Puntuación:
El libro ofrece una completa introducción a la visión por computador, abarcando una amplia gama de temas, desde las técnicas clásicas hasta los modernos métodos de aprendizaje profundo. Está bien estructurado y la redacción es clara, lo que lo hace accesible para principiantes con cierta formación matemática. Sin embargo, algunos lectores opinan que puede no ser adecuado para principiantes absolutos, y existen dudas sobre la calidad de la impresión.
Ventajas:⬤ Cobertura exhaustiva de los temas
⬤ redacción clara y accesible
⬤ bien estructurado para diferentes niveles
⬤ incluye aplicaciones prácticas extraídas de la experiencia
⬤ adecuado para el autoaprendizaje con una buena comprensión básica.
⬤ No es ideal para principiantes
⬤ la calidad de la impresión es deficiente en comparación con el precio del libro
⬤ algunos pueden encontrar las matemáticas mínimas insuficientes para una comprensión más profunda.
(basado en 5 opiniones de lectores)
Computer Vision: Principles, Algorithms, Applications, Learning
Visión por computador: Principles, Algorithms, Applications, Learning (anteriormente titulado Computer and Machine Vision) presenta de forma clara y sistemática la metodología básica de la visión por computador, cubriendo los elementos esenciales de la teoría a la vez que hace hincapié en las limitaciones algorítmicas y de diseño práctico.
Esta quinta edición, totalmente revisada, ha incorporado más conceptos y aplicaciones de la visión por computador, lo que la convierte en un texto muy completo y actualizado, adecuado para estudiantes de grado y posgrado, investigadores e ingenieros de I+D que trabajen en este vibrante tema. Vea una entrevista con el autor en la que explica su enfoque de la enseñanza y el aprendizaje de la visión por ordenador - http: //scitechconnect.
elsevier.com/computer-vision/.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)