Name: Bild-Super-Resolution: Ein vollständiger Leitfaden (en Alemán)
SKU: 58990531
Price: 87.97 USD
Availability: InStock
Author: Roy, Sangita
ISBN: 9786206120216

portada Bild-Super-Resolution: Ein vollständiger Leitfaden (en Alemán)

Bild-Super-Resolution: Ein vollständiger Leitfaden (en Alemán)

Formato

Libro Físico

Autor

Sangita Roy

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

168

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x1 cm

Peso

0.25 kg.

ISBN13

9786206120216

Bild-Super-Resolution: Ein vollständiger Leitfaden (en Alemán)

Sangita Roy (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 25 a 32 días háb.

$ 159.95$ 87.97

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 87.97

Llega entre el 18 Sep y el 01 Oct a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Bild-Super-Resolution: Ein vollständiger Leitfaden (en Alemán)"

Die Superauflösung von Bildern und Videos ist in letzter Zeit ein wichtiger Forschungsschwerpunkt. Zu ihren Anwendungen gehören HDTV, Bildcodierung, Grö enänderung von Bildern, Bildmanipulation, Fernerkundung, Gesichtserkennung, Astronomie und Überwachung. Ziel ist es, die Bild-/Videoauflösung durch Upsampling, Entfettung, Rauschunterdrückung, Deep Learning usw. zu erhöhen. Die Entwicklung verschiedener Theorien zur Bild-/Video-Superauflösung wird in diesem Buch untersucht, wobei der Schwerpunkt auf Deep Convolutional Networks-based Superresolution (DeepCNSR) liegt. Mehr als 30 hochmoderne Superauflösungs-CNNs (Convolutional Neural Networks) mit drei klassischen und drei kürzlich eingeführten anspruchsvollen Datensätzen zum Vergleich der Superauflösung von Einzelbildern wurden mit ihren Vor- und Nachteilen eingehend analysiert. Es wurde eine Taxonomie mit neun Kategorien für DeepCNSR-Netzwerke eingeführt, darunter lineare, residuale, mehrfach verzweigte, rekursive, progressive, aufmerksamkeitsbasierte und kontradiktorische Designs. Die Netzwerkkomplexität, der Speicherbedarf, die Modelleingabe und -ausgabe, die Lerndetails, die Art der Netzwerkverluste und wichtige architektonische Unterschiede (z. B. Tiefe, Skip-Verbindungen, Filter) der einzelnen Modelle wurden vergleichend untersucht.