Andere Kunden interessierten sich auch für
Was ist Scale Invariant Feature Transform
SIFT, was für Scale-invariant Feature Transform steht, ist eine Methode für Computer Vision, die 1999 von David Lowe entwickelt wurde Der Zweck besteht darin, lokale Merkmale in Bildern zu identifizieren, zu beschreiben und mit ihnen in Einklang zu bringen. Zu den Anwendungen, die genutzt werden können, gehören Objekterkennung, Roboterkartierung und -navigation, Bildzusammenfügung, dreidimensionale Modellierung, Gestenerkennung, Videoverfolgung, individuelle Identifizierung von Wildtieren und Match-Movement.
Wie Sie davon profitieren
(I) Einblicke und Validierungen zu den folgenden Themen:
Kapitel 1: Skalierungsinvariante Feature-Transformation
Kapitel 2: Kantenerkennung
Kapitel 3: Skalierungsraum
Kapitel 4: Gaußsche Unschärfe
Kapitel 5: Funktion (Computer Vision)
Kapitel 6: Eckenerkennung
Kapitel 7: Affine Formanpassung
Kapitel 8: Hessischer affiner Regionendetektor
Kapitel 9: Hauptkrümmungsbasierter Regionendetektor
Kapitel 10: SCHNELL orientiert und KURZ gedreht
(II) Beantwortung der häufigsten öffentlichen Fragen zur skaleninvarianten Merkmalstransformation.
(III) Beispiele aus der Praxis für die Verwendung von skaleninvarianter Merkmalstransformation in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die es wollen um über das Grundwissen oder die Informationen für jede Art von skaleninvarianter Merkmalstransformation hinauszugehen.
SIFT, was für Scale-invariant Feature Transform steht, ist eine Methode für Computer Vision, die 1999 von David Lowe entwickelt wurde Der Zweck besteht darin, lokale Merkmale in Bildern zu identifizieren, zu beschreiben und mit ihnen in Einklang zu bringen. Zu den Anwendungen, die genutzt werden können, gehören Objekterkennung, Roboterkartierung und -navigation, Bildzusammenfügung, dreidimensionale Modellierung, Gestenerkennung, Videoverfolgung, individuelle Identifizierung von Wildtieren und Match-Movement.
Wie Sie davon profitieren
(I) Einblicke und Validierungen zu den folgenden Themen:
Kapitel 1: Skalierungsinvariante Feature-Transformation
Kapitel 2: Kantenerkennung
Kapitel 3: Skalierungsraum
Kapitel 4: Gaußsche Unschärfe
Kapitel 5: Funktion (Computer Vision)
Kapitel 6: Eckenerkennung
Kapitel 7: Affine Formanpassung
Kapitel 8: Hessischer affiner Regionendetektor
Kapitel 9: Hauptkrümmungsbasierter Regionendetektor
Kapitel 10: SCHNELL orientiert und KURZ gedreht
(II) Beantwortung der häufigsten öffentlichen Fragen zur skaleninvarianten Merkmalstransformation.
(III) Beispiele aus der Praxis für die Verwendung von skaleninvarianter Merkmalstransformation in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die es wollen um über das Grundwissen oder die Informationen für jede Art von skaleninvarianter Merkmalstransformation hinauszugehen.