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: Christoph H. Lampert
سری:
ISBN (شابک) : 9781601982681, 1601982682
ناشر: Now Publishers Inc
سال نشر: 2009
تعداد صفحات: 101
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Kernel Methods in Computer Vision (Foundations and Trends in Computer Graphics and 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 روشهای هسته در بینایی کامپیوتر (مبانی و گرایشها در گرافیک کامپیوتری و بینایی) 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.
پیشرفتهای کمی بیش از معرفی تکنیکهای یادگیری ماشین آماری بر حوزه بینایی رایانه در دهه گذشته تأثیر گذاشته است. بهویژه طبقهبندیکنندههای مبتنی بر هسته، مانند ماشین بردار پشتیبان، به ابزارهای ضروری تبدیل شدهاند و یک چارچوب یکپارچه برای حل طیف گستردهای از وظایف پیشبینی مرتبط با تصویر، از جمله تشخیص چهره، تشخیص اشیا، و طبقهبندی کنش ارائه میدهند. با تأکید بر شهود هندسی که تمام روشهای هسته بر آن تکیه میکنند، روشهای هسته در بینایی رایانه مقدمهای بر تکنیکهای یادگیری ماشین مبتنی بر هسته ارائه میدهد که برای مخاطبان گستردهای از جمله دانشآموزان، محققان و پزشکان به طور یکسان قابل دسترسی است، بدون اینکه صحت ریاضی را قربانی کند. این نه تنها ماشینهای بردار را پشتیبانی میکند، بلکه تکنیکهای کمتر شناختهشده برای رگرسیون مبتنی بر هسته، تشخیص پرت، خوشهبندی و کاهش ابعاد را نیز پوشش میدهد. بهعلاوه، چشماندازی از پیشرفتهای اخیر در روشهای هسته ارائه میکند که هنوز وارد کتابهای درسی معمولی نشدهاند: پیشبینی ساختاریافته، تخمین وابستگی، و یادگیری تابع هسته. هر موضوع با نمونههایی از کاربردهای موفق در ادبیات بینایی کامپیوتر نشان داده شده است، و روشهای هسته در بینایی کامپیوتر را به راهنمای مفیدی تبدیل میکند نه تنها برای کسانی که میخواهند اصول کار روشهای هسته را درک کنند، بلکه برای کسانی که میخواهند آنها را در زندگی واقعی به کار ببرند. چالش ها و مسائل.
Few developments have influenced the field of computer vision in the last decade more than the introduction of statistical machine learning techniques. Particularly kernel-based classifiers, such as the support vector machine, have become indispensable tools, providing a unified framework for solving a wide range of image-related prediction tasks, including face recognition, object detection, and action classification. By emphasizing the geometric intuition that all kernel methods rely on, Kernel Methods in Computer Vision provides an introduction to kernel-based machine learning techniques accessible to a wide audience including students, researchers, and practitioners alike, without sacrificing mathematical correctness. It covers not only support vector machines but also less known techniques for kernel-based regression, outlier detection, clustering, and dimensionality reduction. Additionally, it offers an outlook on recent developments in kernel methods that have not yet made it into the regular textbooks: structured prediction, dependency estimation, and learning of the kernel function. Each topic is illustrated with examples of successful application in the computer vision literature, making Kernel Methods in Computer Vision a useful guide not only for those wanting to understand the working principles of kernel methods, but also for anyone wanting to apply them to real-life problems.