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: Sven Behnke
سری:
ISBN (شابک) : 3540407227
ناشر: Springer
سال نشر: 2008
تعداد صفحات: 234
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Hierarchical Neural Networks for Image Interpretation 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 شبکه های عصبی سلسله مراتبی برای تفسیر تصویر 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.
عملکرد انسان در ادراک بصری بسیار بیشتر از عملکرد سیستم های بینایی کامپیوتری معاصر است. در حالی که انسانها میتوانند محیط خود را تقریباً فوراً و به طور قابل اعتماد تحت طیف گستردهای از شرایط درک کنند، سیستمهای بینایی رایانهای فقط در شرایط کنترلشده در حوزههای محدود به خوبی کار میکنند.
این کتاب تلاش میکند تا استحکام و سرعت را بازتولید کند. ادراک انسانی با پیشنهاد یک معماری شبکه عصبی سلسله مراتبی برای تفسیر تصویر تکراری معماری پیشنهادی را می توان با استفاده از تکنیک های یادگیری بدون نظارت و نظارت آموزش داد.
کاربردهای معماری پیشنهادی با استفاده از شبکه های کوچک نشان داده شده است. علاوه بر این، چندین شبکه بزرگتر برای انجام وظایف بینایی کامپیوتری مختلف آموزش دیدند.
Human performance in visual perception by far exceeds the performance of contemporary computer vision systems. While humans are able to perceive their environment almost instantly and reliably under a wide range of conditions, computer vision systems work well only under controlled conditions in limited domains.
This book sets out to reproduce the robustness and speed of human perception by proposing a hierarchical neural network architecture for iterative image interpretation. The proposed architecture can be trained using unsupervised and supervised learning techniques.
Applications of the proposed architecture are illustrated using small networks. Furthermore, several larger networks were trained to perform various nontrivial computer vision tasks.
Front Matter....Pages -
Introduction....Pages 1-13
Front Matter....Pages 15-15
Neurobiological Background....Pages 17-33
Related Work....Pages 35-63
Neural Abstraction Pyramid Architecture....Pages 65-94
Unsupervised Learning....Pages 95-110
Supervised Learning....Pages 111-126
Front Matter....Pages 127-127
Recognition of Meter Values....Pages 129-147
Binarization of Matrix Codes....Pages 149-165
Learning Iterative Image Reconstruction....Pages 167-190
Face Localization....Pages 191-202
Summary and Conclusions....Pages 203-207
Back Matter....Pages -