Inpainting and Denoising Challenges / Escalera, Sergio ; Ayache, Stephane ; Wan, Jun ; Madadi, Meysam ; Güçlü, Umut ; Baró, Xavier  

Público ISBD Ningún comentario para este registro. Título : Inpainting and Denoising Challenges Tipo de documento: documento electrónico Autores: Escalera, Sergio, ; Ayache, Stephane, ; Wan, Jun, ; Madadi, Meysam, ; Güçlü, Umut, ; Baró, Xavier, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: VIII, 144 p. 65 ilustraciones, 56 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-25614-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Visión por computador  Reconocimiento de patrones automatizado  Inteligencia artificial  Sistemas de reconocimiento de patrones Índice Dewey: 006.3 Inteligencia artificial Resumen: El problema de lidiar con datos faltantes o incompletos en el aprendizaje automático y la visión por computadora surge en muchas aplicaciones. Las estrategias recientes utilizan modelos generativos para imputar datos faltantes o corruptos. Los avances en visión por computadora que utilizan modelos generativos profundos han encontrado aplicaciones en el procesamiento de imágenes y videos, como eliminación de ruido, restauración, superresolución o pintura interna. Inpainting and Denoising Challenges comprende esfuerzos recientes que se ocupan de tareas de pintura de imágenes y videos. Esto incluye soluciones ganadoras para los desafíos de ChaLearn Looking at People en pintura y eliminación de ruido: recuperación de pose humana, desubtitulado de video y restauración de huellas dactilares. Este volumen comienza con una amplia revisión sobre la eliminación de ruido de imágenes, el rastreo y la comparación de varios métodos, desde los métodos pioneros de procesamiento de señales hasta enfoques de aprendizaje automático con modelos dispersos y de bajo rango, y arquitecturas recientes de aprendizaje profundo con codificadores automáticos y variantes. Los siguientes capítulos presentan los resultados del Desafío, incluidas tres tareas de competencia en WCCI y ECML 2018. Se describen los mejores enfoques presentados por los participantes, mostrando contribuciones interesantes y métodos innovadores. Los dos últimos capítulos proponen contribuciones novedosas y destacan nuevas aplicaciones que se benefician de la imagen/vídeo en la pintura. . Nota de contenido: 1. A Brief Review of Image Denoising Algorithms and Beyond -- 2. ChaLearn Looking at People: Inpainting and Denoising Challenges -- 3. U-Finger: Multi-Scale Dilated Convolutional Network for Fingerprint Image Denoising and Inpainting -- 4. FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks -- 5. Iterative Application of Autoencoders for Video Inpainting and Fingerprint Denoising -- 6. Video DeCaptioning using U-Net with Stacked Dilated Convolutional Layers -- 7. Joint Caption Detection and Inpainting using Generative Network -- 8. Generative Image Inpainting for Person Pose Generation -- 9. Person Inpainting with Generative Adversarial Networks -- 10. Road Layout Understanding by Generative Adversarial Inpainting -- 11. Photo-realistic and Robust Inpainting of Faces using Refinement GANs. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Inpainting and Denoising Challenges [documento electrónico] / Escalera, Sergio, ; Ayache, Stephane, ; Wan, Jun, ; Madadi, Meysam, ; Güçlü, Umut, ; Baró, Xavier,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - VIII, 144 p. 65 ilustraciones, 56 ilustraciones en color. ISBN : 978-3-030-25614-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Visión por computador  Reconocimiento de patrones automatizado  Inteligencia artificial  Sistemas de reconocimiento de patrones Índice Dewey: 006.3 Inteligencia artificial Resumen: El problema de lidiar con datos faltantes o incompletos en el aprendizaje automático y la visión por computadora surge en muchas aplicaciones. Las estrategias recientes utilizan modelos generativos para imputar datos faltantes o corruptos. Los avances en visión por computadora que utilizan modelos generativos profundos han encontrado aplicaciones en el procesamiento de imágenes y videos, como eliminación de ruido, restauración, superresolución o pintura interna. Inpainting and Denoising Challenges comprende esfuerzos recientes que se ocupan de tareas de pintura de imágenes y videos. Esto incluye soluciones ganadoras para los desafíos de ChaLearn Looking at People en pintura y eliminación de ruido: recuperación de pose humana, desubtitulado de video y restauración de huellas dactilares. Este volumen comienza con una amplia revisión sobre la eliminación de ruido de imágenes, el rastreo y la comparación de varios métodos, desde los métodos pioneros de procesamiento de señales hasta enfoques de aprendizaje automático con modelos dispersos y de bajo rango, y arquitecturas recientes de aprendizaje profundo con codificadores automáticos y variantes. Los siguientes capítulos presentan los resultados del Desafío, incluidas tres tareas de competencia en WCCI y ECML 2018. Se describen los mejores enfoques presentados por los participantes, mostrando contribuciones interesantes y métodos innovadores. Los dos últimos capítulos proponen contribuciones novedosas y destacan nuevas aplicaciones que se benefician de la imagen/vídeo en la pintura. . Nota de contenido: 1. A Brief Review of Image Denoising Algorithms and Beyond -- 2. ChaLearn Looking at People: Inpainting and Denoising Challenges -- 3. U-Finger: Multi-Scale Dilated Convolutional Network for Fingerprint Image Denoising and Inpainting -- 4. FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks -- 5. Iterative Application of Autoencoders for Video Inpainting and Fingerprint Denoising -- 6. Video DeCaptioning using U-Net with Stacked Dilated Convolutional Layers -- 7. Joint Caption Detection and Inpainting using Generative Network -- 8. Generative Image Inpainting for Person Pose Generation -- 9. Person Inpainting with Generative Adversarial Networks -- 10. Road Layout Understanding by Generative Adversarial Inpainting -- 11. Photo-realistic and Robust Inpainting of Faces using Refinement GANs. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200