Rozpoznawanie wzorców 2D i 3D na obrazach cyfrowych za pomocą ukrytych modeli Markowa

Rozpoznawanie wzorców 2D i 3D na obrazach cyfrowych za pomocą ukrytych modeli Markowa

1 opinia

Format:

ibuk

WYBIERZ RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em

30,00

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM

Rozpoznawanie wzorców jest działem sztucznej inteligencji zajmującym się klasyfikacją obserwacji. Celem rozpoznawania jest klasyfikowanie danych (wzorców) na podstawie wiedzy a priori lub na podstawie informacji statystycznych uzyskanych z wzorca. Wzorce są zazwyczaj zbiorem obserwacji lub pomiarów. Wśród szerokiej gamy metod rozpoznawania wzorców można wyróżnić metody statystyczne. W przeciwieństwie do metod probabilistycznych wykorzystujących prawdopodobieństwo a priori, metody statystyczne wykorzystują reguły decyzyjne ze zbiorem uczącym złożonym z obiektów, dla których znany jest wektor cech i etykieta klasy wzorca. Jedną z wielu metod rozpoznawania wzorca są ukryte modele Markowa (UMM).


Liczba stron202
WydawcaAkademicka Oficyna Wydawnicza EXIT Andrzej Lang
ISBN-13978-83-7837-584-5
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyRavelo Sp. z o.o.

Ciekawe propozycje

Spis treści

  1. Wprowadzenie
  2. Charakterystyka metod rozpoznawania wzorców
  
  2.1. Budowa systemów rozpoznawania wzorców
  2.2. Statystyczne metody klasyfikacji wzorców
  2.3. Problem wymiarowości w statystycznych metodach rozpoznawania wzorców
  
  3. Ekstrakcja cech wzorców za pomocą transformacji obrazów
  
  3.1. Transformacja Fouriera
  3.2. Transformacja falkowa
  3.3. Metoda komponentów głównych
  3.4. Transformacja Radona
  3.5. Transformacja Hougha
  
  4. Wprowadzenie do ukrytych modeli Markowa
  
  4.1. Łańcuch i proces Markowa
  4.2. Ukryte modele Markowa
  4.3. Parametry i topologie modeli Markowa
  4.4. Tworzenie systemu rozpoznawania wzorca na bazie UMM
  4.5. Definiowanie prototypowych modeli UMM
  4.6. Estymacja parametrów ukrytych modeli Markowa
  4.7. Testowanie modeli
  4.8. Przykłady UMM
  
  5. Dwuwymiarowy ukryty model Markowa z danymi dwuwymiarowymi
  
  5.1. Założenia konstrukcji 2D UMM dla danych dwuwymiarowych
  5.2. Struktura 2D UMM dla danych dwuwymiarowych
  5.3. Estymacja parametrów ukrytych modeli Markowa
  5.4. Prawdopodobieństwo wygenerowania obserwacji
  
  6. Eksperymentalne potwierdzenie poprawności dwuwymiarowych ukrytych modeli Markowa z danymi dwuwymiarowymi
  
  6.1. Charakterystyka danych eksperymentalnych
  6.2. Wybór transformaty do ekstrakcji cech
  6.3. Wybór funkcji falkowej
  6.4. Dobór podstawowych parametrów 2D UMM
  6.5. Badanie poprawności rozpoznawania wzorca metodą 2D UMM
  6.6. Porównanie metod rozpoznawania wzorca
  6.7. Wpływ rozmiaru obrazu wzorca na poprawność rozpoznania
  6.8. Wpływ progu błędu uczenia na poprawność rozpoznania i czas uczenia
  
  7. Zastosowanie 2D UMM w systemach rozpoznawania wzorców
  
  7.1. Metody oceny i porównywania meto rozpoznawania wzorca
  7.2. Rozpoznawanie znaków drogowych
  7.3. Identyfikacja osób na podstawie obrazu 2D twarzy
  7.4. Multimodalne rozpoznawanie twarzy
  7.5. System rozpoznawania twarzy z przetwarzaniem równoległym
  7.6. Identyfikacja osób na podstawie asymetrii twarzy 3D
  7.7. Metoda identyfikacji osób na podstawie fragmentu wzorca tęczówki oka
  
  Podsumowanie
  Literatura
  Spis rysunków
  Spis tabel
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia