Merkzettel Warenkorb
Produktbild: Computer Vision – ECCV 2024 Workshops
Band 15626

Computer Vision – ECCV 2024 Workshops Milan, Italy, September 29–October 4, 2024, Proceedings, Part IV

Aus der Reihe Lecture Notes in Computer Science

146,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Lieferung nach Hause

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

23.05.2025

Abbildungen

LV, 155 illus., 143 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Alessio Del Bue + weitere

Verlag

Springer

Seitenzahl

462

Maße (L/B/H)

23,5/15,5/2,8 cm

Gewicht

779 g

Sprache

Englisch

ISBN

978-3-031-92804-8

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

23.05.2025

Abbildungen

LV, 155 illus., 143 illus. in color., schwarz-weiss Illustrationen, farbige Illustrationen

Herausgeber

Verlag

Springer

Seitenzahl

462

Maße (L/B/H)

23,5/15,5/2,8 cm

Gewicht

779 g

Sprache

Englisch

ISBN

978-3-031-92804-8

Herstelleradresse

Springer-Verlag GmbH
Tiergartenstr. 17
69121 Heidelberg
DE

Email: [email protected]

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 2024 Workshops

  • .- On the Application of Egocentric Computer Vision to Industrial Inspection.

    .- NeuroSymbolic Visual Transform based on Logic Tensor Network for Defect Detection.

    .- Multimodal computer vision techniques for wooden utility pole density esti mation with contact-free sensing.

    .- Dynamic Label Injection for Imbalanced Industrial Defect Segmentation.

    .- XAI-guided Insulator Anomaly Detection for Imbalanced Datasets.

    .- Exploring Multi-modal Neural Scene Representations With Applications on Thermal Imaging.

    .- Foreground-Aware Knowledge Distillation for Enhanced Damage Detection.

    .- AnomalyFactory: Regard Anomaly Generation as Unsupervised Anomaly Localization.

    .- Interactive Explainable Anomaly Detection for Industrial Settings.

    .- DAS3D: Dual-modality Anomaly Synthesis for 3D Anomaly Detection.

    .- SQUAD: Scalar Quantized representation learning for Unsupervised Anomaly Detection and localization.

    .- Deep Unsupervised Segmentation of Log Point Clouds.

    .- A Computer Vision System for Automatic Edge Detection of Magnetic Grain Profile.

    .- Find the Assembly Mistakes: Error Segmentation for Industrial Applications.

    .- EM Based Nano-Scale Defect Analysis in Semiconductor Man ufacturing for Advanced IC Nodes.

    .- On The Relationship between Visual Anomaly-free and Anomalous Representations.

    .- DIE-VIS: an Automated Visual Inspection System for Cardboard Box Manufacturing.

    .- When the Small-Loss Trick is Not Enough: Multi-Label Image Classification with Noisy Labels Applied to CCTV Sewer Inspections.

    .- AnomalousPatchCore: Exploring the Use of Anomalous Samples in Industrial Anomaly Detection.

    .- Self-supervised Models are Strong Industrial Few-shot Classification Learners.

    .- Hyperspectral Imaging and Computer Vision Based Remote Monitoring of SO2 Emissions in Maritime Vessels.

    .- Temporal-consistent CAMs for Weakly Supervised Video Segmentation in Waste Sorting.

    .- Sequential PatchCore: Anomaly Detection for Surface Inspection using Synthetic Impurities.

    .- SplatPose+: Real Time Image-Based Pose-Agnostic 3D Anomaly Detection.

    .- BBD-Polyp: Weakly Supervised Polyp Segmentation via Bounding Box and

    Depth Map.

    .- ENSTRECT: A Stage-based Approach to 2.5D Structural Damage Detection.

    .- An Augmentation-based Model Re-adaptation Framework for Robust Image Segmentation.

    .- Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection.