کتاب راهنمای تجزیه ماتریس تنک و رتبه پایین مقاوم ۲۰۱۶
Handbook of Robust Low-Rank and Sparse Matrix Decomposition 2016

کتاب راهنمای تجزیه ماتریس‌های کم‌رتبه و خلوت مقاوم: کاربردها در پردازش تصویر و ویدئو، به شما نشان می‌دهد که چگونه یادگیری و ردیابی زیرفضای مقاوم از طریق تجزیه به ماتریس‌های کم‌رتبه و خلوت، چارچوبی مناسب برای کاربردهای بینایی ماشین فراهم می‌کند. این کتاب با ادغام ایده‌های موجود و جدید، دسترسی یک‌جا به تعدادی از تجزیه‌ها، الگوریتم‌ها، پیاده‌سازی‌ها و تکنیک‌های محک‌زنی مختلف را به شما ارائه می‌دهد.

این کتاب که به پنج بخش تقسیم شده است، با یک مقدمه کلی بر تحلیل مولفه‌های اصلی مقاوم (PCA) از طریق تجزیه به ماتریس‌های کم‌رتبه و خلوت آغاز می‌شود. بخش دوم به مسائل فاکتورسازی/تکمیل ماتریس مقاوم می‌پردازد، در حالی که بخش سوم بر تخمین، یادگیری و ردیابی برخط زیرفضای مقاوم تمرکز دارد. بخش چهارم با پوشش کاربردها در پردازش تصویر و ویدئو، به بحث در مورد تحلیل تصویر، حذف نویز تصویر، تشخیص برجستگی حرکت، کدگذاری ویدئو، استخراج فریم کلیدی و پردازش ویدئوی فراطیفی می‌پردازد. بخش پایانی منابع و کاربردها را در جداسازی پس‌زمینه/پیش‌زمینه برای نظارت تصویری ارائه می‌کند.

این کتاب راهنما با مشارکت تیم‌های برجسته در سراسر جهان، یک نمای کلی کامل از مفاهیم، ​​نظریه‌ها، الگوریتم‌ها و کاربردهای مرتبط با تجزیه ماتریس‌های کم‌رتبه و خلوت مقاوم ارائه می‌دهد. این کتاب برای محققان، توسعه‌دهندگان و دانشجویان تحصیلات تکمیلی در بینایی ماشین، پردازش تصویر و ویدئو، معماری بی‌درنگ، یادگیری ماشین و داده‌کاوی طراحی شده است.

Handbook of Robust Low-Rank and Sparse Matrix Decomposition: Applications in Image and Video Processing shows you how robust subspace learning and tracking by decomposition into low-rank and sparse matrices provide a suitable framework for computer vision applications. Incorporating both existing and new ideas, the book conveniently gives you one-stop access to a number of different decompositions, algorithms, implementations, and benchmarking techniques.

Divided into five parts, the book begins with an overall introduction to robust principal component analysis (PCA) via decomposition into low-rank and sparse matrices. The second part addresses robust matrix factorization/completion problems while the third part focuses on robust online subspace estimation, learning, and tracking. Covering applications in image and video processing, the fourth part discusses image analysis, image denoising, motion saliency detection, video coding, key frame extraction, and hyperspectral video processing. The final part presents resources and applications in background/foreground separation for video surveillance.

With contributions from leading teams around the world, this handbook provides a complete overview of the concepts, theories, algorithms, and applications related to robust low-rank and sparse matrix decompositions. It is designed for researchers, developers, and graduate students in computer vision, image and video processing, real-time architecture, machine learning, and data mining.