دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep Learning in Mining of Visual Content
دانلود کتاب یادگیری عمیق در کاوی محتوای بصری
مشخصات کتاب
Deep Learning in Mining of Visual Content
ویرایش: نویسندگان: Akka Zemmari, Jenny Benois-Pineau سری: SpringerBriefs in Computer Science ISBN (شابک) : 9783030343767 ناشر: Springer International Publishing سال نشر: 2019 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 Mb
قیمت کتاب (تومان) : 33,000
در صورت تبدیل فایل کتاب Deep Learning in Mining of Visual Content به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق در کاوی محتوای بصری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری عمیق در کاوی محتوای بصری
این کتاب دانش اساسی در زمینه یادگیری عمیق با کاربرد در کاوی محتوای بصری را در اختیار خواننده قرار می دهد. نویسندگان دیدگاه جدیدی در مورد رویکردهای یادگیری عمیق از نقطه نظر درک تصویر و یادگیری ماشینی تحت نظارت ارائه می دهند. این شامل فصل هایی است که مبانی نظری و ریاضی شبکه های عصبی و روش های بهینه سازی مرتبط را معرفی می کند. سپس برخی از معماری های بسیار محبوب خاص مورد استفاده در حوزه را مورد بحث قرار می دهد: شبکه های عصبی کانولوشن و شبکه های عصبی تکراری. یادگیری عمیق در حال حاضر در قلب بیشتر فناوری های پیشرفته قرار دارد. این در هسته پیشرفت های اخیر در هوش مصنوعی است. حجم اطلاعات بصری به صورت دیجیتال به طور مداوم در حال افزایش است. در حوزه‌های فعالی مانند Computer Vision و Robotics، درک اطلاعات بصری مبتنی بر استفاده از یادگیری عمیق است. فصل های دیگر کاربردهای یادگیری عمیق را برای کاوی محتوای بصری ارائه می دهند. اینها شامل مکانیسم های توجه در شبکه های عصبی عمیق و کاربرد در کاوی محتوای فرهنگی دیجیتال است. یک زمینه کاربردی اضافی نیز مورد بحث قرار گرفته است، و نشان می‌دهد که چگونه یادگیری عمیق می‌تواند برای تشخیص بیماری آلزایمر به کمک رایانه در تصویربرداری چندوجهی بسیار مورد علاقه باشد. این کتاب دانشجویان سطح پیشرفته ای را هدف قرار می دهد که در رشته علوم کامپیوتر از جمله بینایی کامپیوتر، تجزیه و تحلیل داده ها و چند رسانه ای تحصیل می کنند. محققان و متخصصانی که در علوم کامپیوتر، پردازش سیگنال و تصویر کار می کنند نیز ممکن است به این کتاب علاقه مند شوند.
توضیحاتی درمورد کتاب به خارجی
This book provides the reader with the fundamental knowledge in the area of deep learning with application to visual content mining. The authors give a fresh view on Deep learning approaches both from the point of view of image understanding and supervised machine learning. It contains chapters which introduce theoretical and mathematical foundations of neural networks and related optimization methods. Then it discusses some particular very popular architectures used in the domain: convolutional neural networks and recurrent neural networks. Deep Learning is currently at the heart of most cutting edge technologies. It is in the core of the recent advances in Artificial Intelligence. Visual information in Digital form is constantly growing in volume. In such active domains as Computer Vision and Robotics visual information understanding is based on the use of deep learning. Other chapters present applications of deep learning for visual content mining. These include attention mechanisms in deep neural networks and application to digital cultural content mining. An additional application field is also discussed, and illustrates how deep learning can be of very high interest to computer-aided diagnostics of Alzheimer’s disease on multimodal imaging. This book targets advanced-level students studying computer science including computer vision, data analytics and multimedia. Researchers and professionals working in computer science, signal and image processing may also be interested in this book.
فهرست مطالب
Preface......Page 7
Contents......Page 9
Acronyms......Page 12
List of Figures......Page 13
1 Introduction......Page 16
2.1 Supervised Learning......Page 19
2.2 Classification and Regression......Page 20
2.3.1 Confusion Matrix......Page 21
2.3.2 Metrics......Page 23
2.3.3 AUC-ROC Curve......Page 24
2.4 Conclusion......Page 25
3.1 Formal Neuron......Page 26
3.2 Artificial Neural Networks and Deep Neural Networks......Page 29
3.3 Learning a Neural Network......Page 30
3.3.2 One-Hot Encoding......Page 31
3.3.4 Cross-Entropy......Page 32
3.4 Conclusion......Page 33
4.1 Gradient Descent......Page 34
4.2 Stochastic Gradient Descent......Page 36
4.3 Momentum Based SGD......Page 37
4.5 Adaptative Learning Rate......Page 38
4.6 Extensions of Gradient Descent......Page 40
4.7.1 A Simple Example......Page 41
4.7.2 General Case: Backpropagation Algorithm......Page 43
4.8 Conclusion......Page 45
5.1 Introduction......Page 47
5.2 Convolution......Page 48
5.3.1 Image Sampling......Page 54
5.3.2 Sub-sampling of Images and Features......Page 57
5.4 Conclusion......Page 58
6.1 General Principles......Page 61
6.2 Convolutional Layers......Page 62
6.3 Max-Pooling Layers......Page 64
6.4 Dropout......Page 65
6.5.1 LeNet Architecture and MNIST Dataset......Page 66
6.5.2 AlexNet Architecture......Page 67
6.5.4 Other Important Architectures......Page 68
6.6 Conclusion......Page 70
7.1 Hidden Markov Models......Page 71
7.1.1 Likelihood Computation......Page 73
7.1.2 Decoding: The Viterbi Algorithm......Page 74
7.1.3 Learning an HMM......Page 75
7.2.1 Definition......Page 77
7.2.2 Training an RNN......Page 79
7.3.1 The Model......Page 80
7.4 Conclusion......Page 81
8.1 Introduction......Page 82
8.2.1 Top-Down Saliency Maps Built Upon Gaze Fixations......Page 84
8.2.2 Co-saliency Propagation......Page 86
8.3.3 Double Attention Networks (A2-Nets)......Page 88
8.3.4.1 Saliency in Pooling Layers......Page 90
8.3.4.2 Saliency in the Dropout Layers......Page 93
8.3.4.3 Use of Saliency in Backward Propagation......Page 94
8.4 Conclusion......Page 96
9.1 Introduction......Page 97
9.2.1 Imaging Modalities......Page 98
9.2.2 Selection of Brain ROI......Page 100
9.2.3 Alignment of Different Imaging Modalities......Page 101
9.3 Siamese Deep NNs for Fusion of Modalities......Page 103
9.3.1 ``2D+ε\'\' Approach for Classification of Brain Scans for AD Detection......Page 104
9.3.2 Siamese Architecture......Page 105
9.4 Conclusion......Page 106
Conclusion......Page 108
Glossary......Page 109
References......Page 110
