Bayesian Modeling of Uncertainty in Low-Level Vision
Sorozatcím: The Springer International Series in Engineering and Computer Science; 79;
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 106.99
-
44 374 Ft (42 261 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 8 875 Ft off)
- Kedvezményes ár 35 499 Ft (33 809 Ft + 5% áfa)
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
44 374 Ft
Beszerezhetőség
Becsült beszerzési idő: A Prosperónál jelenleg nincsen raktáron, de a kiadónál igen. Beszerzés kb. 3-5 hét..
A Prosperónál jelenleg nincsen raktáron.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadás sorszáma 1989
- Kiadó Springer US
- Megjelenés dátuma 1989. szeptember 30.
- Kötetek száma 1 pieces, Book
- ISBN 9780792390398
- Kötéstípus Keménykötés
- Lásd még 9781461289043
- Terjedelem198 oldal
- Méret 235x155 mm
- Súly 1080 g
- Nyelv angol
- Illusztrációk XX, 198 p. 0
Kategóriák
Hosszú leírás:
Vision has to deal with uncertainty. The sensors are noisy, the prior knowledge is uncertain or inaccurate, and the problems of recovering scene information from images are often ill-posed or underconstrained. This research monograph, which is based on Richard Szeliski's Ph.D. dissertation at Carnegie Mellon University, presents a Bayesian model for representing and processing uncertainty in low level vision. Recently, probabilistic models have been proposed and used in vision. Sze liski's method has a few distinguishing features that make this monograph im portant and attractive. First, he presents a systematic Bayesian probabilistic estimation framework in which we can define and compute the prior model, the sensor model, and the posterior model. Second, his method represents and computes explicitly not only the best estimates but also the level of uncertainty of those estimates using second order statistics, i.e., the variance and covariance. Third, the algorithms developed are computationally tractable for dense fields, such as depth maps constructed from stereo or range finder data, rather than just sparse data sets. Finally, Szeliski demonstrates successful applications of the method to several real world problems, including the generation of fractal surfaces, motion estimation without correspondence using sparse range data, and incremental depth from motion.
TöbbTartalomjegyzék:
1 Introduction.- 1.1 Modeling uncertainty in low-level vision.- 1.2 Previous work.- 1.3 Overview of results.- 1.4 Organization.- 2 Representations for low-level vision.- 2.1 Visible surface representations.- 2.2 Visible surface algorithms.- 2.3 Multiresolution representations.- 2.4 Discontinuities.- 2.5 Alternative representations.- 3 Bayesian models and Markov Random Fields.- 3.1 Bayesian models.- 3.2 Markov Random Fields.- 3.3 Using probabilistic models.- 4 Prior models.- 4.1 Regularization and fractal priors.- 4.2 Generating constrained fractals.- 4.3 Relative depth representations (reprise).- 4.4 Mechanical vs. probabilistic models.- 5 Sensor models.- 5.1 Sparse data: spring models.- 5.2 Sparse data: force field models.- 5.3 Dense data: optical flow.- 5.4 Dense data: image intensities.- 6 Posterior estimates.- 6.1 MAP estimation.- 6.2 Uncertainty estimation.- 6.3 Regularization parameter estimation.- 6.4 Motion estimation without correspondence.- 7 Incremental algorithms for depth-from-motion.- 7.1 Kaiman filtering.- 7.2 Incremental iconic depth-from-motion.- 7.3 Joint modeling of depth and intensity.- 8 Conclusions.- 8.1 Summary.- 8.2 Future research.- A Finite element implementation.- B Fourier analysis.- B.1 Filtering behavior of regularization.- B.2 Fourier analysis of the posterior distribution.- B.3 Analysis of gradient descent.- B.4 Finite element solution.- B.5 Fourier analysis of multigrid relaxation.- C Analysis of optical flow computation.- D Analysis of parameter estimation.- D.1 Computing marginal distributions.- D.2 Bayesian estimation equations.- D.3 Likelihood of observations.- Table of symbols.
Több
