Atjaunināt sīkdatņu piekrišanu

E-grāmata: Human Activity Recognition and Anomaly Detection: 4th International Workshop, DL-HAR 2024, and First International Workshop, ADFM 2024, Held in Conjunction with IJCAI 2024, Jeju, South Korea, August 3-9, 2024, Revised Selected Papers

Edited by , Edited by , Edited by , Edited by , Edited by , Edited by , Edited by
  • Formāts - EPUB+DRM
  • Cena: 65,42 €*
  • * ši ir gala cena, t.i., netiek piemērotas nekādas papildus atlaides
  • Ielikt grozā
  • Pievienot vēlmju sarakstam
  • Šī e-grāmata paredzēta tikai personīgai lietošanai. E-grāmatas nav iespējams atgriezt un nauda par iegādātajām e-grāmatām netiek atmaksāta.

DRM restrictions

  • Kopēšana (kopēt/ievietot):

    nav atļauts

  • Drukāšana:

    nav atļauts

  • Lietošana:

    Digitālo tiesību pārvaldība (Digital Rights Management (DRM))
    Izdevējs ir piegādājis šo grāmatu šifrētā veidā, kas nozīmē, ka jums ir jāinstalē bezmaksas programmatūra, lai to atbloķētu un lasītu. Lai lasītu šo e-grāmatu, jums ir jāizveido Adobe ID. Vairāk informācijas šeit. E-grāmatu var lasīt un lejupielādēt līdz 6 ierīcēm (vienam lietotājam ar vienu un to pašu Adobe ID).

    Nepieciešamā programmatūra
    Lai lasītu šo e-grāmatu mobilajā ierīcē (tālrunī vai planšetdatorā), jums būs jāinstalē šī bezmaksas lietotne: PocketBook Reader (iOS / Android)

    Lai lejupielādētu un lasītu šo e-grāmatu datorā vai Mac datorā, jums ir nepieciešamid Adobe Digital Editions (šī ir bezmaksas lietotne, kas īpaši izstrādāta e-grāmatām. Tā nav tas pats, kas Adobe Reader, kas, iespējams, jau ir jūsu datorā.)

    Jūs nevarat lasīt šo e-grāmatu, izmantojot Amazon Kindle.

This book constitutes the refereed proceedings of the 4th International and First International Workshop on Human Activity Recognition and Anomaly Detection, Conjunction with IJCAI 2024, held in Jeju, South Korea, during August 39, 2024.





The 9 full papers included in this book were carefully reviewed and selected from 14 submissions. They were organized in topical sections as follows: Anomaly Detection with Foundation Models and Deep Learning for Human Activity Recognition.

.- Anomaly Detection with Foundation Models.
.- GPT-4V-AD: Exploring Grounding Potential of VQA-oriented GPT-4V for Zero-shot Anomaly Detection.
.- CLIP-AD: A Language-Guided Staged Dual-Path Model for Zero-shot Anomaly Detection.
.- DDPM-MoCo: Advancing Industrial Surface Defect Generation and Detection with Generative and Contrastive Learning.
.- Dual Memory-guided Probabilistic Model for Weakly-supervised Anomaly Detection.
.- Deep Learning for Human Activity Recognition.
.- Real-Time Human Action Prediction via Pose Kinematics.
.- Uncertainty Awareness for Unsupervised Domain Adaptation on Human Activity Recognition.
.- Deep Interaction Feature Fusion for Robust Human Activity Recognition.
.- How effective are Self-Supervised models for Contact Identification in Videos.
.- A Wearable Multi-Modal Edge-Computing System for Real-Time Kitchen Activity Recognition.