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
دسته بندی: الگوریتم ها و ساختارهای داده ها: شناخت الگو ویرایش: 2015 نویسندگان: Hong Cheng سری: Advances in Computer Vision and Pattern Recognition ISBN (شابک) : 1447167139, 9781447167143 ناشر: Springer-Verlag London سال نشر: 2015 تعداد صفحات: 259 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب نمایش پراکنده ، مدل سازی و یادگیری در شناخت بصری: نظریه ، الگوریتم ها و برنامه ها: تشخیص الگو، پردازش تصویر و بینایی کامپیوتری، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Sparse Representation, Modeling and Learning in Visual Recognition: Theory, Algorithms and Applications 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 نمایش پراکنده ، مدل سازی و یادگیری در شناخت بصری: نظریه ، الگوریتم ها و برنامه ها 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.
آخرین روندهای تحقیقاتی در سنجش فشرده، پوشش نمایش پراکنده، مدلسازی و یادگیری را شرح میدهد. کاربردهای سنجش در تشخیص بصری، از جمله تشابه ناشی از پراکندگی، و چارچوب های طبقه بندی مبتنی بر کدگذاری پراکنده را بررسی می کند. در مورد نظریه و الگوریتم های سنجش فشرده به تفصیل بحث می کند این متن/مرجع منحصربهفرد مروری جامع از وضعیت هنر در نمایشهای پراکنده، مدلسازی و یادگیری ارائه میکند. این کتاب هم مبانی نظری و هم جزئیات اجرای الگوریتم را بررسی میکند و کاربرد عملی تحقیقات حسگر فشرده در تشخیص بصری و بینایی رایانه را برجسته میکند. موضوعات و ویژگیها: رویکردهای بازیابی پراکنده، نمایش پراکنده قوی و کارآمد، و تشخیص بصری در مقیاس بزرگ را توصیف میکند. بازنمایی و یادگیری ویژگی، تشابه ناشی از پراکندگی، و نمایش پراکنده و طبقهبندیکنندههای مبتنی بر یادگیری را پوشش میدهد. در مورد تقریب ماتریس رتبه پایین، مدلهای گرافیکی در سنجش فشرده، طبقهبندی مبتنی بر نمایش مشارکتی، و یادگیری غیرخطی با ابعاد بالا بحث میکند. شامل ضمیمه هایی است که منابع اضافی برنامه نویسی رایانه را تشریح می کند و ریاضیات ضروری مورد نیاز برای درک کتاب را توضیح می دهد. موضوعات الگو شناسی پردازش تصویر و بینایی کامپیوتری هوش مصنوعی (شامل رباتیک)
Describes the latest research trends in compressed sensing, covering sparse representation, modeling and learning Examines sensing applications in visual recognition, including sparsity induced similarity, and sparse coding-based classifying frameworks Discusses in detail the theory and algorithms of compressed sensing This unique text/reference presents a comprehensive review of the state of the art in sparse representations, modeling and learning. The book examines both the theoretical foundations and details of algorithm implementation, highlighting the practical application of compressed sensing research in visual recognition and computer vision. Topics and features: describes sparse recovery approaches, robust and efficient sparse representation, and large-scale visual recognition; covers feature representation and learning, sparsity induced similarity, and sparse representation and learning-based classifiers; discusses low-rank matrix approximation, graphical models in compressed sensing, collaborative representation-based classification, and high-dimensional nonlinear learning; includes appendices outlining additional computer programming resources, and explaining the essential mathematics required to understand the book. Topics Pattern Recognition Image Processing and Computer Vision Artificial Intelligence (incl. Robotics)
Front Matter....Pages i-xiv
Front Matter....Pages 1-1
Introduction....Pages 3-19
The Fundamentals of Compressed Sensing....Pages 21-53
Front Matter....Pages 55-55
Sparse Recovery Approaches....Pages 57-90
Robust Sparse Representation, Modeling and Learning....Pages 91-115
Efficient Sparse Representation and Modeling....Pages 117-151
Front Matter....Pages 153-153
Feature Representation and Learning....Pages 155-181
Sparsity-Induced Similarity....Pages 183-200
Sparse Representation and Learning-Based Classifiers....Pages 201-211
Front Matter....Pages 213-213
Beyond Sparsity....Pages 215-235
Back Matter....Pages 237-257