Merkzettel Warenkorb
  • Produktbild: Computer Vision – ECCV 2022
  • Produktbild: Computer Vision – ECCV 2022
Band 13680

Computer Vision – ECCV 2022 17th European Conference, Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part XX

Aus der Reihe Lecture Notes in Computer Science

48,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.10.2022

Herausgeber

Shai Avidan + weitere

Verlag

Springer

Seitenzahl

759

Maße (L/B/H)

23,5/15,5/4,4 cm

Gewicht

1212 g

Auflage

1st edition 2022

Sprache

Englisch

ISBN

978-3-031-20043-4

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

21.10.2022

Herausgeber

Verlag

Springer

Seitenzahl

759

Maße (L/B/H)

23,5/15,5/4,4 cm

Gewicht

1212 g

Auflage

1st edition 2022

Sprache

Englisch

ISBN

978-3-031-20043-4

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
  • Produktbild: Computer Vision – ECCV 2022
  • Produktbild: Computer Vision – ECCV 2022
  • tSF: Transformer-Based Semantic Filter for Few-Shot Learning.- Adversarial Feature Augmentation for Cross-Domain Few-Shot Classification.- Constructing Balance from Imbalance for Long-Tailed Image Recognition.- On Multi-Domain Long-Tailed Recognition, Imbalanced Domain Generalization and Beyond.- Few-Shot Video Object Detection.- Worst Case Matters for Few-Shot Recognition.- Exploring Hierarchical Graph Representation for Large-Scale Zero-Shot Image Classification.- Doubly Deformable Aggregation of Covariance Matrices for Few-Shot Segmentation.- Dense Cross-Query-and-Support Attention Weighted Mask Aggregation for Few-Shot Segmentation.- Rethinking Clustering-Based Pseudo Labeling for Unsupervised Meta-Learning.- CLASTER: Clustering with Reinforcement Learning for Zero-Shot Action Recognition.- Few-Shot Class-Incremental Learning for 3D Point Cloud Objects.- Meta-Learning with Less Forgetting on Large-Scale Non-stationary Task Distributions.- DNA: Improving Few-Shot Transfer Learning with Low-Rank Decomposition and Alignment.- Learning Instance and Task-Aware Dynamic Kernels for Few Shot Learning.- Open-World Semantic Segmentation via Contrasting and Clustering Vision-Language Embedding.- Few-Shot Classification with Contrastive Learning.- Time-rEversed diffusioN tEnsor Transformer: A New TENET of Few-Shot Object Detection.- Self-Promoted Supervision for Few-Shot Transformer.- Few-Shot Object Counting and Detection.- Rethinking Few-Shot Object Detection on a Multi-Domain Benchmark.- Cross-Domain Cross-Set Few-Shot Learning via Learning Compact and Aligned Representations.- Mutually Reinforcing Structure with Proposal Contrastive Consistency for Few-Shot Object Detection.- Dual Contrastive Learning with Anatomical Auxiliary Supervision for Few-Shot Medical Image Segmentation.- Improving Few-Shot Learning through Multi-task Representation Learning Theory.- Tree Structure-Aware Few Shot Image Classification via Hierarchical Aggregation.- Inductive and Transductive Few Shot Video Classification via Appearance and Temporal Alignments.- Temporal and Cross-Modal Attention for Audio-Visual Zero-Shot Learning.- HM: Hybrid Masking for Few-Shot Segmentation.- TransVLAD: Focusing on Locally Aggregated Descriptors for Few-ShotLearning.- Kernel Relative-Prototype Spectral Filtering for Few-Shot Learning.- “This Is My Unicorn, Fluffy”: Personalizing Frozen Vision-Language Representations.- CLOSE: Curriculum Learning on the Sharing Extent towards Better One-Shot NAS.- Streamable Neural Fields.- Gradient-Based Uncertainty for Monocular Depth Estimation.- Online Continual Learning with Contrastive Vision Transformer.- CPrune: Compiler-Informed Model Pruning for Efficient Target-Aware DNN Execution.- EAutoDet: Efficient Architecture Search for Object Detection.- A Max-Flow Based Approach for Neural Architecture Search.- OccamNets: Mitigating Dataset Bias by Favoring Simpler Hypotheses.- ERA: Enhanced Rational Activations.- Convolutional Embedding Makes Hierarchical Vision Transformer Stronger.