Domain Adaptation in Computer Vision Applications de Gabriela Csurka

Domain Adaptation in Computer Vision Applications: Advances in Computer Vision and Pattern Recognition

Editat de Gabriela Csurka

en Limba Engleză Hardback – 2 oct 2017

Metodologia abordată în Domain Adaptation in Computer Vision Applications se concentrează pe rezolvarea uneia dintre cele mai presante probleme din inteligența artificială: discrepanța dintre datele de antrenament și cele din lumea reală. Suntem de părere că acest volum, publicat sub egida Springer, reușește să ofere un cadru tehnic riguros pentru tehnicile de transfer learning, explorând modul în care modelele pot fi adaptate fără a necesita re-etichetări masive de date. Structura editorială este pragmatică, fiind segmentată în trei piloni: metodele clasice (shallow), arhitecturile profunde (deep) și aplicațiile practice complexe.

Merită menționat că lucrarea depășește sfera teoretică a clasificării de imagini, propunând soluții pentru segmentare semantică și detecție în medii urbane, utilizând seturi de date sintetice precum SYNTHIA. Pe linia practică a volumului Domain Adaptation for Visual Recognition de Raghuraman Gopalan, dar cu un focus mai pronunțat pe integrarea rețelelor neuronale adversariale și a metodelor de aliniere a trăsăturilor în spații latente, această carte oferă un inventar complet al algoritmilor de tip 'discrepancy-based' și 'adversarial discriminative'.

În contextul operei editorului, Gabriela Csurka continuă direcția începută prin lucrări precum Computer Vision, Imaging and Computer Graphics - Theory and Applications, rafinând aici instrumentele matematice necesare pentru a combate prejudecățile seturilor de date (dataset bias). Putem afirma că progresia de la nucleul teoretic al metodelor kernel către aplicații de nișă, cum este re-identificarea vehiculelor, transformă acest titlu într-o referință de bază pentru inginerii care dezvoltă sisteme de vedere artificială reziliente la schimbările de domeniu.

Citește tot Restrânge

Din seria Advances in Computer Vision and Pattern Recognition

Preț: 959^.58 lei

Preț vechi: 1199^.48 lei
-20%

Puncte Express: 1439

Paperback 958^.50 lei

Hardback 959^.58 lei

Carte disponibilă

Livrare economică 14-28 mai

Adaugă în coș

Wish list
Gift list
Am citit!

Adaugă în listă

Specificații

ISBN-13: 9783319583464
ISBN-10: 3319583468
Pagini: 353
Ilustrații: X, 344 p. 107 illus., 101 illus. in color.
Dimensiuni: 155 x 235 mm
Greutate: 0.73 kg
Ediția:1st ed. 2017
Editura: Springer International Publishing
Colecția Springer
Seria Advances in Computer Vision and Pattern Recognition

Locul publicării:Cham, Switzerland

De ce să citești această carte

Această carte este esențială pentru cercetătorii și inginerii ML care se confruntă cu performanțe scăzute ale modelelor în producție din cauza datelor de test diferite de cele de antrenament. Cititorul câștigă acces la o colecție de tehnici de avangardă, de la alinierea distribuțiilor la antrenament adversarial, esențiale pentru a construi sisteme de vedere artificială capabile să generalizeze corect în condiții variabile.

Despre autor

Gabriela Csurka este o figură centrală în comunitatea de computer vision, recunoscută pentru expertiza sa în domeniul învățării automate și al recunoașterii formelor. În calitate de editor la Springer International Publishing, ea a coordonat numeroase publicații de referință care explorează intersecția dintre vederea artificială și deep learning. Activitatea sa academică este marcată de organizarea unor conferințe internaționale prestigioase, precum VISIGRAPP, și de o contribuție constantă în dezvoltarea metodelor de adaptare a domeniului, fiind un punte de legătură între cercetarea fundamentală și aplicațiile industriale din domeniul procesării de imagini.

Cuprins

A Comprehensive Survey on Domain Adaptation for Visual Applications.- A Deeper Look at Dataset Bias.- Part I: Shallow Domain Adaptation Methods.- Geodesic Flow Kernel and Landmarks: Kernel Methods for Unsupervised Domain Adaptation.- Unsupervised Domain Adaptation based on Subspace Alignment.- Learning Domain Invariant Embeddings by Matching Distributions.- Adaptive Transductive Transfer Machines: A Pipeline for Unsupervised Domain Adaptation.- What To Do When the Access to the Source Data is Constrained?.- Part II: Deep Domain Adaptation Methods.- Correlation Alignment for Unsupervised Domain Adaptation.- Simultaneous Deep Transfer Across Domains and Tasks.- Domain-Adversarial Training of Neural Networks.- Part III: Beyond Image Classification.- Unsupervised Fisher Vector Adaptation for Re-Identification.- Semantic Segmentation of Urban Scenes via Domain Adaptation of SYNTHIA.- From Virtual to Real World Visual Perception using Domain Adaptation – The DPM as Example.- Generalizing Semantic Part Detectors Across Domains.- Part IV: Beyond Domain Adaptation: Unifying Perspectives.- A Multi-Source Domain Generalization Approach to Visual Attribute Detection.- Unifying Multi-Domain Multi-Task Learning: Tensor and Neural Network Perspectives.

Textul de pe ultima copertă

This comprehensive text/reference presents a broad review of diverse domain adaptation (DA) methods for machine learning, with a focus on solutions for visual applications. The book collects together solutions and perspectives proposed by an international selection of pre-eminent experts in the field, addressing not only classical image categorization, but also other computer vision tasks such as detection, segmentation and visual attributes.Topics and features:

Surveys the complete field of visual DA, including shallow methods designed for homogeneous and heterogeneous data as well as deep architectures
Presents a positioning of the dataset bias in the CNN-based feature arena
Proposes detailed analyses of popular shallow methods that addresses landmark data selection, kernel embedding, feature alignment, joint feature transformation and classifier adaptation, or the case of limited access to the source data
Discusses more recent deep DA methods, including discrepancy-based adaptation networks and adversarial discriminative DA models
Addresses domain adaptation problems beyond image categorization, such as a Fisher encoding adaptation for vehicle re-identification, semantic segmentation and detection trained on synthetic images, and domain generalization for semantic part detection
Describes a multi-source domain generalization technique for visual attributes and a unifying framework for multi-domain and multi-task learning

This authoritative volume will be of great interest to a broad audience ranging from researchers and practitioners, to students involved in computer vision, pattern recognition and machine learning.Dr. Gabriela Csurka is a Senior Scientist in the Computer Vision Team at Xerox Research Centre Europe, Meylan, France.

Caracteristici

The first book focused on domain adaptation for visual applications Provides a comprehensive experimental study, highlighting the strengths and weaknesses of popular methods, and introducing new and more challenging datasets Presents an historical overview of research in this area Covers such tasks as object detection, image segmentation and video application, where the need for domain adaptation has been rarely addressed by the community Considers real-world, industrial applications, and solutions for cases where existing methods might not be applicable Includes supplementary material: sn.pub/extras Includes supplementary material: sn.pub/extras