ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Tensor voting - A perceptual organization approach to computer vision and machine learning

دانلود کتاب رای دادن به تنسور - رویکرد سازمانی ادراکی برای دید رایانه و یادگیری ماشین

Tensor voting - A perceptual organization approach to computer vision and machine learning

مشخصات کتاب

Tensor voting - A perceptual organization approach to computer vision and machine learning

دسته بندی: آموزشی
ویرایش: 1 
نویسندگان:   
سری: Synthesis Lectures on Image, Video, and Multimedia Processing 
ISBN (شابک) : 9781598291001, 1598291009 
ناشر: Morgan and Claypool Publishers 
سال نشر: 2006 
تعداد صفحات: 136 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت

قیمت کتاب (تومان) : 56,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 18


در صورت تبدیل فایل کتاب Tensor voting - A perceptual organization approach to computer vision and machine learning 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 رای دادن به تنسور - رویکرد سازمانی ادراکی برای دید رایانه و یادگیری ماشین 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 رای دادن به تنسور - رویکرد سازمانی ادراکی برای دید رایانه و یادگیری ماشین

این سخنرانی تحقیقاتی را در مورد یک چارچوب کلی برای سازماندهی ادراکی ارائه می دهد که عمدتاً در مؤسسه رباتیک و سیستم های هوشمند دانشگاه کالیفرنیای جنوبی انجام شده است. این به عنوان یک بازگویی تاریخی از اثر نوشته نشده است، زیرا ترتیب ارائه به ترتیب زمانی نیست. هدف آن ارائه رویکردی به طیف وسیعی از مشکلات در بینایی کامپیوتر و یادگیری ماشین است که مبتنی بر داده، محلی است و به حداقل تعداد مفروضات نیاز دارد. چارچوب رأی دهی تانسور این ویژگی ها را ترکیب می کند و یک روش سازمان ادراکی یکپارچه را ارائه می دهد که در موقعیت هایی که ممکن است در ابتدا ناهمگن به نظر برسند قابل استفاده است. ما نشان می‌دهیم که چگونه می‌توان چندین مشکل را به عنوان سازماندهی ورودی‌ها در ساختارهای ادراکی برجسته مطرح کرد، که از طریق رای گیری تانسور استنباط می‌شوند. کار ارائه شده در اینجا چارچوب رای گیری تانسور اصلی را با افزودن قابلیت های استنتاج مرزی گسترش می دهد. یک فرمول جدید جدید از چارچوب قابل استفاده برای فضاهای با ابعاد بالا و توسعه الگوریتم هایی برای مشکلات بینایی کامپیوتر و یادگیری ماشین. ما تجزیه و تحلیل کاملی را برای برخی از مشکلات نشان می‌دهیم، در حالی که به طور خلاصه رویکرد خود را برای سایر برنامه‌ها بیان می‌کنیم و به منابع مربوطه اشاره می‌کنیم.


توضیحاتی درمورد کتاب به خارجی

This lecture presents research on a general framework for perceptual organization that was conducted mainly at the Institute for Robotics and Intelligent Systems of the University of Southern California. It is not written as a historical recount of the work, since the sequence of the presentation is not in chronological order. It aims at presenting an approach to a wide range of problems in computer vision and machine learning that is data-driven, local and requires a minimal number of assumptions. The tensor voting framework combines these properties and provides a unified perceptual organization methodology applicable in situations that may seem heterogeneous initially. We show how several problems can be posed as the organization of the inputs into salient perceptual structures, which are inferred via tensor voting. The work presented here extends the original tensor voting framework with the addition of boundary inference capabilities; a novel re-formulation of the framework applicable to high-dimensional spaces and the development of algorithms for computer vision and machine learning problems. We show complete analysis for some problems, while we briefly outline our approach for other applications and provide pointers to relevant sources.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی