Andere Kunden interessierten sich auch für
![Content Based Image Retrieval Using Support Vector Machine (SVM)]( "Content Based Image Retrieval Using Support Vector Machine (SVM)")
Content Based Image Retrieval Using Support Vector Machine (SVM)26,99 €![Recupero di immagini basato sui contenuti con l'ausilio della Support Vector Machine (SVM)]( "Recupero di immagini basato sui contenuti con l'ausilio della Support Vector Machine (SVM)")
Recupero di immagini basato sui contenuti con l'ausilio della Support Vector Machine (SVM)26,99 €![Support Vector Machine Based Speech Emotion Recognition]( "Support Vector Machine Based Speech Emotion Recognition")
Support Vector Machine Based Speech Emotion Recognition39,99 €![Support Vector Machines for Pattern Classification]( "Support Vector Machines for Pattern Classification")
Support Vector Machines for Pattern Classification110,99 €![Unterstützt Vector Machine Based Erkennung von Sprachgefühlen]( "Unterstützt Vector Machine Based Erkennung von Sprachgefühlen")
Unterstützt Vector Machine Based Erkennung von Sprachgefühlen60,90 €![Recherche d'images basée sur le contenu à l'aide de la machine à vecteurs de support (SVM)]( "Recherche d'images basée sur le contenu à l'aide de la machine à vecteurs de support (SVM)")
Recherche d'images basée sur le contenu à l'aide de la machine à vecteurs de support (SVM)26,99 €![Détection d'extrasystoles ventriculaires par Support Vector Machines]( "Détection d'extrasystoles ventriculaires par Support Vector Machines")
Détection d'extrasystoles ventriculaires par Support Vector Machines42,99 €
Content Based Image Retrieval (CBIR) ist ein sich entwickelnder Trend in der digitalen Bildverarbeitung für die Suche und den Abruf von Bildern aus einer Vielzahl von Datenbanken. Konventionelle inhaltsbasierte Bildabrufverfahren (CBIR) haben folgende Einschränkungen: 1. Es ist langsam; 2. es ist schwierig, negative Beispiele zu kennzeichnen; 3. die Genauigkeit ist in einem einzigen Schritt schlecht; wir schlagen eine neue zweistufige Strategie vor, bei der der erste Schritt die Merkmalsextraktion unter Verwendung von Merkmalen auf niedriger Ebene (Farbe, Form und Textur) ist, während der SVM-Klassifikator im zweiten Schritt verwendet wird, um die verrauschten positiven Beispiele zu behandeln. So entsteht ein effizienter Algorithmus für die Bildsuche, der auf dem Farbkorrelogramm für die Extraktion von Farbmerkmalen, der Wavelet-Transformation für die Extraktion von Formmerkmalen und dem Gabor-Wavelet für die Extraktion von Texturmerkmalen basiert.