Vor Ort
Merkzettel Warenkorb
Produktbild: Machine Learning in Document Analysis and Recognition
Band 90

Machine Learning in Document Analysis and Recognition

Aus der Reihe Studies in Computational Intelligence

149,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

10.01.2008

Abbildungen

XII, 434 p. 142 illus.

Herausgeber

Simone Marinai + weitere

Verlag

Springer Berlin

Seitenzahl

434

Maße (L/B/H)

24,1/16/2,9 cm

Gewicht

834 g

Auflage

2008

Sprache

Englisch

ISBN

978-3-540-76279-9

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

10.01.2008

Abbildungen

XII, 434 p. 142 illus.

Herausgeber

Verlag

Springer Berlin

Seitenzahl

434

Maße (L/B/H)

24,1/16/2,9 cm

Gewicht

834 g

Auflage

2008

Sprache

Englisch

ISBN

978-3-540-76279-9

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

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: Machine Learning in Document Analysis and Recognition
  • to Document Analysis and Recognition.- Structure Extraction in Printed Documents Using Neural Approaches.- Machine Learning for Reading Order Detection in Document Image Understanding.- Decision-Based Specification and Comparison of Table Recognition Algorithms.- Machine Learning for Digital Document Processing: from Layout Analysis to Metadata Extraction.- Classification and Learning Methods for Character Recognition: Advances and Remaining Problems.- Combining Classifiers with Informational Confidence.- Self-Organizing Maps for Clustering in Document Image Analysis.- Adaptive and Interactive Approaches to Document Analysis.- Cursive Character Segmentation Using Neural Network Techniques.- Multiple Hypotheses Document Analysis.- Learning Matching Score Dependencies for Classifier Combination.- Perturbation Models for Generating Synthetic Training Data in Handwriting Recognition.- Review of Classifier Combination Methods.- Machine Learning for Signature Verification.- Off-line Writer Identification and Verification Using Gaussian Mixture Models.