•  Persian
    • Persian
    • English
  •   ورود
  • دانشگاه فردوسی مشهد
  • |
  • مرکز اطلاع‌رسانی و کتابخانه مرکزی
    • Persian
    • English
  • خانه
  • انواع منابع
    • مقاله مجله
    • کتاب الکترونیکی
    • مقاله همایش
    • استاندارد
    • پروتکل
    • پایان‌نامه
  • راهنمای استفاده
View Item 
  •   کتابخانه دیجیتال دانشگاه فردوسی مشهد
  • Fum
  • Articles
  • Latin Articles
  • View Item
  •   کتابخانه دیجیتال دانشگاه فردوسی مشهد
  • Fum
  • Articles
  • Latin Articles
  • View Item
  • همه
  • عنوان
  • نویسنده
  • سال
  • ناشر
  • موضوع
  • عنوان ناشر
  • ISSN
  • شناسه الکترونیک
  • شابک
جستجوی پیشرفته
JavaScript is disabled for your browser. Some features of this site may not work without it.

A Bayesian framework for dense depth estimation based on spatial–temporal correlation

نویسنده:
Qiong Liu
,
You Yang
,
Yue Gao
,
Rongrong Ji
,
Li Yu
سال
: 2013
شناسه الکترونیک: 10.1016/j.neucom.2012.09.009
یو آر آی: https://libsearch.um.ac.ir:443/fum/handle/fum/747240
کالکشن :
  • Latin Articles
  • دانلود: (1.028Mb)
  • نمایش متادیتا پنهان کردن متادیتا
  • آمار بازدید

    A Bayesian framework for dense depth estimation based on spatial–temporal correlation

Show full item record

contributor authorQiong Liu
contributor authorYou Yang
contributor authorYue Gao
contributor authorRongrong Ji
contributor authorLi Yu
date accessioned2020-03-12T04:14:11Z
date available2020-03-12T04:14:11Z
date issued2013
identifier otherRrEtiNSOYP_jsFNbIi8RAB5EnsCEnC6jE_B5jkIeHwgRpKzLgt.pdf
identifier urihttps://libsearch.um.ac.ir:443/fum/handle/fum/747240
formatgeneral
languageEnglish
titleA Bayesian framework for dense depth estimation based on spatial–temporal correlation
typeJournal Paper
contenttypeFulltext
contenttypeFulltext
identifier padid5777488
identifier doi10.1016/j.neucom.2012.09.009
journal titleNeurocomputing
coverageAcademic
pages1-9
journal volume104
filesize1078665
citations1
  • درباره ما
نرم افزار کتابخانه دیجیتال "دی اسپیس" فارسی شده توسط یابش برای کتابخانه های ایرانی | تماس با یابش
DSpace software copyright © 2019-2022  DuraSpace