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: [1 ed.] نویسندگان: Long Xu, Weisi Lin, C.-C. Jay Kuo (auth.) سری: SpringerBriefs in Electrical and Computer Engineering ISBN (شابک) : 9789812874672, 9789812874689 ناشر: Springer-Verlag Singapur سال نشر: 2015 تعداد صفحات: 132 [142] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Visual Quality Assessment by 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 ارزیابی کیفیت بصری توسط یادگیری ماشینی 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.
این کتاب شامل ارزیابی کیفیت بصری پیشرفته (VQA) و ارزیابی کیفیت بصری مبتنی بر یادگیری (LB-VQA) با ارائه یک نمای کلی از روشهای مربوطه موجود است. این دانش پایه، مرور سیستماتیک و توسعه جدید VQA را به خوانندگان ارائه می دهد. همچنین شامل دانش اولیه یادگیری ماشین (ML) تا وظایف VQA و تکنیکهای جدید توسعهیافته ML برای این منظور میشود. از این رو، اولا، ورود به حوزه VQA به طور کلی و LB-VQA به طور خاص برای خوانندگان مبتدی (از جمله دانشجویان پژوهشی) بسیار مفید است. ثانیاً، پیشرفت های جدید در VQA و LB-VQA به ویژه در این کتاب به تفصیل آمده است که به محققان و مهندسان همتا بینش جدیدی در VQA می دهد.
The book encompasses the state-of-the-art visual quality assessment (VQA) and learning based visual quality assessment (LB-VQA) by providing a comprehensive overview of the existing relevant methods. It delivers the readers the basic knowledge, systematic overview and new development of VQA. It also encompasses the preliminary knowledge of Machine Learning (ML) to VQA tasks and newly developed ML techniques for the purpose. Hence, firstly, it is particularly helpful to the beginner-readers (including research students) to enter into VQA field in general and LB-VQA one in particular. Secondly, new development in VQA and LB-VQA particularly are detailed in this book, which will give peer researchers and engineers new insights in VQA.