Search | Engineering

GVG农情采样系统 1

人工智能 1

作物灾情 1

几何构造 1

判别学习；统计建模；贝叶斯分类器；高斯混合模型；UCI数据集 1

包含控制；二阶多智能体系统；采样位置数据；间歇通信；通信宽度 1

压缩采样 1

压缩采样；单像素成像；光子时间拉伸；成像式流式细胞仪 1

吸气式 1

四元数傅里叶变换；四元数线性正则变换；采样定理；部分和总体四元数希尔伯特变换；部分和总体广义四元数希尔伯特变换；截断误差 1

图像散射；边缘增强；卷积神经网络；非下采样轮廓波变换 1

多光谱/高光谱视频采集；单次曝光；采样与重建 1

多普勒频偏 1

多智能体系统；协同规划；图采样与聚合（GraphSAGE）；融合任务信息 1

多智能体系统；非脆弱采样数据控制；时变延迟；线性矩阵不等式；渐近同步 1

多类学习；最大间隔学习；在线算法 1

大修间隔期 1

头部姿势估计，密集的多变量标签分布，采样间隔，标签不一致， 1

奈奎斯特采样定理；亚奈奎斯特采样；最小欧式距离；欠定线性问题；时变维特比算法 1

对象使用场景；API协议挖掘；程序时序约束挖掘；过采样 1

展开︾

摘要：我们首先证明了我们的分类器具有最大间隔性质，这意味着对于未来数据的预测精度几乎和训练阶段一样高。此外，我们消除了目标函数中的大量的局部变元，极大地简化了优化问题。

摘要：准确的头部姿势对于许多与面部相关的任务很有用，例如面部识别，注视估计和情绪分析。大多数现有方法估计训练数据中包括的头部姿势（即先前看到的头部姿势）。为了预测在训练数据中看不到的头部姿势，已经提出了一些基于回归的方法。但是，他们专注于估计连续的头部姿势角度，因此没有系统地评估预测看不见的头部姿势的性能。在本文中，我们使用密集的多元标签分布（MLD）来表示人脸图像的姿势角度。通过将可见和看不见的姿势角度都合并到MLD中，头部姿势预测器可以以与估计所见的头部姿势相当的精度估计看不见的头部姿势。在Pointing’04数据库中，偏航和俯仰结果的平均绝对误差分别为4.01和2.13。此外，在CAS-PEAL和CMU Multi-PIE数据库上进行的实验表明，与某些现有方法相比，所提出的基于MLD的密集头部姿态估计方法可以获得最先进的性能。

摘要：奈奎斯特频率是一般带限信号进行无损采样的采样率下界，然而在某些情景中，亚奈奎斯特频率也足以进行无损采样和信号恢复。以往对亚奈奎斯特采样的研究主要集中在利用信号变换来降低信号维度，但是亚奈奎斯特采样信号的结构并没有得到充分研究。本文针对线性调制基带信号的亚奈奎斯特采样，研究其信号恢复性能极限与算法。本文采用两种亚奈奎斯特采样方法对线性调制基带信号进行采样，分别研究了两种采样方法下的性能极限和信号恢复算法。首先，针对两种亚奈奎斯特采样方法，分别计算了采样序列之间的最小归一化欧氏距离，以此作为最优性能的指标。然后，在基带信号有限符号集的限制条件下，采用改进的时变维特比算法从亚奈奎斯特采样序列中恢复原信号。将仿真得到的亚奈奎斯特采样的误比特率与其性能的理论极限比较，并与奈奎斯特采样性能对比，验证了时变维特比算法在信号恢复问题中的优良性能。

资源类型

年份

关键词