Bayesian Modeling of Uncertainty in Low-Level Vision by Szeliski, Richard;

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
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.

44 374 Ft (42 261 Ft + 5% áfa)
Kedvezmény(ek) 20% (cc. 8 875 Ft off)
Kedvezményes ár 35 499 Ft (33 809 Ft + 5% áfa)

44 374 Ft

Beszerezhetőség

Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.

A termék adatai:

Kiadás sorszáma Softcover reprint of the original 1st ed. 1989
Kiadó Springer US
Megjelenés dátuma 2011. október 7.
Kötetek száma 1 pieces, Book

ISBN 9781461289043
Kötéstípus Puhakötés
Terjedelem198 oldal
Méret 235x155 mm
Súly 343 g
Nyelv angol
Illusztrációk XX, 198 p.

Kategóriák

A mérnöki tudományok általános kérdései Villamosmérnöki tudományok, híradástechnika, műszeripar Operációs rendszerek és grafikus felhasználói felületek Számítógépes programozás általában Mesterséges intelligencia Digitális jel-, hang- és képfeldolgozás További könyvek a számítástechnika területén A mérnöki tudományok általános kérdései (karitatív célú kampány) Villamosmérnöki tudományok, híradástechnika, műszeripar (karitatív célú kampány) Operációs rendszerek és grafikus felhasználói felületek (karitatív célú kampány) Számítógépes programozás általában (karitatív célú kampány) Mesterséges intelligencia (karitatív célú kampány) Digitális jel-, hang- és képfeldolgozás (karitatív célú kampány) További könyvek a számítástechnika területén (karitatív célú kampány)

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.

Több

Tartalomjegyzék:

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

Mostanában megtekintett