Handbook of robust low-rank and sparse matrix decomposition: applications in image and video processing

دانلود کتاب Handbook of robust low-rank and sparse matrix decomposition: applications in image and video processing

41000 تومان موجود

کتاب راهنمای تجزیه ماتریس کم رتبه و پراکنده قوی: کاربردها در پردازش تصویر و ویدئو نسخه زبان اصلی

دانلود کتاب راهنمای تجزیه ماتریس کم رتبه و پراکنده قوی: کاربردها در پردازش تصویر و ویدئو بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید


در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

این کتاب نسخه اصلی می باشد و به زبان فارسی نیست.


امتیاز شما به این کتاب (حداقل 1 و حداکثر 5):

امتیاز کاربران به این کتاب:        تعداد رای دهنده ها: 4


توضیحاتی در مورد کتاب Handbook of robust low-rank and sparse matrix decomposition: applications in image and video processing

نام کتاب : Handbook of robust low-rank and sparse matrix decomposition: applications in image and video processing
عنوان ترجمه شده به فارسی : راهنمای تجزیه ماتریس کم رتبه و پراکنده قوی: کاربردها در پردازش تصویر و ویدئو
سری :
نویسندگان : , ,
ناشر :
سال نشر : 2016
تعداد صفحات : 552
ISBN (شابک) : 9781498724630 , 1498724639
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 14 مگابایت



بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.

توضیحاتی در مورد کتاب :


راهنمای تجزیه ماتریس کم رتبه و پراکنده قوی: کاربردها در پردازش تصویر و ویدئو به شما نشان می‌دهد که چگونه یادگیری و ردیابی زیرفضای قوی با تجزیه به ماتریس‌های با رتبه پایین و پراکنده، چارچوب مناسبی را برای برنامه‌های بینایی رایانه فراهم می‌کند. این کتاب با ترکیب ایده‌های موجود و جدید، به راحتی به تعدادی از تجزیه، الگوریتم‌ها، پیاده‌سازی‌ها و تکنیک‌های محک‌گذاری، دسترسی یک مرحله‌ای به شما می‌دهد. این کتاب که به پنج بخش تقسیم شده است، با مقدمه ای کلی بر تجزیه و تحلیل مؤلفه های اصلی قوی (PCA) از طریق تجزیه به ماتریس های با رتبه پایین و پراکنده آغاز می شود. بخش دوم به مشکلات فاکتورسازی/تکمیل ماتریس قوی می‌پردازد در حالی که بخش سوم بر تخمین، یادگیری و ردیابی زیرفضای آنلاین قوی متمرکز است. بخش چهارم با پوشش برنامه های کاربردی در پردازش تصویر و ویدئو، تجزیه و تحلیل تصویر، حذف نویز تصویر، تشخیص برجسته بودن حرکت، کدگذاری ویدئو، استخراج فریم کلید، و پردازش ویدئوی ابرطیفی را مورد بحث قرار می دهد. بخش آخر منابع و برنامه‌های کاربردی را در جداسازی پس‌زمینه/پیش‌زمینه برای نظارت تصویری ارائه می‌کند. با مشارکت تیم‌های پیشرو در سراسر جهان، این کتابچه راهنمای کاملی از مفاهیم، ​​نظریه‌ها، الگوریتم‌ها و کاربردهای مرتبط با تجزیه ماتریس‌های کم رتبه و پراکنده قوی ارائه می‌کند. این برای محققان، توسعه دهندگان و دانشجویان فارغ التحصیل در بینایی کامپیوتر، پردازش تصویر و ویدئو، معماری بلادرنگ، یادگیری ماشین و داده کاوی طراحی شده است.

فهرست مطالب :


Content: Robust Principal Component Analysis Robust Principal Component Analysis via Decomposition into Low-Rank and Sparse Matrices: An Overview Thierry Bouwmans and El-Hadi Zahzah Algorithms for Stable PCA Necdet Serhat Aybat Dual Smoothing and Value Function Techniques for Variational Matrix Decomposition Aleksandr Aravkin and Stephen Becker Robust Principal Component Analysis Based on Low-Rank and Block-Sparse Matrix Decomposition Qiuwei Li, Gongguo Tang, and Arye Nehorai Robust PCA by Controlling Sparsity in Model Residuals Gonzalo Mateos and Georgios B. Giannakis Robust Matrix Factorization Unifying Nuclear Norm and Bilinear Factorization Methods Ricardo Cabral, Fernando De la Torre, Joao Paulo Costeira, and Alexandre Bernardino Robust Nonnegative Matrix Factorization under Separability Assumption Abhishek Kumar and Vikas Sindhwani Robust Matrix Completion through Nonconvex Approaches and Efficient Algorithms Yuning Yang, Yunlong Feng, and J.A.K. Suykens Factorized Robust Matrix Completion Hassan Mansour, Dong Tian, and Anthony Vetro Robust Subspace Learning and Tracking Online (Recursive) Robust Principal Components Analysis Namrata Vaswani, Chenlu Qiu, Brian Lois, and Jinchun Zhan Incremental Methods for Robust Local Subspace Estimation Paul Rodriguez and Brendt Wohlberg Robust Orthonormal Subspace Learning (ROSL) for Efficient Low-Rank Recovery Xianbiao Shu, Fatih Porikli, and Narendra Ahuja A Unified View of Nonconvex Heuristic Approach for Low-Rank and Sparse Structure Learning Yue Deng, Feng Bao, and Qionghai Dai Applications in Image and Video Processing A Variational Approach for Sparse Component Estimation and Low-Rank Matrix Recovery Zhaofu Chen, Rafael Molina, and Aggelos K. Katsaggelos Recovering Low-Rank and Sparse Matrices with Missing and Grossly Corrupted Observations Fanhua Shang, Yuanyuan Liu, James Cheng, and Hong Cheng Applications of Low-Rank and Sparse Matrix Decompositions in Hyperspectral Video Processing Jen-Mei Chang and Torin Gerhart Low Rank plus Sparse Spatiotemporal MRI: Acceleration, Background Suppression, and Motion Learning Ricardo Otazo, Emmanuel Candes, and Daniel K. Sodickson Applications in Background/Foreground Separation for Video Surveillance LRSLibrary: Low-Rank and Sparse Tools for Background Modeling and Subtraction in Videos Andrews Sobral, Thierry Bouwmans, and El-hadi Zahzah Dynamic Mode Decomposition for Robust PCA with Applications to Foreground/Background Subtraction in Video Streams and Multi-Resolution Analysis Jake Nathan Kutz, Xing Fu, Steven L. Brunton, and Jacob Grosek Stochastic RPCA for Background/Foreground Separation Sajid Javed, Seon Ho Oh, Thierry Bouwmans, and Soon Ki Jung Bayesian Sparse Estimation for Background/Foreground Separation Shinichi Nakajima, Masashi Sugiyama, and S. Derin Babacan Index

توضیحاتی در مورد کتاب به زبان اصلی :


Handbook of Robust Low-Rank and Sparse Matrix Decomposition: Applications in Image and Video Processing shows you how robust subspace learning and tracking by decomposition into low-rank and sparse matrices provide a suitable framework for computer vision applications. Incorporating both existing and new ideas, the book conveniently gives you one-stop access to a number of different decompositions, algorithms, implementations, and benchmarking techniques. Divided into five parts, the book begins with an overall introduction to robust principal component analysis (PCA) via decomposition into low-rank and sparse matrices. The second part addresses robust matrix factorization/completion problems while the third part focuses on robust online subspace estimation, learning, and tracking. Covering applications in image and video processing, the fourth part discusses image analysis, image denoising, motion saliency detection, video coding, key frame extraction, and hyperspectral video processing. The final part presents resources and applications in background/foreground separation for video surveillance. With contributions from leading teams around the world, this handbook provides a complete overview of the concepts, theories, algorithms, and applications related to robust low-rank and sparse matrix decompositions. It is designed for researchers, developers, and graduate students in computer vision, image and video processing, real-time architecture, machine learning, and data mining.



پست ها تصادفی