KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb
  • Produktbild: Graph-Based Representations in Pattern Recognition
  • Produktbild: Graph-Based Representations in Pattern Recognition
Band 14121

Graph-Based Representations in Pattern Recognition 13th IAPR-TC-15 International Workshop, GbRPR 2023, Vietri sul Mare, Italy, September 6–8, 2023, Proceedings

Aus der Reihe Lecture Notes in Computer Science

54,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

24.08.2023

Abbildungen

XVI, 184 p. 33 illus., 27 illus. in color.

Herausgeber

Mario Vento + weitere

Verlag

Springer

Seitenzahl

184

Maße (L/B/H)

23,5/15,5/1,2 cm

Gewicht

312 g

Auflage

1st ed. 2023

Sprache

Englisch

ISBN

978-3-031-42794-7

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

24.08.2023

Abbildungen

XVI, 184 p. 33 illus., 27 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

184

Maße (L/B/H)

23,5/15,5/1,2 cm

Gewicht

312 g

Auflage

1st ed. 2023

Sprache

Englisch

ISBN

978-3-031-42794-7

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Graph-Based Representations in Pattern Recognition
  • Produktbild: Graph-Based Representations in Pattern Recognition
  • Graph Kernels and Graph Algorithms.- Quadratic Kernel Learning for Interpolation Kernel Machine Based Graph Classification.- Minimum Spanning Set Selection in Graph Kernels.- Graph-based vs. Vector-based Classification: A Fair Comparison.- A Practical Algorithm for Max-Norm Optimal Binary Labeling of Graphs.- Efficient Entropy-based Graph Kernel.- Graph Neural Networks.- GNN-DES: A new end-to-end dynamic ensemble selection method based on multi-label graph neural network.- C2N-ABDP: Cluster-to-Node Attention-based Differentiable Pooling.- Splitting Structural and Semantic Knowledge in Graph Autoencodersfor Graph Regression.- Graph Normalizing Flows to Pre-image Free Machine Learning for Regression.- Matching-Graphs for Building Classification Ensembles.- Maximal Independent Sets for Pooling in Graph Neural Networks.- Graph-based Representations and Applications.- Detecting Abnormal Communication Patterns in IoT Networks Using Graph Neural Networks.- Cell segmentation of in situ transcriptomics data using signed graph partitioning.- Graph-based representation for multi-image super-resolution.- Reducing the Computational Complexity of the Eccentricity Transform.- Graph-Based Deep Learning on the Swiss River Network.