Name: Deep Learning for Video Understanding (en Inglés)
Price: 466047.00 COP
Availability: InStock
Author: Wu, Zuxuan ; Jiang, Yu-Gang
ISBN: 9783031576782

portada Deep Learning for Video Understanding (en Inglés)

Deep Learning for Video Understanding (en Inglés)

Formato

Libro Físico

Autor

Zuxuan Wu

Yu-Gang Jiang

Editorial

Springer

Idioma

Inglés

N° páginas

188

Encuadernación

Tapa Dura

ISBN13

9783031576782

Categorías

Procesamiento de señales
Reconocimiento de formas
Visión por ordenador
Procesamiento digital de señales (dsp, por su sigla inglesa)

Deep Learning for Video Understanding (en Inglés)

Zuxuan Wu (Autor) · Yu-Gang Jiang (Autor) · Springer · Tapa Dura

Libro Nuevo Importado

Envío: 19 a 25 días háb.

$ 847.358$ 466.047

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan más de 100 unidades

$ 466.047

¡Envío Gratis! Llega entre el 08 Sep y el 17 Sep a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Deep Learning for Video Understanding (en Inglés)"

This book presents deep learning techniques for video understanding. For deep learning basics, the authors cover machine learning pipelines and notations, 2D and 3D Convolutional Neural Networks for spatial and temporal feature learning. For action recognition, the authors introduce classical frameworks for image classification, and then elaborate both image-based and clip-based 2D/3D CNN networks for action recognition. For action detection, the authors elaborate sliding windows, proposal-based detection methods, single stage and two stage approaches, spatial and temporal action localization, followed by datasets introduction. For video captioning, the authors present language-based models and how to perform sequence to sequence learning for video captioning. For unsupervised feature learning, the authors discuss the necessity of shifting from supervised learning to unsupervised learning and then introduce how to design better surrogate training tasks to learn video representations. Finally, the book introduces recent self-training pipelines like contrastive learning and masked image/video modeling with transformers. The book provides promising directions, with an aim to promote future research outcomes in the field of video understanding with deep learning.