Domain Adaptation for Visual Understanding

個数：

電子版価格
¥16,233

電子版あり

Domain Adaptation for Visual Understanding

Singh, Richa (EDT)/ Vatsa, Mayank (EDT)/ Patel, Vishal M. (EDT)

ウェブストア価格 ¥22,300（本体¥20,273）
Springer Nature Switzerland AG（2020/01発売）
外貨定価 US$ 109.99
ポイント 202pt

提携先の海外書籍取次会社に在庫がございます。通常3週間で発送いたします。
【重要ご説明事項】
1. 納期遅延や、ご入手不能となる場合が若干ございます。
2. 複数冊ご注文の場合、分割発送となる場合がございます。
3. 美品のご指定は承りかねます。

●3Dセキュア導入とクレジットカードによるお支払いについて

【入荷遅延について】
世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。

◆画像の表紙や帯等は実物とは異なる場合があります。

◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
また、洋書販売価格は、ご注文確定時点での日本円価格となります。
ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。

製本 Hardcover:ハードカバー版／ページ数 144 p.
言語 ENG
商品コード 9783030306700
DDC分類 006

Full Description

This unique volume reviews the latest advances in domain adaptation in the training of machine learning algorithms for visual understanding, offering valuable insights from an international selection of experts in the field. The text presents a diverse selection of novel techniques, covering applications of object recognition, face recognition, and action and event recognition.

Topics and features: reviews the domain adaptation-based machine learning algorithms available for visual understanding, and provides a deep metric learning approach; introduces a novel unsupervised method for image-to-image translation, and a video segment retrieval model that utilizes ensemble learning; proposes a unique way to determine which dataset is most useful in the base training, in order to improve the transferability of deep neural networks; describes a quantitative method for estimating the discrepancy between the source and target data to enhance image classification performance; presentsa technique for multi-modal fusion that enhances facial action recognition, and a framework for intuition learning in domain adaptation; examines an original interpolation-based approach to address the issue of tracking model degradation in correlation filter-based methods.

This authoritative work will serve as an invaluable reference for researchers and practitioners interested in machine learning-based visual recognition and understanding.

Domain Adaptation for Visual Understanding.- M-ADDA: Unsupervised Domain Adaptation with Deep Metric Learning.- XGAN: Unsupervised Image-to-Image Translation for Many-to-Many Mappings.- Improving Transferability of Deep Neural Networks.- Cross Modality Video Segment Retrieval with Ensemble Learning.- On Minimum Discrepancy Estimation for Deep Domain Adaptation.- Multi-Modal Conditional Feature Enhancement for Facial Action Unit Recognition.- Intuition Learning.- Alleviating Tracking Model Degradation Using Interpolation-Based Progressive Updating.