Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

140 winkels

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Vind hier een winkel

€ 242,95

+ 485 punten

Levering 2 à 3 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

Clustering is a fundamental problem in multimedia information processing. This co-authored book explores clustering principles through advanced data analysis techniques, such as matrix and tensor factorization, which are highly relevant for multimedia information processing. Multimedia data may exhibit various forms of noise represented from multiple perspectives, making traditional clustering approaches less effective. The authors consider complex conditions such as noise sensitivity and discuss methods to address these challenges in the context of multimedia data. They also examine popular regularization techniques, providing theoretical analyses that demonstrate the relationship between regularization and clustering performance.

Matrix Factorization for Multimedia Clustering: Models, techniques, optimization and applications will serve as a solid advanced reference for researchers, scientists, engineers and advanced students who wish to implement practical tasks through clustering formulations. Additionally, the authors provide a detailed description of convergence theory to enable readers to conduct the corresponding algorithm analyses. They investigate novel regularization techniques, such as self-paced learning, optimal graph learning, and diversity regularization, to uncover the geometric structure of data. These techniques are beneficial for enhancing clustering performance. Furthermore, they demonstrate the efficiency of these regularization techniques through theoretical analyses, practical experiments and applications in real-world datasets.