| TÃtulo : |
Synthetic Data for Deep Learning |
| Tipo de documento: |
documento electrónico |
| Autores: |
Nikolenko, Sergey I., |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XII, 348 p. 125 ilustraciones, 100 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-75178-4 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Idioma : |
Inglés (eng) |
| Palabras clave: |
Aprendizaje automático La investigación de operaciones ciencia de la gestión Visión por computador Investigación de Operaciones Ciencias de la Gestión |
| Clasificación: |
006.31 |
| Resumen: |
Este es el primer libro sobre datos sintéticos para el aprendizaje profundo, y su amplia cobertura puede convertirlo en la referencia predeterminada sobre datos sintéticos en los años venideros. El libro también puede servir como introducción a otros subcampos importantes del aprendizaje automático que rara vez se abordan en otros libros. El aprendizaje automático como disciplina no serÃa posible sin el funcionamiento interno de la optimización disponible. El libro incluye los aspectos necesarios de la optimización, aunque el meollo de la discusión se centra en la herramienta cada vez más popular para entrenar modelos de aprendizaje profundo: los datos sintéticos. Se espera que el campo de los datos sintéticos experimente un crecimiento exponencial en un futuro próximo. Este libro sirve como un estudio exhaustivo del campo. En el caso más simple, los datos sintéticos se refieren a gráficos generados por computadora que se utilizan para entrenar modelos de visión por computadora. Hay muchas más facetas de los datos sintéticos a considerar. En la sección sobre visión por computadora básica, el libro analiza problemas fundamentales de visión por computadora, tanto de bajo nivel (por ejemplo, estimación de flujo óptico) como de alto nivel (por ejemplo, detección de objetos y segmentación semántica), entornos sintéticos y conjuntos de datos para escenas exteriores y urbanas. (conducción autónoma), escenas interiores (navegación interior), navegación aérea y entornos de simulación para robótica. Además, aborda aplicaciones de datos sintéticos fuera de la visión por computadora (en programación neuronal, bioinformática, PNL y más). También analiza el trabajo para mejorar el desarrollo de datos sintéticos y formas alternativas de producirlos, como las GAN. El libro presenta y revisa varios enfoques diferentes de datos sintéticos en diversos dominios del aprendizaje automático, en particular los siguientes campos: adaptación de dominio para hacer que los datos sintéticos sean más realistas y/o adaptación de los modelos que se entrenarán en datos sintéticos y privacidad diferencial para generar datos sintéticos. datos con garantÃas de privacidad. Esta discusión va acompañada de una introducción a las redes generativas adversarias (GAN) y una introducción a la privacidad diferencial. |
| Nota de contenido: |
1. Introduction -- 2. Synthetic data for basic computer vision problems -- 3. Synthetic simulated environments -- 4. Synthetic data outside computer vision -- 5. Directions in synthetic data development -- 6. Synthetic-to-real domain adaptation and refinement -- 7. Privacy guarantees in synthetic data -- 8. Promising directions for future work -- Conclusion -- References. |
| Tipo de medio : |
Computadora |
| Summary : |
This is the first book on synthetic data for deep learning, and its breadth of coverage may render this book as the default reference on synthetic data for years to come. The book can also serve as an introduction to several other important subfields of machine learning that are seldom touched upon in other books. Machine learning as a discipline would not be possible without the inner workings of optimization at hand. The book includes the necessary sinews of optimization though the crux of the discussion centers on the increasingly popular tool for training deep learning models, namely synthetic data. It is expected that the field of synthetic data will undergo exponential growth in the near future. This book serves as a comprehensive survey of the field. In the simplest case, synthetic data refers to computer-generated graphics used to train computer vision models. There are many more facets of synthetic data to consider. In the section on basic computer vision, the book discusses fundamental computer vision problems, both low-level (e.g., optical flow estimation) and high-level (e.g., object detection and semantic segmentation), synthetic environments and datasets for outdoor and urban scenes (autonomous driving), indoor scenes (indoor navigation), aerial navigation, and simulation environments for robotics. Additionally, it touches upon applications of synthetic data outside computer vision (in neural programming, bioinformatics, NLP, and more). It also surveys the work on improving synthetic data development and alternative ways to produce it such as GANs. The book introduces and reviews several different approaches to synthetic data in various domains of machine learning, most notably the following fields: domain adaptation for making synthetic data more realistic and/or adapting the models to be trained on synthetic data and differential privacy for generating synthetic data with privacy guarantees. This discussion is accompanied by an introduction into generative adversarial networks (GAN) and an introduction to differential privacy. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
Synthetic Data for Deep Learning [documento electrónico] / Nikolenko, Sergey I., . - 1 ed. . - [s.l.] : Springer, 2021 . - XII, 348 p. 125 ilustraciones, 100 ilustraciones en color. ISBN : 978-3-030-75178-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés ( eng)
| Palabras clave: |
Aprendizaje automático La investigación de operaciones ciencia de la gestión Visión por computador Investigación de Operaciones Ciencias de la Gestión |
| Clasificación: |
006.31 |
| Resumen: |
Este es el primer libro sobre datos sintéticos para el aprendizaje profundo, y su amplia cobertura puede convertirlo en la referencia predeterminada sobre datos sintéticos en los años venideros. El libro también puede servir como introducción a otros subcampos importantes del aprendizaje automático que rara vez se abordan en otros libros. El aprendizaje automático como disciplina no serÃa posible sin el funcionamiento interno de la optimización disponible. El libro incluye los aspectos necesarios de la optimización, aunque el meollo de la discusión se centra en la herramienta cada vez más popular para entrenar modelos de aprendizaje profundo: los datos sintéticos. Se espera que el campo de los datos sintéticos experimente un crecimiento exponencial en un futuro próximo. Este libro sirve como un estudio exhaustivo del campo. En el caso más simple, los datos sintéticos se refieren a gráficos generados por computadora que se utilizan para entrenar modelos de visión por computadora. Hay muchas más facetas de los datos sintéticos a considerar. En la sección sobre visión por computadora básica, el libro analiza problemas fundamentales de visión por computadora, tanto de bajo nivel (por ejemplo, estimación de flujo óptico) como de alto nivel (por ejemplo, detección de objetos y segmentación semántica), entornos sintéticos y conjuntos de datos para escenas exteriores y urbanas. (conducción autónoma), escenas interiores (navegación interior), navegación aérea y entornos de simulación para robótica. Además, aborda aplicaciones de datos sintéticos fuera de la visión por computadora (en programación neuronal, bioinformática, PNL y más). También analiza el trabajo para mejorar el desarrollo de datos sintéticos y formas alternativas de producirlos, como las GAN. El libro presenta y revisa varios enfoques diferentes de datos sintéticos en diversos dominios del aprendizaje automático, en particular los siguientes campos: adaptación de dominio para hacer que los datos sintéticos sean más realistas y/o adaptación de los modelos que se entrenarán en datos sintéticos y privacidad diferencial para generar datos sintéticos. datos con garantÃas de privacidad. Esta discusión va acompañada de una introducción a las redes generativas adversarias (GAN) y una introducción a la privacidad diferencial. |
| Nota de contenido: |
1. Introduction -- 2. Synthetic data for basic computer vision problems -- 3. Synthetic simulated environments -- 4. Synthetic data outside computer vision -- 5. Directions in synthetic data development -- 6. Synthetic-to-real domain adaptation and refinement -- 7. Privacy guarantees in synthetic data -- 8. Promising directions for future work -- Conclusion -- References. |
| Tipo de medio : |
Computadora |
| Summary : |
This is the first book on synthetic data for deep learning, and its breadth of coverage may render this book as the default reference on synthetic data for years to come. The book can also serve as an introduction to several other important subfields of machine learning that are seldom touched upon in other books. Machine learning as a discipline would not be possible without the inner workings of optimization at hand. The book includes the necessary sinews of optimization though the crux of the discussion centers on the increasingly popular tool for training deep learning models, namely synthetic data. It is expected that the field of synthetic data will undergo exponential growth in the near future. This book serves as a comprehensive survey of the field. In the simplest case, synthetic data refers to computer-generated graphics used to train computer vision models. There are many more facets of synthetic data to consider. In the section on basic computer vision, the book discusses fundamental computer vision problems, both low-level (e.g., optical flow estimation) and high-level (e.g., object detection and semantic segmentation), synthetic environments and datasets for outdoor and urban scenes (autonomous driving), indoor scenes (indoor navigation), aerial navigation, and simulation environments for robotics. Additionally, it touches upon applications of synthetic data outside computer vision (in neural programming, bioinformatics, NLP, and more). It also surveys the work on improving synthetic data development and alternative ways to produce it such as GANs. The book introduces and reviews several different approaches to synthetic data in various domains of machine learning, most notably the following fields: domain adaptation for making synthetic data more realistic and/or adapting the models to be trained on synthetic data and differential privacy for generating synthetic data with privacy guarantees. This discussion is accompanied by an introduction into generative adversarial networks (GAN) and an introduction to differential privacy. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
|  |
Crear una solicitud de compra Refinar búsquedaAnalysis of Images, Social Networks and Texts / Ignatov, Dmitry I. ; Khachay, Mikhail Yu ; Labunets, Valeri G. ; Loukachevitch, Natalia ; Nikolenko, Sergey I. ; Panchenko, Alexander ; Savchenko, Andrey V. ; Vorontsov, Konstantin
