• {正版现货新书} 面向强噪声场景的低秩稀疏学习视觉目标跟踪方法 9787517085409 田丹

{正版现货新书} 面向强噪声场景的低秩稀疏学习视觉目标跟踪方法 9787517085409 田丹

全新正版现货,以书名为准,放心购买,购书咨询18515909251朱老师

37.78 5.9折 64 全新

库存3件

北京丰台

作者田丹

出版社中国水利水电出版社

ISBN9787517085409

出版时间2019-07

装帧平装

开本24开

定价64元

货号9816095

上书时间2026-01-28

   商品详情   

品相描述:全新
商品描述
目录
前言
第1章  绪论
  1.1  强噪声场景下视觉目标跟踪的研究意义
  1.2  研究现状分析
    1.2.1  变分图像去噪方法研究现状
    1.2.2  分数阶微积分理论在图像处理应用中的研究现状
    1.2.3  低秩稀疏学习目标跟踪方法研究现状
  1.3  本书的主要工作
第2章  变分问题的基本计算方法
  2.1  引言
  2.2  正则化参数的调整算法
    2.2.1  广义交叉验证法
    2.2.2  L曲线方法
    2.2.3  全局方差估计法
    2.2.4  局部方差估计法
  2.3  典型的变分数值算法
    2.3.1  梯度下降法
    2.3.2  投影法
    2.3.3  快速阈值收缩迭代法
    2.3.4  加权范数迭代法
    2.3.5  MM算法
第3章  基于变分理论的自适应原始对偶去噪算法
  3.1  引言
  3.2  ROF模型及其变换形式
    3.2.1  ROF模型
    3.2.2  ROF原始对偶模型
  3.3  数值算法
    3.3.1  基于预解式的原始对偶算法
    3.3.2  几种相似算法的关系性分析
    3.3.3  自适应原始对偶去噪算法的描述
    3.3.4  收敛性分析
    3.3.5  参数选择
  3.4  数值实验与分析
    3.4.1  算法性能的分析与比较
    3.4.2  正则化参数调整策略的分析与比较
  3.5  本章小结
第4章  基于分数阶变分理论的加性噪声去除算法
  4.1  引言
  4.2  分数阶微积分的定义
    4.2.1  Grünwald-Letnikov分数阶微积分
    4.2.2  Riemann-Liouville分数阶微积分
    4.2.3  Caputo分数阶微积分
    4.2.4  Fourier变换域的分数阶微积分
  4.3  分数阶去噪模型的提出
  4.4  数值算法
    4.4.1  算法描述
    4.4.2  收敛性分析
    4.4.3  参数选择
  4.5  数值实验与分析
    4.5.1  正则化参数选取策略的分析与比较
    4.5.2  算法性能的分析与比较
    4.5.3  去噪性能的分析与比较
  4.6  本章小结73第5章基于分数阶变分理论的乘性噪声去除算法
  5.1  引言
  5.2  几种乘性变分去噪模型及其相关性分析
    5.2.1  SO模型
    5.2.2  I-divergence模型
    5.2.3  Weberized模型
    5.2.4  模型的相关性分析
  5.3  分数阶I-divergence模型的提出
  5.4  数值算法
    5.4.1  算法描述
    5.4.2  收敛性分析
    5.4.3  参数选择
  5.5  数值实验与分析
    5.5.1  正则化参数的选取
    5.5.2  算法的性能分析与比较
    5.5.3  模型的性能分析与比较
  5.6  本章小结
第6章  基于分数阶边缘检测的目标分割算法
  6.1  引言
  6.2  整数阶边缘检测算子
    6.2.1  Sobel算子
    6.2.2  Laplacian算子
  6.3  分数阶边缘检测算子的提出
    6.3.1  分数阶Sobel算子
    6.3.2  分数阶Laplacian算子
  6.4  阈值选取
  6.5  数值实验与分析
    6.5.1  分数阶微分阶次的选取
    6.5.2  分数阶微分展开项数的选取..1036.5.3分数阶Sobel算子的性能分析
    6.5.4  分数阶Laplacian算子的性能分析
  6.6  本章小结
第7章  基于分数阶变分的目标分割模型及算法
  7.1  引言
  7.2  CV模型
  7.3  分数阶CV模型的提出
  7.4  数值算法
    7.4.1  能量优化和水平集描述
    7.4.2  数值离散
    7.4.3  算法描述
  7.5  数值实验与分析
    7.5.1  灰度均匀图像的目标分割
    7.5.2  灰度不均匀图像的目标分割
  7.6  本章小结
第8章  具有融合罚约束的低秩结构化稀疏表示目标跟踪算法
  8.1  引言
  8.2  稀疏模型
  8.3  低秩模型
  8.4  目标跟踪框架
    8.4.1  基于粒子滤波的运动模型
    8.4.2  具有融合罚约束的低秩结构化稀疏表示模型
    8.4.3  观测模型
    8.4.4  在线优化机制
    8.4.5  模板直方图更新策略
  8.5  实验结果与分析
    8.5.1  范数空间建模对稀疏表示系数的影响
    8.5.2  目标跟踪效果的比较
    8.6本章小结.13  5第9章反向低秩稀疏约束下的融合Lasso目标跟踪算法
  9.1  引言
  9.2  目标表示模型
    9.2.1  粒子滤波框架
    9.2.2  融合Lasso模型
    9.2.3  反向低秩稀疏约束下的融合Lasso模型
  9.3  在线跟踪优化策略
    9.3.1  数值算法
    9.3.2  模板更新机制
  9.4  实验结果与分析
    9.4.1  定性实验
    9.4.2  定量实验
  9.5  本章小结
第10章  变分调整约束下的反向低秩稀疏学习目标跟踪算法
  10.1  引言
  10.2  问题描述
    10.2.1  运动模型
    10.2.2  表观模型
    10.2.3  观测模型
  10.3  在线优化
    10.3.1  数值算法
    10.3.2  模板更新机制
  10.4  实验结果与分析
    10.4.1  定性实验
    10.4.2  定量实验
  10.5  本章小结
第11章  基于反向低秩稀疏学习和分数阶变分调整的目标跟踪算法
  11.1  引言
      11.2分数阶变分调整约束下的反向低秩稀疏表示模型.16311.3  在线跟踪算法
  11.4  实验结果与分析
    11.4.1  定性实验
    11.4.2  定量实验
  11.5  本章小结
参考文献

内容摘要
跟踪方法。基于变分法和分数阶微积分理论改善强噪声场景下的视觉信息质量问题;基于低秩表示和稀疏表示理论解决目标外观多样性情况下的表观建模问题;基于融合Lasso、变分法和分数阶微积分理论解决复杂环境遮挡带来的目标特征丢失问题和目标快速运动带来的跟踪漂移问题;基于反向稀疏表示描述解决跟踪模型在线学习的计算效率问题。

本书可供高等院校自动化、计算机、电子信息等相关专业的本科生和研究生,以及从事计算机视觉和数字图像处理领域的工程技术人员和研究人员参考阅读。

精彩内容
    本书研究面向强噪声场景的低秩稀疏学习视觉目标跟踪方法。基于变分法和分数阶微积分理论改善强噪声场景下的视觉信息质量问题;基于低秩表示和稀疏表示理论解决目标外观多样性情况下的表观建模问题;基于融合Lasso、变分法和分数阶微积分理论解决复杂环境遮挡带来的目标特征丢失问题和目标快速运动带来的跟踪漂移问题;基于反向稀疏表示描述解决跟踪模型在线学习的计算效率问题。
    本书可供高等院校自动化、计算机、电子信息等相关专业的本科生和研究生,以及从事计算机视觉和数字图像处理领域的工程技术人员和研究人员参考阅读。

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP