Liu / Hassner | Dense Image Correspondences for Computer Vision | Buch | 978-3-319-35914-4 | sack.de

Buch, Englisch, 295 Seiten, Previously published in hardcover, Format (B × H): 155 mm x 235 mm, Gewicht: 4686 g

Liu / Hassner

Dense Image Correspondences for Computer Vision


Softcover Nachdruck of the original 1. Auflage 2016
ISBN: 978-3-319-35914-4
Verlag: Springer International Publishing

Buch, Englisch, 295 Seiten, Previously published in hardcover, Format (B × H): 155 mm x 235 mm, Gewicht: 4686 g

ISBN: 978-3-319-35914-4
Verlag: Springer International Publishing


This book describes the fundamental building-block of many new computer vision systems: dense and robust correspondence estimation. Dense correspondence estimation techniques are now successfully being used to solve a wide range of computer vision problems, very different from the traditional applications such techniques were originally developed to solve. This book introduces the techniques used for establishing correspondences between challenging image pairs, the novel features used to make these techniques robust, and the many problems dense correspondences are now being used to solve. The book provides information to anyone attempting to utilize dense correspondences in order to solve new or existing computer vision problems. The editors describe how to solve many computer vision problems by using dense correspondence estimation. Finally, it surveys resources, code and data, necessary for expediting the development of effective correspondence-based computer vision systems.

Liu / Hassner Dense Image Correspondences for Computer Vision jetzt bestellen!

Zielgruppe


Professional/practitioner


Autoren/Hrsg.


Weitere Infos & Material


Introduction to Dense Optical Flow.- SIFT Flow: Dense Correspondence across Scenes and its Applications.- Dense, Scale-Less Descriptors.- Scale-Space SIFT Flow.- Dense Segmentation-aware Descriptors.- SIFTpack: A Compact Representation for Efficient SIFT Matching.- In Defense of Gradient-Based Alignment on Densely Sampled Sparse Features.- From Images to Depths and Back.- DepthTransfer: Depth Extraction from Video Using Non-parametric Sampling.- Joint Inference in Image Datasets via Dense Correspondence.- Dense Correspondences and Ancient Texts.


Prof. Tal Hassner is a faculty member of the Department of Mathematics and
Computer Science, The Open University of Israel, Israel. Ce Liu is a Researcher with Google.



Ihre Fragen, Wünsche oder Anmerkungen
Vorname*
Nachname*
Ihre E-Mail-Adresse*
Kundennr.
Ihre Nachricht*
Lediglich mit * gekennzeichnete Felder sind Pflichtfelder.
Wenn Sie die im Kontaktformular eingegebenen Daten durch Klick auf den nachfolgenden Button übersenden, erklären Sie sich damit einverstanden, dass wir Ihr Angaben für die Beantwortung Ihrer Anfrage verwenden. Selbstverständlich werden Ihre Daten vertraulich behandelt und nicht an Dritte weitergegeben. Sie können der Verwendung Ihrer Daten jederzeit widersprechen. Das Datenhandling bei Sack Fachmedien erklären wir Ihnen in unserer Datenschutzerklärung.