Club utilise des cookies et des technologies similaires pour faire fonctionner correctement le site web et vous fournir une meilleure expérience de navigation.
Ci-dessous vous pouvez choisir quels cookies vous souhaitez modifier :
Club utilise des cookies et des technologies similaires pour faire fonctionner correctement le site web et vous fournir une meilleure expérience de navigation.
Nous utilisons des cookies dans le but suivant :
Assurer le bon fonctionnement du site web, améliorer la sécurité et prévenir la fraude
Avoir un aperçu de l'utilisation du site web, afin d'améliorer son contenu et ses fonctionnalités
Pouvoir vous montrer les publicités les plus pertinentes sur des plateformes externes
Gestion des cookies
Club utilise des cookies et des technologies similaires pour faire fonctionner correctement le site web et vous fournir une meilleure expérience de navigation.
Ci-dessous vous pouvez choisir quels cookies vous souhaitez modifier :
Cookies techniques et fonctionnels
Ces cookies sont indispensables au bon fonctionnement du site internet et vous permettent par exemple de vous connecter. Vous ne pouvez pas désactiver ces cookies.
Cookies analytiques
Ces cookies collectent des informations anonymes sur l'utilisation de notre site web. De cette façon, nous pouvons mieux adapter le site web aux besoins des utilisateurs.
Cookies marketing
Ces cookies partagent votre comportement sur notre site web avec des parties externes, afin que vous puissiez voir des publicités plus pertinentes de Club sur des plateformes externes.
Une erreur est survenue, veuillez réessayer plus tard.
Il y a trop d’articles dans votre panier
Vous pouvez encoder maximum 250 articles dans votre panier en une fois. Supprimez certains articles de votre panier ou divisez votre commande en plusieurs commandes.
Domain adaptation is an active, emerging research area that attempts to address the changes in data distribution across training and testing datasets. With the availability of a multitude of image acquisition sensors, variations due to illumination and viewpoint among others, computer vision applications present a very natural test bed for evaluating domain adaptation methods. This monograph provides a comprehensive overview of domain adaptation solutions for visual recognition problems. By starting with the problem description and illustrations, it discusses three adaptation scenarios, namely, (i) unsupervised adaptation where the "source domain" training data is partially labeled and the "target domain" test data is unlabeled; (ii) semi-supervised adaptation where the target domain also has partial labels; and (iii) multi-domain heterogeneous adaptation which studies the previous two settings with the source and/or target having more than one domain, and accounts for cases where the features used to represent the data in each domain are different. For all of these scenarios, Domain Adaptation for Visual Recognition discusses the existing adaptation techniques in the literature. These techniques are motivated by the principles of max-margin discriminative learning, manifold learning, sparse coding, as well as low-rank representations, and have shown improved performance on a variety of applications such as object recognition, face recognition, activity analysis, concept classification, and person detection. Domain Adaptation for Visual Recognition concludes by analyzing the challenges posed by the realm of "big visual data" -- in terms of the generalization ability of adaptation algorithms to unconstrained data acquisition as well as issues related to their computational tractability -- and draws parallels with efforts from the vision community on image transformation models and invariant descriptors so as to facilitate improved understanding of vision problems under uncertainty.