مشخصات کتاب

Probabilistic and Biologically Inspired Feature Representations

ویرایش:  
نویسندگان: Michael Felsberg,  Gerard Medioni (editor),  Sven Dickinson (editor)  
سری: Synthesis Lectures on Computer Vision 
ISBN (شابک) : 1681730235, 9781681730233 
ناشر: Morgan & Claypool 
سال نشر: 2018 
تعداد صفحات: 105 
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 Probabilistic and Biologically Inspired Feature Representations 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 بازنمایی ویژگی های احتمالی و الهام گرفته از بیولوژیک 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 بازنمایی ویژگی های احتمالی و الهام گرفته از بیولوژیک

این متن تحت عنوان \"بازنمایی ویژگی‌های احتمالی و الهام‌گرفته از بیولوژیک\" حجم قابل توجهی از کار را در مورد بازنمایی کانال جمع‌آوری می‌کند. نمایش کانال یک رویکرد موجک مانند با انگیزه بیولوژیکی برای توصیفگرهای ویژگی های بصری است: آنها محلی و فشرده هستند، یک چارچوب محاسباتی را تشکیل می دهند و اطلاعات ارائه شده را می توان بازسازی کرد. ویژگی اول با بسیاری از توصیفگرهای مبتنی بر هیستوگرام و امضا به اشتراک گذاشته شده است، ویژگی دوم با مفهوم مرتبط کدهای جمعیت. در ترکیب منحصربه‌فرد ویژگی‌ها، نمایش‌های کانال به یک چاقوی ارتش سوئیس بصری تبدیل می‌شوند. می‌توان از آنها برای بهبود تصویر، ردیابی اشیاء بصری، به‌عنوان توصیفگرهای دوبعدی و سه‌بعدی و برای تخمین پوز استفاده کرد. در فصول این متن، چارچوب نمایش کانال ها معرفی و ویژگی های آن توضیح داده می شود و همچنین بینش بیشتری در مورد مدل سازی احتمالی و اجرای الگوریتمی آن ارائه خواهد شد. نمایش‌های کانال یک جعبه ابزار مفید برای نمایش اطلاعات بصری برای یادگیری ماشین هستند، زیرا روشی کلی برای محاسبه توصیف‌گرهای محبوب مانند HOG، SIFT و SHOT ایجاد می‌کنند. حتی در عصر یادگیری عمیق، آنها سازش خوبی بین توصیفگرهای طراحی شده با دست و فضاهای ویژگی بدون ساختار قبلی که در لایه‌های شبکه‌های عمیق دیده می‌شوند، فراهم می‌کنند.

توضیحاتی درمورد کتاب به خارجی

Under the title "Probabilistic and Biologically Inspired Feature Representations," this text collects a substantial amount of work on the topic of channel representations. Channel representations are a biologically motivated, wavelet-like approach to visual feature descriptors: they are local and compact, they form a computational framework, and the represented information can be reconstructed. The first property is shared with many histogram- and signature-based descriptors, the latter property with the related concept of population codes. In their unique combination of properties, channel representations become a visual Swiss army knife—they can be used for image enhancement, visual object tracking, as 2D and 3D descriptors, and for pose estimation. In the chapters of this text, the framework of channel representations will be introduced and its attributes will be elaborated, as well as further insight into its probabilistic modeling and algorithmic implementation will be given. Channel representations are a useful toolbox to represent visual information for machine learning, as they establish a generic way to compute popular descriptors such as HOG, SIFT, and SHOT. Even in an age of deep learning, they provide a good compromise between hand-designed descriptors and a-priori structureless feature spaces as seen in the layers of deep networks.

فهرست مطالب

Preface
Acknowledgments
Introduction
	Feature Design
	Channel Representations: A Design Choice
Basics of Feature Design
	Statistical Properties
	Invariance and Equivariance
	Sparse Representations, Histograms, and Signatures
	Grid-Based Feature Representations
	Links to Biologically Inspired Models
Channel Coding of Features
	Channel Coding
	Enhanced Distribution Field Tracking
	Orientation Scores as Channel Representations
	Multi-Dimensional Coding
Channel-Coded Feature Maps
	Definition of Channel-Coded Feature Maps
	The HOG Descriptor as a CCFM
	The SIFT Descriptor as a CCFM
	The SHOT Descriptor as a CCFM
CCFM Decoding and Visualization
	Channel Decoding
	Decoding Based on Frame Theory
	Maximum Entropy Decoding
	Relation to Other De-featuring Methods
Probabilistic Interpretation of Channel Representations
	On the Distribution of Channel Values
	Comparing Channel Representations
	Comparing Using Divergences
	Uniformization and Copula Estimation
Conclusions
Bibliography
Author\'s Biography
Index
Blank Page

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Wirkungen von Salpeter- und Salpetrigsäureestern auf das Blut

دانلود کتاب When the State Meets the Street: Public Service and Moral Agency

دانلود کتاب Feminism's founding fathers: the men who fought for women's rights

دانلود کتاب Η ΕΛΛΑΔΑ ΣΤΗ ΜΙΚΡΑ ΑΣΙΑ

دانلود کتاب Theory of Isotropic/Orthotropic Elasticity