Name: Robust Subspace Estimation Using Low-Rank Optimization: Theory and Applications (en Inglés)
Price: 65.02 USD
Availability: InStock
Author: Oreifej, Omar ; Shah, Mubarak
ISBN: 9783319352480

portada Robust Subspace Estimation Using Low-Rank Optimization: Theory and Applications (en Inglés)

Robust Subspace Estimation Using Low-Rank Optimization: Theory and Applications (en Inglés)

Formato

Libro Físico

Autor

Mubarak Shah

Omar Oreifej

Editorial

Springer

Idioma

Inglés

N° páginas

114

Encuadernación

Tapa Blanda

Dimensiones

23.4 x 15.6 x 0.7 cm

Peso

0.18 kg.

ISBN13

9783319352480

Categorías

Aplicaciones gráficas y multimedia
Reconocimiento de formas
Visión por ordenador
Procesamiento de imágenes

Robust Subspace Estimation Using Low-Rank Optimization: Theory and Applications (en Inglés)

Mubarak Shah (Autor) · Omar Oreifej (Autor) · Springer · Tapa Blanda

Libro Nuevo Importado

Envío: 16 a 23 días háb.

$ 108.36$ 65.02

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan más de 100 unidades

$ 65.02

Llega entre el 03 Sep y el 16 Sep a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Robust Subspace Estimation Using Low-Rank Optimization: Theory and Applications (en Inglés)"

Various fundamental applications in computer vision and machine learning require finding the basis of a certain subspace. Examples of such applications include face detection, motion estimation, and activity recognition. An increasing interest has been recently placed on this area as a result of significant advances in the mathematics of matrix rank optimization. Interestingly, robust subspace estimation can be posed as a low-rank optimization problem, which can be solved efficiently using techniques such as the method of Augmented Lagrange Multiplier. In this book, the authors discuss fundamental formulations and extensions for low-rank optimization-based subspace estimation and representation. By minimizing the rank of the matrix containing observations drawn from images, the authors demonstrate how to solve four fundamental computer vision problems, including video denosing, background subtraction, motion estimation, and activity recognition.