L'analyse d'image nécessite souvent une réduction de dimension avant l'analyse statistique, afin d'appliquer des procédures sophistiquées. Motivés par des applications éventuelles, une variété de critères ont été proposés : erreur de reconstruction, séparation de classe, non-gaussianité par kurtose, parcimonie, information mutuelle, reconnaissance des objets, et leurs combinaisons. Bien que certains critères aient des solutions analytiques, les autres nécessitent des approches numériques. Nous présentons des outils géométriques pour trouver des projections linéaires qui optimisent un critère donné pour un ensemble de données donné. L'idée principale est de formuler un problème d'optimisation sur un collecteur Grassmann ou Stiefel, et d'utiliser la géométrie différentielle de l'espace sous-jacent pour construire des algorithmes d'optimisation. Des mises à jour purement déterministes conduisent à des solutions locales, et l'ajout de composants aléatoires permet des recherches de gradient stochastique qui mènent finalement à des solutions globales. Nous démontrons ces résultats à l'aide de plusieurs ensembles de données d'images, y compris des images naturelles et des images faciales. Ce livre devrait être utile pour les professionnels, les chercheurs et les étudiants diplômés dans le domaine de l'analyse d'image.
Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.
Vendeur : moluna, Greven, Allemagne
Kartoniert / Broschiert. Etat : New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Rubinshtein EvgeniaEvgenia Rubinshtein, Ph.D: Studied Statistics at Florida State nUniversity. Associate Professor at Vladivostok State University nof Economics and Service and at Far Eastern State Technical nUniversity, Vladivostok,. N° de réf. du vendeur 4960526
Quantité disponible : Plus de 20 disponibles
Vendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Taschenbuch. Etat : Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Image analysis often requires dimension reduction before statistical analysis, in order to apply sophisticated procedures. Motivated by eventual applications, a variety of criteria have been proposed: reconstruction error, class separation, non-Gaussianity using kurtosis, sparseness, mutual information, recognition of objects, and their combinations. Although some criteria have analytical solutions, the remaining ones require numerical approaches. We present geometric tools for finding linear projections that optimize a given criterion for a given data set. The main idea is to formulate a problem of optimization on a Grassmann or a Stiefel manifold, and to use differential geometry of the underlying space to construct optimization algorithms. Purely deterministic updates lead to local solutions, and addition of random components allows for stochastic gradient searches that eventually lead to global solutions. We demonstrate these results using several image datasets, including natural images and facial images. This book should be useful for professionals, researches and graduate students in Image Analysis field. N° de réf. du vendeur 9783639133998
Quantité disponible : 2 disponible(s)
Vendeur : Mispah books, Redhill, SURRE, Royaume-Uni
paperback. Etat : Like New. LIKE NEW. SHIPS FROM MULTIPLE LOCATIONS. book. N° de réf. du vendeur ERICA80036391339946
Quantité disponible : 1 disponible(s)