sparse Estimation for Background/Foreground Separation Shinichi Nakajima, Masashi Sugiyama, and S. Derin Babacan         Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Louis D. Brandeis: American Prophet

دانلود کتاب Gerke Börsen Lexikon

دانلود کتاب Microeconomics: A Modern Treatment

دانلود کتاب Encountering the Old Testament: A Christian Survey

دانلود کتاب The action of selenious acid on alxyl ethers of phenols and the mechanism of the catalysed racemisation of α-phenylethyl bromide