دانلود کتاب Computer Vision Metrics Survey, Taxonomy, and Analysis – بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل

توضیحات

Computer Vision Metrics provides an extensive survey and analysis of over 100 current and historical feature description and machine vision methods, with a detailed taxonomy for local, regional and global features. This book provides necessary background to develop intuition about why interest point detectors and feature descriptors actually work, how they are designed, with observations about tuning the methods for achieving robustness and invariance targets for specific applications
What youll learn
Interest point & descriptor concepts (interest points, corners, ridges, blobs, contours, edges, maxima), interest point tuning and culling, interest point methods (Laplacian, LOG, Moravic, Harris, Harris-Stephens, Shi-Tomasi, Hessian, difference of Gaussians, salient regions, MSER, SUSAN, FAST, FASTER, AGHAST, local curvature, morphological regions, and more), descriptor concepts (shape, sampling pattern, spectra, gradients, binary patterns, basis features), feature descriptor families.
Local binary descriptors (LBP, LTP, FREAK, ORB, BRISK, BRIEF, CENSUS, and more).
Gradient descriptors (SIFT, SIFT-PCA, SIFT-SIFER, SIFT-GLOH, Root SIFT, CensureE, STAR, HOG, PHOG, DAISY, O-DAISY, CARD, RFM, RIFF-CHOG, LGP, and more).
Shape descriptors (Image moments, area, perimeter, centroid, D-NETS, chain codes, Fourier descriptors, wavelets, and more) texture descriptors, structural and statistical (Harallick, SDM, extended SDM, edge metrics, Laws metrics, RILBP, and more).
3D descriptors for depth-based, volumetric, and activity recognition spatio-temporal data sets (3D HOG, HON 4D, 3D SIFT, LBP-TOP, VLBP, and more).
Basis space descriptors (Zernike moments, KL, SLANT, steerable filter basis sets, sparse coding, codebooks, descriptor vocabularies, and more), HAAR methods (SURF, USURF, MUSURF, GSURF, Viola Jones, and more), descriptor-based image reconstruction.
Distance functions (Euclidean, SAD, SSD, correlation, Hellinger, Manhattan, Chebyshev, EMD, Wasserstein, Mahalanobis, Bray-Curtis, Canberra, L0, Hamming, Jaccard), coordinate spaces, robustness and invariance criteria.
Image formation, includes CCD and CMOS sensors for 2D and 3D imaging, sensor processing topics, with a survey identifying over fourteen (14) 3D depth sensing methods, with emphasis on stereo, MVS, and structured light.
Image pre-processing methods, examples are provided targeting specific feature descriptor families (point, line and area methods, basis space methods), colorimetry (CIE, HSV, RGB, CAM02, gamut mapping, and more).
Ground truth data, some best-practices and examples are provided, with a survey of real and synthetic datasets.
Vision pipeline optimizations, mapping algorithms to compute resources (CPU, GPU, DSP, and more), hypothetical high-level vision pipeline examples (face recognition, object recognition, image classification, augmented reality), optimization alternatives with consideration for performance and power to make effective use of SIMD, VLIW, kernels, threads, parallel languages, memory, and more.
Synthetic interest point alphabet analysis against 10 common opencv detectors to develop intuition about how different classes of detectors actually work (SIFT, SURF, BRISK, FAST, HARRIS, GFFT, MSER, ORB, STAR, SIMPLEBLOB). Source code provided online.
Visual learning concepts, although not the focus of this book, a light introduction is provided to machine learning and statistical learning topics, such as convolutional networks, neural networks, classification and training, clustering and error minimization methods (SVM,s, kernel machines, KNN, RANSAC, HMM, GMM, LM, and more). Ample references are provided to dig deeper.
Who this book is for
Engineers, scientists, and academic researchers in areas including media processing, computational photography, video analytics, scene understanding, machine vision, face recognition, gesture recognition, pattern recognition and general object analysis.

————————————————————–

ترجمه ماشینی :

Computer Vision Metrics یک بررسی و تجزیه و تحلیل گسترده از بیش از 100 روش توصیف ویژگی های فعلی و تاریخی و روش بینایی ماشین را با یک طبقه بندی دقیق برای ویژگی های محلی، منطقه ای و جهانی ارائه می دهد. این کتاب زمینه لازم برای توسعه شهود در مورد اینکه چرا آشکارسازهای نقطه علاقه و توصیفگرهای ویژگی واقعاً کار می‌کنند، چگونه طراحی می‌شوند، با مشاهداتی در مورد تنظیم روش‌های دستیابی به اهداف استحکام و تغییرناپذیری برای کاربردهای خاص ارائه می‌کند
آنچه یاد خواهید گرفت
نقطه علاقه مفاهیم و توصیفگر (نقاط علاقه، گوشه ها، برآمدگی ها، حباب ها، خطوط، لبه ها، ماکزیمم)، تنظیم و حذف نقطه علاقه، روش های نقطه علاقه (لاپلاسی، LOG، موراویک، هریس، هریس-استفنس، شی توماسی، هسی، تفاوت گاوسی‌ها، مناطق برجسته، MSER، SUSAN، FAST، FASTER، AGHAST، انحنای محلی، مناطق ریخت‌شناسی و موارد دیگر)، مفاهیم توصیف‌گر (شکل، الگوی نمونه‌برداری، طیف، گرادیان، الگوهای باینری، ویژگی‌های پایه)، خانواده‌های توصیفگر ویژگی‌ها.
توصیفگرهای باینری محلی (LBP، LTP، FREAK، ORB، BRISK، BRIEF، CENSUS، و موارد دیگر).
توصیفگرهای گرادیان (SIFT، SIFT-PCA، SIFT-SIFER، SIFT-GLOH، Root SIFT، CensureE، STAR، HOG، PHOG، DAISY، O-DAISY، CARD، RFM، RIFF-CHOG، LGP، و موارد دیگر).
توصیف کننده های شکل (لمان های تصویر، مساحت، محیط، مرکز، D-NETS، کدهای زنجیره ای، توصیفگرهای فوریه، موجک ها) و غیره) توصیف‌کننده‌های بافت، ساختاری و آماری (Harallick، SDM، SDM توسعه‌یافته، معیارهای لبه، معیارهای قوانین، RILBP و موارد دیگر).
توصیف‌گرهای سه‌بعدی برای مجموعه‌های داده‌های مکانی-زمانی مبتنی بر عمق، حجمی و شناسایی فعالیت (3D HOG، HON 4D، 3D SIFT، LBP-TOP، VLBP، و موارد دیگر).
توصیف‌کننده‌های فضای پایه (لمان‌های Zernike، KL، SLANT، مجموعه‌های پایه فیلتر قابل هدایت، کدگذاری پراکنده، کتاب‌های کد، واژگان توصیف‌گر و موارد دیگر) ، روش های HAAR (SURF، USURF، MUSURF، GSURF، Viola Jones، و غیره)، بازسازی تصویر مبتنی بر توصیفگر.
توابع فاصله (اقلیدسی، SAD، SSD، همبستگی، Hellinger، Manhattan، Chebyshev، EMD، Wasserstein، Mahalanobis , Bray-Curtis, Canberra, L0, Hamming, Jaccard)، فضاهای مختصات، استحکام و معیارهای عدم تغییر.
تشکیل تصویر، شامل سنسورهای CCD و CMOS برای تصویربرداری دو بعدی و سه بعدی، موضوعات پردازش حسگر، با بررسی شناسایی بیش از چهارده ( 14) روش‌های سنجش عمق سه‌بعدی، با تأکید بر استریو، MVS، و نور ساختاریافته.
روش‌های پیش پردازش تصویر، نمونه‌هایی ارائه شده است که خانواده‌های توصیفگر ویژگی خاص (روش‌های نقطه، خط و ناحیه، روش‌های فضای پایه)، رنگ‌سنجی ( CIE، HSV، RGB، CAM02، نگاشت گستره، و موارد دیگر).
داده های حقیقت پایه، برخی از بهترین روش ها و مثال ها همراه با بررسی مجموعه داده های واقعی و مصنوعی ارائه شده است.
بهینه سازی خط لوله چشم انداز، الگوریتم های نقشه برداری به منابع محاسباتی (CPU، GPU، DSP، و موارد دیگر)، م

tag : دانلود کتاب بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل , Download بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل , دانلود بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل , Download Computer Vision Metrics Survey, Taxonomy, and Analysis Book , بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل دانلود , buy بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل , خرید کتاب بررسی معیارهای بینایی کامپیوتری، طبقه بندی و تجزیه و تحلیل , دانلود کتاب Computer Vision Metrics Survey, Taxonomy, and Analysis , کتاب Computer Vision Metrics Survey, Taxonomy, and Analysis , دانلود Computer Vision Metrics Survey, Taxonomy, and Analysis , خرید Computer Vision Metrics Survey, Taxonomy, and Analysis , خرید کتاب Computer Vision Metrics Survey, Taxonomy, and Analysis ,