|
|
|
- Κυπριανός Μιχαλολιάκος
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Abstract (C C (FWM C 1 (deep learning [12, 17] (convolutional neural networks, C [25, 30, 19] [5, 21, 23] C [18] C C GPU [5, 21] C C [11] [16] [2] C (FWM FWM FWM 2 (FWM [29] [33] [1] FWM
2 Layer 0 (Raw image Patch descriptor Convolutions using Fisher weight map Pooling & rectification OUTPUT Layer 4 Full connection (Logistic regression Layer 3 Layer 2 Layer 1 Pooling 1 [15] spatial pyramids [22] pyramid matching FWM FWM FWM PCA (EWM [29] C EWM FWM 3 1 k (L k m k 1 P k P k (L 0 RGB 3 map 1 map 2 map mk ( x, y ( k f( x 1, y ( k f( x, y 1 ( k f( x+ 1, y M x= ( k ( x, Fisher weight map or Eigen weight map w 1 w mk +1 w 2 Layer k Layer k+1 2 y 1 1 ( x, y map 1 ( z 1 map 2 ( z 2 map m k+ 1 ( z mk +1 [17] f (k (x,y R m k L k (x, y f (k (x,y n n f (k x (k (x,y Rm k n 2 (x,y (P k n +1 (P k n +1 x (k (x,y 2 ( X = x (k (1,1 x(k (2,1 x(k (P k n+1,p k n+1. (1 z z =(X X T w X X EWM FWM m k+1 EWM FWM 1 FWM 2
3 Eigen weight map (EWM EWM z J E (w J E (w = 1 (z i z T (z i z i=1 { } = w T 1 (X i X(X i X T w i=1 = w T Σ X w, (2 z z i J E (w Σ X w = λw. (3 EWM PCA Fisher weight map (FWM FWM z EWM FWM J F (w EWM Σ W Σ B z Σ W = 1 Σ B = 1 C j j=1 i=1 (z (j i z (j (z (j i z (j T, (4 C j ( z (j z( z (j z T, (5 j=1 C j j, z (j i j i z (j Σ W Σ B tr Σ W = 1 C j (z (j i z (j T (z (j i z (j j=1 i=1 = w T 1 C j (X (j i X (j (X (j i X (j T w j=1 i=1 = w T Σ W w. (6 tr Σ B = 1 C j ( z (j z T ( z (j z j=1 = w T 1 C j ( X (j X( X (j X T w j=1 = w T Σ B w. (7 J F (w = tr Σ B tr Σ = wt Σ B w W w T Σ W w. (8 Σ B w = λσ W w. (9 3.2 tanh [25, 19]Rectified Linear Units (ReLU [27, 21] x R(x = max(0,x. ReLU ReLU Coates [8] ( max(0,x R 2 (x =. (10 max(0, x 3.3 sub-sampling [30] [6, 5, 34] (average pooling (max pooling, L2 [4] L =75
4 unsupervised : [19]C MIST [24] K-means: Coates [6, 9] bag-of-words [10] zero component analysis (ZCA K-means visual words triangular encoding K-means 3.5 Rand(n, d: n n d K m (n, d: n n d K-means (bag-of-words C(n, m: n n m C EWM, C FWM FWM R, R 2 : Rectified linear units AP [MP,L 2 P ](n, s: [ L2 ] s n n AP [MP,L 2 P ] p : [ L2 ] p p p 2 Rand(5, 200-R-AP (4, 4-C(3, 100-R-AP 2 (1 200 (2 ReLU (3 4 4 (4 3 3 FWM 100 (5 ReLU 3 STL-10 [6]CIFAR-10/100 [20]MIST [24] ( CPU (Xeon 2.7GHz PC GPGPU 4.1 STL-10 [6]CIFAR-10/100 [20], MIST [24] 3 STL Gens [13] 10 CIFAR-10/100 Tiny images [32] CIFAR CIFAR MIST
5 Km(9,256-AP (bag-of-words baseline 2PCA PCAW EWM EWMW FWM X Y 4 X Y (STL-10 K m (9, 256-AP (4, 2-C X (3, 256-Y -AP Km(5,256-AP (bag-of-words baseline 2PCA PCAW EWM EWMW FWM X R R2 Y 5 X Y (CIFAR-10 K m (5, 256-AP (3, 2-C X (3, 512-Y -AP (AP 2, MP 2 (AP 4,5 STL-10, CIFAR-10 EWMFWM PCA PCA EWM PCAW EWMW K m (n, 256-AP 2 PCA EWM FWM STL-10 PCAWEWMW PCA R R2 1 (% (STL-10 Architecture Acc. K m (9, 256-AP K m (9, 256-MP K m (9, 256-L 2 P K m (9, 256-AP (4, 2-C(3, 256-AP K m (9, 256-MP(4, 2-C(3, 256-L 2 P K m (9, 256-MP(4, 2-C(3, 256-AP K m (9, 256-MP(4, 2-C(3, 256-MP K m (9, 256-MP(4, 2-C(3, 256-R-L 2 P K m (9, 256-MP(4, 2-C(3, 256-R-AP K m (9, 256-MP(4, 2-C(3, 256-R 2 -L 2 P K m (9, 256-MP(4, 2-C(3, 256-R 2 -AP (% (CIFAR-10 Architecture Acc. K m (5, 256-AP K m (5, 256-MP K m (5, 256-L 2 P K m (5, 256-MP(3, 2-C(3, 512-AP K m (5, 256-AP (3, 2-C(3, 512-L 2 P K m (5, 256-AP (3, 2-C(3, 512-AP K m (5, 256-AP (3, 2-C(3, 512-MP K m (5, 256-AP (3, 2-C(3, 512-R-L 2 P K m (5, 256-AP (3, 2-C(3, 512-R-AP K m (5, 256-AP (3, 2-C(3, 512-R 2 -L 2 P K m (5, 256-AP (3, 2-C(3, 512-R 2 -AP EWM FWM ReLU R 2 FWM 1,2 K-means STL-10 MPCIFAR-10 AP AP CIFAR-10 3
6 3 n d (% (CIFAR-10 K m (5,d-AP (3,2-C(n,512-R 2 -AP 2 n d ( ( ( ( ( ( ( FWM 4,5 ReLU ReLU CIFAR-10 ReLU (* 4.3 STL-10MIST CIFAR-100 C CIFAR-10, CIFAR-100 CIFAR-100 CIFAR-100 Maxout [14] Stochastic pooling [34] C CIFAR- 10 CIFAR CIFAR STL-10 FWM CIFAR ReLU CPU fine-tuning JST CREST [1] P. Belhumeur, J. Hespanha, and D. Kriegman. Eigenfaces vs. fisherfaces: Recognition using class specific linear projection. IEEE Trans. PAMI, 19(7: , [2] Y. Bengio. Practical recommendations for gradient-based training of deep architectures. eural etworks: Tricks of the Trade, [3] L. Bo, X. Ren, and D. Fox. Unsupervised feature learning for RGB-D based object recognition. In Proc. ISER, [4] Y. L. Boureau, J. Ponce, and Y. LeCun. A theoretical analysis of feature pooling in visual recognition. In Proc. ICML, [5] D. Ciresan, U. Meier, and J. Schmidhuber. Multi-column deep neural networks for image classification. In Proc. IEEE CVPR, 2012.
7 4 (% (STL-10 Architecture Acc. (1 K m (9, 256-MP (2 K m (9, 256-MP(4, 2-C(3, 256-R 2 -AP (3 K m (9, 256-MP(4, 2-C(3, 256-AP (4, 2-C(3, 256-R 2 -AP (4 K m (9, 256-MP(4, 2-C(3, 256-R-AP (4, 2-C(3, 256-R 2 -AP (5 K m (9, 256-MP(4, 2-C(3, 256-R 2 -AP (4, 2-C(3, 256-R 2 -AP (6 K m (9, 256-MP(4, 2-C(3, 256-AP (4, 2-C(3, 256-AP (4, 2-C(3, 256-R 2 -AP (2+(3+( (% (CIFAR-10 Architecture Acc. (1 K m (5, 256-AP (2 K m (5, 256-C(3, 512-R 2 -AP (3 K m (5, 256-C(3, 256-AP (3, 2-C(3, 512-R 2 -AP (4 K m (5, 256-C(3, 256-R-AP (3, 2-C(3, 512-R 2 -AP (5 K m (5, 256-C(3, 256-R 2 -AP (3, 2-C(3, 512-R 2 -AP (6 K m (5, 256-C(3, 256-AP (3, 2-C(3, 256-AP (3, 2-C(3, 512-R 2 -AP (2+(3+( [6] A. Coates, H. Lee, and A. Y. g. An analysis of singlelayer networks in unsupervised feature learning. In Proc. AISTATS, [7] A. Coates and A. g. Selecting receptive fields in deep networks. In Proc. IPS, [8] A. Coates and A. g. The importance of encoding versus training with sparse coding and vector quantization. In Proc. ICML, [9] A. Coates and A. g. Learning feature representations with K-means. eural etworks: Tricks of the Trade, [10] G. Csurka, C. R. Dance, L. Fan, J. Willamowski, and C. Bray. Visual categorization with bags of keypoints. In Proc. ECCV Workshop on Statistical Learning in Computer Vision, [11] D. Erhan, Y. Bengio, A. Courville, P. A. Manzagol, and P. Vincent. Why does unsupervised pre-training help deep learning? Journal of Machine Learning Research, 11: , [12] K. Fukushima. eocognitron for handwritten digit recognition. eurocomputing, 51: , [13] R. Gens and P. Domingos. Discriminative learning of sumproduct networks. In Proc. IPS, [14] I. J. Goodfellow, D. Warde-farley, M. Mirza, A. Courville, and Y. Bengio. Maxout networks. In Proc. ICML, [15] T. Harada, Y. Ushiku, Y. Yamashita, and Y. Kuniyoshi. Discriminative spatial pyramid. In Proc. IEEE CVPR, pages , [16] G. Hinton,. Srivastava, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov. Improving neural networks by preventing co-adaptation of feature detectors. In arxiv preprint, [17] G. E. Hinton and R. R. Salakhutdinov. Reducing the dimensionality of data with neural networks. Science, 313: , [18] D. H. Hubel and T.. Wiesel. Receptive fields of single neurones in the cat s striate cortex. The Journal of physiology, 148: , [19] K. Jarrett, K. Kavukcuoglu, M. A. Ranzato, and Y. Lecun. What is the best multi-stage architecture for object recognition? In Proc. IEEE ICCV, [20] A. Krizhevsky. Learning multiple layers of features from tiny images. Master s thesis, Toronto University, [21] A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imageet classification with deep convolutional neural networks. In Proc. IPS, [22] S. Lazebnik, C. Schmid, and J. Ponce. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories. In Proc. IEEE CVPR, volume 2, [23] Q. V. Le, M. A. Ranzato, R. Monga, M. Devin, K. Chen, G. S. Corrado, and A. Y. g. Building high-level features using large scale unsupervised learning. In Proc. ICML, [24] Y. LeCun. The MIST database of handwritten digits. [25] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. Gradientbased learning applied to document recognition. Proc. of the IEEE, [26] M. Lin, Q. Chen, and S. Yan. etwork in network. In Proc. ICLR, [27] V. air and G. E. Hinton. Rectified linear units improve restricted boltzmann machines. In Proc. ICML, [28] M. A. Ranzato, C. Poultney, S. Chopra, and Y. LeCun. Efficient learning of sparse representations with an energybased model. In Proc. IPS, [29] Y. Shinohara and. Otsu. Facial expression recognition using Fisher weight maps. In IEEE FG, [30] P. Simard, D. Steinkraus, and J. Platt. Best practices for convolutional neural networks applied to visual document analysis. In Proc. ICDAR, [31]. Srivastava and R. Salakhutdinov. Discriminative transfer learning with tree-based priors. In Proc. IPS, number Icml, [32] A. Torralba, R. Fergus, and W. T. Freeman. 80 million tiny images: A large dataset for nonparametric object and scene recognition. IEEE Trans. PAMI, 30(11: , ov [33] M. Turk and A. Pentland. Face recognition using eigenfaces. In Proc. IEEE CVPR, [34] M. D. Zeiler and R. Fergus. Stochastic pooling for regularization of deep convolutional neural networks. In arxiv preprint, 2013.
8 6 STL-10, CIFAR-10/100, MIST (%. STL-10 1-layer Sparse Coding [8] layer Learned Receptive Field [7] 60.1 Discriminative Sum-Product etwork [13] 62.3 Hierarchical Matching Pursuit [3] 64.5 K m (9, 256-MP(4, 2-C(3, 256-AP (4, 2-C(3, 256-AP (4, 2-C(3, 256-R 2 -AP K m (9, 1024-MP(4, 2-C(3, 512-AP (4, 2-C(3, 256-AP (4, 2-C(3, 256-R 2 -AP K m (9, 1024-MP(4, 2-C(3, 512-AP (4, 2-C(3, 256-AP (4, 2-C(3, 256-R 2 -AP 2 (* 66.9 CIFAR-10 3-Layer Learned Receptive Field [7] 82.0 C [16] 83.4 Discriminative Sum-Product etwork [13] 84.0 C (1 locally connected layer [16] 84.4 C + Stochastic Pooling [34] 84.9 C + Maxout [14] 88.3 etwork in etwork [26] 89.6 K m (5, 1024-C(3, 256-AP (3, 2-C(3, 512-R 2 -AP K m (5, 1024-C(3, 256-AP (3, 2-C(3, 256-AP (3, 2-C(3, 512-R 2 -AP 3 (* 81.9 CIFAR-100 C + Stochastic pooling [34] C + Maxout [14] C + Tree-based prior [31] etwork in etwork [26] K m (5, 6400-C(1, 1000-AP (4, 2-C(3, 1000-AP (3, 2-C(3, 1000-R 2 -AP K m (5, 6400-C(1, 1000-AP (4, 2-C(3, 1000-AP (3, 2-C(3, 1000-R 2 -AP 3 (* MIST C (Unsupervised pretraining [28] C (Unsupervised pretraining [19] C + Stochastic Pooling [34] etwork in etwork [26] C + Maxout [14] Rand(5, 1024-R-AP (4, 2-C(3, 512-R 2 -AP Rand(5, 2048-R-C(1, 1024-AP (4, 2-C(3, 512-R 2 -AP
DEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:
On Represenations for Concept Operations of Convolutional Neural Networks
P3-21 On Represenations for Concept Operations of Convolutional Neural Networks Shin Asakawa Center for Information Sciences, Tokyo Woman s Christian University asakawa@ieee.org Abstract This article was
3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o
Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of
BoVW. (Histogram Encoding) [2], [5], [6] [7], [8], (Fisher Encoding) [3] VLAD [9] Super Vector [10] Locality Constrained [11], [12], [13]
![BoVW. (Histogram Encoding) [2], [5], [6] [7], [8], (Fisher Encoding) [3] VLAD [9] Super Vector [10] Locality Constrained [11], [12], [13]](/thumbs/80/82158324.jpg "BoVW. (Histogram Encoding) [2], [5], [6] [7], [8], (Fisher Encoding) [3] VLAD [9] Super Vector [10] Locality Constrained [11], [12], [13]")
1,a) 1 2 1 SIFT Bag-of-Visual-Words Bag-of-Visual-Words 1. BoVW [2] BoVW Dense [3] Interest Point [4] 1 376 8515 1 5 1 School of Science and Technology, Gunma University Tenjin-cho 1 5 1, Kiryu-shi, Gunma,
Μεταπτυχιακή Διπλωματική Εργασία. Βαθιά Αραιή Κωδικοποίηση (Deep Sparse Coding)
Εργαστήριο Ηλεκτρονικής Τομέας Ηλεκτρονικής και Υπολογιστών Τμήμα Φυσικής Πανεπιστήμιο Πατρών Μεταπτυχιακή Διπλωματική Εργασία Βαθιά Αραιή Κωδικοποίηση (Deep Sparse Coding) Τσουρούνης Δημήτριος Α.Μ. :
Area Location and Recognition of Video Text Based on Depth Learning Method
21 6 2016 12 Vol 21 No 6 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Dec 2016 1 1 1 2 1 150080 2 130300 Gabor RBM OCR DOI 10 15938 /j jhust 2016 06 012 TP391 43 A 1007-2683 2016 06-0061- 06
ΤΕΙ ΘΕΣΣΑΛΙΑΣ. Αναγνώριση προσώπου με επιλογή των κατάλληλων κυρίων συνιστωσών. ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε ΚΑΒΒΑΔΙΑ ΑΛΕΞΑΝΔΡΟΥ.
ΤΕΙ ΘΕΣΣΑΛΙΑΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε Αναγνώριση προσώπου με επιλογή των κατάλληλων κυρίων συνιστωσών. Πτυχιακή εργασία του ΚΑΒΒΑΔΙΑ ΑΛΕΞΑΝΔΡΟΥ Επιβλέπων καθηγητής:βέντζας Δημήτριος ΛΑΡΙΣΑ ΜΑΙΟΣ
Identifying Scenes with the Same Person in Video Content on the Basis of Scene Continuity and Face Similarity Measurement
Identifying Scenes with the Same Person in Video Content on the Basis of Scene Continuity and Face Similarity Measurement Tatsunori Hirai, Tomoyasu Nakano, Masataka Goto and Shigeo Morishima Abstract We
Wireless capsule endoscopy video classification using an unsupervised learning approach
16 11 2011 11 Journal of Image and Graphics Vol. 16 No. 11 Nov. 2011 TP391. 4 A 1006-8961 2011 11-2041-06 Bill P. Buckles. J. 2011 16 11 2041-2046 1 1 Bill P. Buckles 2 1 1 230009 2 76203 WCE WCE WCE SIFT
[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)
![[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)](/thumbs/99/141682136.jpg "[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)")
1,a) 1,b) 2,c) 1,d) Gait motion descriptors 1. 12 1 Osaka University 2 Drexel University a) higashiyama@am.sanken.osaka-u.ac.jp b) makihara@am.sanken.osaka-u.ac.jp c) kon@drexel.edu d) yagi@am.sanken.osaka-u.ac.jp
HOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
{takasu, Conditional Random Field
DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional
Faruqui [7] WordNet [15] FrameNet [2] PPDB [8]
![Faruqui [7] WordNet [15] FrameNet [2] PPDB [8]](/thumbs/81/84029477.jpg "Faruqui [7] WordNet [15] FrameNet [2] PPDB [8]")
1,a) 1,b) 1,c) 2,d) 2,e) word2vec WordNet fine-tuning fine-tuning 1. [10] Faruqui [7] WordNet[15] fine-tuning Retrofitting Retrofitting WordNet[11] 1 2 a) taguchi-y2@asahi.com b) tamori-h@asahi.com c)
ER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας. Version 2
Σέργιος Θεοδωρίδης Κωνσταντίνος Κουτρούμπας Version 2 1 Άλλοι τύποι νευρωνικών δικτύων Αυτοοργανούμενοι χάρτες (Self-organizing maps - SOMs) Αναδρομικά νευρωνικά δίκτυα (Recurrent Neural Networks): γενικής
Anomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;
![1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;](/thumbs/91/107463875.jpg "1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;")
ISSN1000-0054 CN11-2223/N ( ) 2014 54 12 JTsinghuaUniv(Sci& Technol), 2014,Vol.54, No.12 4/20 1529-1533,, (,, (), 100084) [1-2] :,,,,,,,, :, 0.3~ [3] 0.8BLEU,, : ; ; [4], ; :TP391.2 :A, :1000-0054(2014)12-1529-05,
Can you pick out the tufas?
Nando de Freitas September, 2011 University of British Columbia tufa tufa tufa Can you pick out the tufas? Josh Tenenbaum Learning ``Learning denotes changes in the system that are adaptive in the sense
Bayesian modeling of inseparable space-time variation in disease risk
Bayesian modeling of inseparable space-time variation in disease risk Leonhard Knorr-Held Laina Mercer Department of Statistics UW May, 013 Motivation Ohio Lung Cancer Example Lung Cancer Mortality Rates
SVM. Research on ERPs feature extraction and classification
39 1 2011 2 Journal of Fuzhou University Natural Science Edition Vol 39 No 1 Feb 2011 DOI CNKI 35-1117 /N 20110121 1723 008 1000-2243 2011 01-0054 - 06 ERPs 350108 - ERPs SVM ERPs SVM 90% ERPs SVM TP391
Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων νευρωνικων δικτυ ων»
Ανώτατο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ανατολικής Μακεδονίας και Θράκης Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων
Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής
oard Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή ιατριβή Τίτλος ιατριβής Masters Thesis Title Ονοµατεπώνυµο Φοιτητή Πατρώνυµο Ανάπτυξη διαδικτυακής
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διδάσκων: Γεώργιος Μήτσης, Λέκτορας, Τμήμα ΗΜΜΥ Γραφείο: GP401 Ώρες γραφείου: Οποτεδήποτε (κατόπιν επικοινωνίας) Τηλ: 22892239 Ηλ. Ταχ.: gmitsis@ucy.ac.cy Βιβλιογραφία C. M.
: Active Learning 2017/11/12
: Active Learning 2017/11/12 Contents 0.1 Introduction............................................ 2 0.2..................................... 2 0.2.1 Membership Query Synthesis..............................
Reading Order Detection for Text Layout Excluded by Image
19 5 JOURNAL OF CHINESE INFORMATION PROCESSING Vol119 No15 :1003-0077 - (2005) 05-0067 - 09 1, 1, 2 (11, 100871 ; 21IBM, 100027) :,,, PMRegion,, : ; ; ; ; :TP391112 :A Reading Order Detection for Text
No. 7 Modular Machine Tool & Automatic Manufacturing Technique. Jul TH166 TG659 A
7 2016 7 No. 7 Modular Machine Tool & Automatic Manufacturing Technique Jul. 2016 1001-2265 2016 07-0122 - 05 DOI 10. 13462 /j. cnki. mmtamt. 2016. 07. 035 * 100124 TH166 TG659 A Precision Modeling and
476,,. : 4. 7, MML. 4 6,.,. : ; Wishart ; MML Wishart ; CEM 2 ; ;,. 2. EM 2.1 Y = Y 1,, Y d T d, y = y 1,, y d T Y. k : p(y θ) = k α m p(y θ m ), (2.1
2008 10 Chinese Journal of Applied Probability and Statistics Vol.24 No.5 Oct. 2008 (,, 1000871;,, 100044) (,, 100875) (,, 100871). EM, Wishart Jeffery.,,,,. : :,,, EM, Wishart. O212.7. 1.,. 1894, Pearson.
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1
Vol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)
![1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)](/thumbs/39/20145714.jpg "1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)")
1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e) 1. [11], [15] 1 Nara Institute of Science and Technology a) akabe.koichi.zx8@is.naist.jp b) neubig@is.naist.jp c) ssakti@is.naist.jp d) tomoki@is.naist.jp
BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface
BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface Hiroya SAITO Kenji NAKAYAMA Akihiro HIRANO Graduate School of Natural Science and Technology,Kanazawa Univ. E-mail:
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
Research on Economics and Management
36 5 2015 5 Research on Economics and Management Vol. 36 No. 5 May 2015 490 490 F323. 9 A DOI:10.13502/j.cnki.issn1000-7636.2015.05.007 1000-7636 2015 05-0052 - 10 2008 836 70% 1. 2 2010 1 2 3 2015-03
Bayesian Discriminant Feature Selection
1,a) 2 1... DNA. Lasso. Bayesian Discriminant Feature Selection Tanaka Yusuke 1,a) Ueda Naonori 2 Tanaka Toshiyuki 1 Abstract: Focusing on categorical data, we propose a Bayesian feature selection method
Kernel Methods and their Application for Image Understanding
Vol 1 No SIG 12(CVIM 1) Jan 1960 Kernel Methods and their Application for Image Understanding Kenji Nishida and Takio Kurita Support vector machine (SVM) has been extended to build up nonlinear classifier
Εφαρμογή των CNN για Aναγνώριση και Eντοπισμό Aντικειμένων & Yλοποίηση στο Eνσωματωμένο Σύστημα Jetson-TK1
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Τομέας Ηλεκτρονικής και Υπολογιστών Διπλωματική Εργασία Εφαρμογή των CNN για Aναγνώριση και
YOU Wen-jie 1 2 JI Guo-li 1 YUAN Ming-shun 2
Couter Engineering and Alications 29,4(36) 16 1 2 1 2 YOU Wen-jie 1 2 JI Guo-li 1 YUAN Ming-shun 2 1. 36 2. 33 1.Deartent of Autoation Xiaen University Xiaen Fujian 36 China 2.Fuqing Branch Fujian Noral
ΕΚΤΙΜΗΣΗ ΤΟΥ ΚΟΣΤΟΥΣ ΤΩΝ ΟΔΙΚΩΝ ΑΤΥΧΗΜΑΤΩΝ ΚΑΙ ΔΙΕΡΕΥΝΗΣΗ ΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΕΠΙΡΡΟΗΣ ΤΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΕΚΤΙΜΗΣΗ ΤΟΥ ΚΟΣΤΟΥΣ ΤΩΝ ΟΔΙΚΩΝ ΑΤΥΧΗΜΑΤΩΝ ΚΑΙ ΔΙΕΡΕΥΝΗΣΗ ΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΕΠΙΡΡΟΗΣ ΤΟΥ ΔΙΑΤΡΙΒΗ ΔΙΠΛΩΜΑΤΟΣ ΕΙΔΙΚΕΥΣΗΣ ΔΗΜΗΤΡΙΟΥ Ν. ΠΙΤΕΡΟΥ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ Νικόλαος Κυριακούλης *, Ευάγγελος Καρακάσης, Αντώνιος Γαστεράτος, Δημήτριος Κουλουριώτης, Σπυρίδων Γ. Μουρούτσος Δημοκρίτειο
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π.
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Επισκόπηση Νευρωνικών Δικτύων καθ. Βασίλης Μάγκλαρης maglaris@netmode.ntua.gr www.netmode.ntua.gr Πέμπτη 14/3/2019 Μη Γραμμικό
Random Forests Leo. Hitoshi Habe 1
1 tree forestleo Breiman 2001 Random Forests Hitoshi Habe 1 Abstract: Random Forests is a machine learning framework that consists of many decision trees. It can be categorized as an ensemble classifier
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση
Gaze Estimation from Low Resolution Images Insensitive to Segmentation Error
(MIRU2005) 2005 7 153 8505 4 6 1 E-mail: {onoy,takahiro,ysato}@iis.u-tokyo.ac.jp appearance-based methods SVDSingular Value Decomposition N-mode SVD N-mode SVD, PCAPrincipal Component Analysis appearance-based
substructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
(pattern recognition) (symbol processing) (content) (raw data) - 1 -
(symbol processing) (pattern recognition) (content) (identify) (interpret) (raw data) - 1 - 9D-SPA - 2 - 2D string (Chang, Shi, and Yan, 1987) 2D G-string (Jungert, 1988) 2D C-string (Lee and Hsu, 1990)
Meta-Learning and Universality
Meta-Learning and Universality Conference paper at ICLR 2018 Chelsea Finn & Sergey Levine (US Berkeley) Youngseok Yoon Contents The Universality in Meta-Learning Model Construct (Pre-update) Single gradient
A Convolutional Neural Network Approach for Objective Video Quality Assessment
A Convolutional Neural Network Approach for Objective Video Quality Assessment Patrick Le Callet, Christian Viard-Gaudin, Dominique Barba To cite this version: Patrick Le Callet, Christian Viard-Gaudin,
CSJ. Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity
i-vector 1 1 1 1 i-vector CSJ i-vector Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity Fukuchi Yusuke 1 Tawara Naohiro 1 Ogawa Tetsuji 1 Kobayashi
ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 1 ΑΠΕΙΚΟΝΙΣΤΙΚΗ ΜΙΚΡΟΣΚΟΠΙΑ
ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ 1 ΑΠΕΙΚΟΝΙΣΤΙΚΗ ΜΙΚΡΟΣΚΟΠΙΑ 1. Το Μικροσκόπιο Το μικροσκόπιο είναι όργανο, σχεδιασμένο να δημιουργεί μεγεθυμένες εικόνες μικρών αντικειμένων, να διαχωρίζει λεπτομέρειες της εικόνας
Research on model of early2warning of enterprise crisis based on entropy
24 1 Vol. 24 No. 1 ont rol an d Decision 2009 1 Jan. 2009 : 100120920 (2009) 0120113205 1, 1, 2 (1., 100083 ; 2., 100846) :. ;,,. 2.,,. : ; ; ; : F270. 5 : A Research on model of early2warning of enterprise
Method to Distinguish between Handwritten and Machine-printed Characters Inspired by Human Vision System
Vol. 15, No. 3 2008 165 173 1 2 1 1 2 Method to Distinguish between Handwritten and Machine-printed Characters Inspired by Human Vision System Jumpei Koyama, 1 Masahiro Kato 2 and Akira Hirose 1 Department
Ανάλυση Προτιμήσεων για τη Χρήση Συστήματος Κοινόχρηστων Ποδηλάτων στην Αθήνα
Ανάλυση Προτιμήσεων για τη Χρήση Συστήματος Κοινόχρηστων Ποδηλάτων στην Αθήνα Γιώργος Γιαννής, Παναγιώτης Παπαντωνίου, Ελεονώρα Παπαδημητρίου, Αθηνά Τσολάκη Τομέας Μεταφορών και Συγκοινωνιακής Υποδομής,
(Synesthesia) (B) 22-25
(Synesthesia) 18 1993 10 (B) 22-25 10 50 1. Root, N. B., Rouw, R., Asano, M., Kim, C-Y., Melero, H., Yokosawa, K., & Ramachandran, V. S.(2018). Why is the synesthete's "A" red? Using a five-language dataset
Spatiotemporal footprint of the WNV in Greece 2010 2012: Analysis & Risk Αssessment in a GIS Εnvironment
Integrated surveillance and control programme for West Nile virus and malaria in Greece (MIS 365280) Spatiotemporal footprint of the WNV in Greece 2010 2012: Analysis & Risk Αssessment in a GIS Εnvironment
Nov Journal of Zhengzhou University Engineering Science Vol. 36 No FCM. A doi /j. issn
2015 11 Nov 2015 36 6 Journal of Zhengzhou University Engineering Science Vol 36 No 6 1671-6833 2015 06-0056 - 05 C 1 1 2 2 1 450001 2 461000 C FCM FCM MIA MDC MDC MIA I FCM c FCM m FCM C TP18 A doi 10
ΣΥΝΕΛΙΚΤΙΚΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΜΑ ΦΥΣΙΚΗΣ - Δ.Π.Μ.Σ. «Ηλεκτρονική και Επεξεργασία της Πληροφορίας» ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΣΥΝΕΛΙΚΤΙΚΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΣΤΗΝ ΥΠΟΛΟΓΙΣΤΙΚΗ ΌΡΑΣΗ ΟΝΟΜΑΤΕΠΩΝΥΜΟ : ΠΑΠΑΔΟΠΟΥΛΟΣ ΑΘΑΝΑΣΙΟΣ
Ειδικές Επιστηµονικές Εργασίες
Ειδικές Επιστηµονικές Εργασίες 2005-2006 1. Ανίχνευση προσώπων από ακολουθίες video και παρακολούθηση (face detection & tracking) Η ανίχνευση προσώπου (face detection) αποτελεί το 1 ο βήµα σε ένα αυτόµατο
[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation
![[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation](/thumbs/74/71129035.jpg "[2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar Radiation")
References [1] B.V.R. Punyawardena and Don Kulasiri, Stochastic Simulation of Solar Radiation from Sunshine Duration in Srilanka [2] T.S.G. Peiris and R.O. Thattil, An Alternative Model to Estimate Solar
Νευρωνικά ίκτυα και Εξελικτικός
Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα RBF (Radial Basis Functions) δίκτυα Παρεµβολή συνάρτησης Θεώρηµα Cover ιαχωρισµός προτύπων Υβριδική Εκµάθηση Σύγκριση µε MLP Εφαρµογή: Αναγνώριση
CorV CVAC. CorV TU317. 1
30 8 JOURNAL OF VIBRATION AND SHOCK Vol. 30 No. 8 2011 1 2 1 2 2 1. 100044 2. 361005 TU317. 1 A Structural damage detection method based on correlation function analysis of vibration measurement data LEI
[5] F 16.1% MFCC NMF D-CASE 17 [5] NMF NMF 3. [5] 1 NMF Deep Neural Network(DNN) FUSION 3.1 NMF NMF [12] S W H 1 Fig. 1 Our aoustic event detect
![[5] F 16.1% MFCC NMF D-CASE 17 [5] NMF NMF 3. [5] 1 NMF Deep Neural Network(DNN) FUSION 3.1 NMF NMF [12] S W H 1 Fig. 1 Our aoustic event detect](/thumbs/71/65454570.jpg "[5] F 16.1% MFCC NMF D-CASE 17 [5] NMF NMF 3. [5] 1 NMF Deep Neural Network(DNN) FUSION 3.1 NMF NMF [12] S W H 1 Fig. 1 Our aoustic event detect")
NMF 1 1,a) 1 AED NMF DNN IEEE D-CASE 2012 20% DNN NMF 1. Computational Auditory Scene Analysis: CASA [1] [2] [3] [4] [5] Non-negative Matrxi Factorization (NMF) NMF 2. CASA IEEE 1 Dept. Computer Science
GPU. CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA. Parallelizing the Number Partitioning Problem for GPUs
GPU 1 1 NP number partitioning problem Pedroso CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA C Pedroso Python 323 Python C 12.2 Parallelizing the Number Partitioning Problem for
Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT
![Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT](/thumbs/91/105754605.jpg "Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT")
1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, 113-0033 2 NTT,
Chapter 1 Introduction to Observational Studies Part 2 Cross-Sectional Selection Bias Adjustment
Contents Preface ix Part 1 Introduction Chapter 1 Introduction to Observational Studies... 3 1.1 Observational vs. Experimental Studies... 3 1.2 Issues in Observational Studies... 5 1.3 Study Design...
Μοντελοποίηση της Οπτικής Προσοχής Visual Attention Modeling
Μοντελοποίηση της Οπτικής Προσοχής Visual Attention Modeling Υπ. Διδ. Ιωάννης Ρήγας Τμήμα Φυσικής, Πανεπιστήμιο Πατρών Τι θα δούμε σήμερα?? Bottom-up Saliency Models. Spatial domain analysis Spectral domain
Μηχανική Μάθηση Βαθιά Μάθηση και Εφαρμογές. Κωνσταντίνος Διαμαντάρας Τμήμα Μηχανικών Πληροφορικής ΑΤΕΙ Θεσσαλονίκης
Μηχανική Μάθηση Βαθιά Μάθηση και Εφαρμογές Κωνσταντίνος Διαμαντάρας Τμήμα Μηχανικών Πληροφορικής ΑΤΕΙ Θεσσαλονίκης Τι είναι η Μηχανική Μάθηση; Συλλογή αλγορίθμων και μεθόδων με τις οποίες βελτιώνεται η
SocialDict. A reading support tool with prediction capability and its extension to readability measurement
SocialDict 1 2 2 2 Web SocialDict A reading support tool with prediction capability and its extension to readability measurement Yo Ehara, 1 Takashi Ninomiya, 2 Nobuyuki Shimizu 2 and Hiroshi Nakagawa
Benchmark Analysis of Representative Deep Neural Network Architectures
Date of publication xxxx 00, 0000, date of current version xxxx 00, 0000. Digital Object Identifier 10.1109/ACCESS.2017.DOI arxiv:1810.00736v2 [cs.cv] 19 Oct 2018 Benchmark Analysis of Representative Deep
Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker
Ειδική Ερευνητική Εργασία Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker ΚΑΡΑΔΗΜΑΣ ΗΛΙΑΣ Α.Μ. 323 Επιβλέπων: Σ. Φωτόπουλος Καθηγητής, Μεταπτυχιακό Πρόγραμμα «Ηλεκτρονική και Υπολογιστές», Τμήμα Φυσικής,
Τοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες
Τοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες Miroshnikov & Tchepine 1999 Ahn & Freeman 1984 Ένας σηµαντικός παράγοντας που επηρεάζει την αποτελεσµατικότητα ενός χάρτη ως µέσω επικοινωνίας
Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα
ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα πολυδιάστατου ψηφιακού σήµατος (Εικόνες Εικονοσειρές)» Πακέτο Εργασίας 4: Προστασία
High order interpolation function for surface contact problem
3 016 5 Journal of East China Normal University Natural Science No 3 May 016 : 1000-564101603-0009-1 1 1 1 00444; E- 00030 : Lagrange Lobatto Matlab : ; Lagrange; : O41 : A DOI: 103969/jissn1000-56410160300
y = f(x)+ffl x 2.2 x 2X f(x) x x p T (x) = 1 Z T exp( f(x)=t ) (2) x 1 exp Z T Z T = X x2x exp( f(x)=t ) (3) Z T T > 0 T 0 x p T (x) x f(x) (MAP = Max
2006 2006 Workshop on Information-Based Induction Sciences (IBIS2006) Osaka, Japan, October 31- November 2, 2006. [ ] Introduction to statistical models for populational optimization Λ Shotaro Akaho Abstract:
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004. 1/45 Τι είναι ο SIFT-Γενικά Scale-invariant feature transform detect and
Speeding up the Detection of Scale-Space Extrema in SIFT Based on the Complex First Order System
(MIRU2008) 2008 7 SIFT 572-8572 26-12 599-8531 1-1 E-mail: umemoto@ipc.osaka-pct.ac.jp, kise@cs.osakafu-u.ac.jp SIFT 1 ANN 3 1 SIFT 1 Speeding up the Detection of Scale-Space Extrema in SIFT Based on the
Δρ. Βασίλειος Γ. Καμπουρλάζος Δρ. Ανέστης Γ. Χατζημιχαηλίδης
Μάθημα 1ο Δρ. Ανέστης Γ. Χατζημιχαηλίδης Τμήμα Μηχανικών Πληροφορικής Τ.Ε. ΤΕΙ Ανατολικής Μακεδονίας και Θράκης 2016-2017 Αξιολόγηση μαθήματος Εισαγωγή στην ΥΝ Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) Προγραμματισμός
ΕΥΘΑΛΙΑ ΚΑΜΠΟΥΡΟΠΟΥΛΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΤΜΗΜΑ ΕΚΠΑΙΔΕΥΤΙΚΗΣ ΚΑΙ ΚΟΙΝΩΝΙΚΗΣ ΠΟΛΙΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗ: ΣΥΝΕΧΙΖΟΜΕΝΗ ΕΚΠΑΙΔΕΥΣΗ ΕΥΘΑΛΙΑ ΚΑΜΠΟΥΡΟΠΟΥΛΟΥ H επίδραση του «e-mentor» σε επιμορφούμενους
«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»
ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ
Detection and Recognition of Traffic Signal Using Machine Learning
1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition
552 Lee (2006),,, BIC,. : ; ; ;. 2., Poisson (Zero-Inflated Poisson Distribution), ZIP. Y ZIP(φ, λ), φ + (1 φ) exp( λ), y = 0; P {Y = y} = (1 φ) exp(
2012 10 Chinese Journal of Applied Probability and Statistics Vol.28 No.5 Oct. 2012 (,, 675000) Poisson,,, Gibbs, BIC.,. :,, Gibbs, BIC. : O212.8. 1. (count data), Poisson Poisson., (zeroinflation).,.,,
Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΑΥΤΩΝ ΣΠΟΥΔΑΣΤΕΣ : ΖΩΡΗΣ ΝΙΚΟΛΑΟΣ ΚΑΤΣΙΝΟΥΛΑΣ ΝΙΚΟΛΑΟΣ
ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΑΥΤΩΝ ΣΠΟΥΔΑΣΤΕΣ : ΖΩΡΗΣ ΝΙΚΟΛΑΟΣ ΚΑΤΣΙΝΟΥΛΑΣ ΝΙΚΟΛΑΟΣ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΟΡΙΣΜΟΣ : Ένα νευρωνικό δίκτυο είναι ένας μαζικά παράλληλος διανεμημένος επεξεργαστής που
Prepolarized Microphones-Free Field
Prepolarized Microphones-Free Field MP0 / MP3 / MP / MP / MP / MP / MP8 MP0 MP3 MP MP MP MP MP8 Standards (IEC7) I I I.3 ~ 0k 3 ~ 0k 0 ~.k 0 ~.k 0 ~ 70k 0 ~ k 0 ~ k Open-circuit Sensitivity (mv/pa) (±db)
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ. Data Mining - Classification
ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ ΚΑΙ ΓΛΩΣΣΙΚΑ ΕΡΓΑΛΕΙΑ Data Mining - Classification Data Mining Ανακάλυψη προτύπων σε μεγάλο όγκο δεδομένων. Σαν πεδίο περιλαμβάνει κλάσεις εργασιών: Anomaly Detection:
HCI - Human Computer Interaction Σχεδιασμός Διεπαφής. ΓΤΠ 61 Βαµβακάρης Μιχάλης 09/12/07
HCI - Human Computer Interaction Σχεδιασμός Διεπαφής ΓΤΠ 61 Βαµβακάρης Μιχάλης 09/12/07 1 Συνδέσεις µικρών αποστάσεων Συνδέσεις µεγάλων αποστάσεων Personal Devices Smart Phones Connected PMDs 3G -4G 3G-4G
[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1
![[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1](/thumbs/93/113995345.jpg "[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1")
1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite
GPU DD Double-Double 3 4 BLAS Basic Linear Algebra Subprograms [3] 2
![GPU DD Double-Double 3 4 BLAS Basic Linear Algebra Subprograms [3] 2](/thumbs/89/99249807.jpg "GPU DD Double-Double 3 4 BLAS Basic Linear Algebra Subprograms [3] 2")
GPU 4 1,a) 2,b) 1 GPU Tesla M2050 Double-Double DD 4 BiCGStab GPU 4 BiCGStab 1 1.0 2.2 4 GPU 4 1. IEEE754-2008[1] 128bit binary128 CG Conjugate Gradient [2] 1 1 2 a) mukunoki@hpcs.cs.tsukuba.ac.jp b) daisuke@cs.tsukuba.ac.jp
Μεταδιδακτορικός ερευνητής, Εργάστηκα στο ερευνητικό ινστιτούτο Wellcome Trust Centre for Human Genetics και στο Τμήμα Στατιστικής του Πανε
ΜΙΧΑΛΗΣ Κ. ΤΙΤΣΙΑΣ ΣΤΟΙΧΕΙΑ ΕΠΙΚΟΙΝΩΝΙΑΣ Ταχυδρομική διεύθυνση: Τμήμα Πληροφορικής, Οικονομικό Πανεπιστήμιο Αθηνών, Πατησίων 76, 104 34 Αθήνα. Διεύθυνση γραφείου: Κοδριγκτώνος 12, 5ός όροφος. Τηλέφωνο:
Bundle Adjustment for 3-D Reconstruction: Implementation and Evaluation
3 2 3 2 3 undle Adjustment or 3-D Reconstruction: Implementation and Evaluation Yuuki Iwamoto, Yasuyuki Sugaya 2 and Kenichi Kanatani We describe in detail the algorithm o bundle adjustment or 3-D reconstruction
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Μαθηματικών Π.Μ.Σ. Θεωρητικής Πληροφορικής και Θεωρίας Συστημάτων και Ελέγχου
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Μαθηματικών Π.Μ.Σ. Θεωρητικής Πληροφορικής και Θεωρίας Συστημάτων και Ελέγχου Κάθε εικόνα μπορεί να αναπαρασταθεί με έναν πίνακα, κάθε κελί του οποίου αντιστοιχεί
[2], [3], [8], [20] [4] [6], [18] [1], [11], [19] [13] [10] N SVD PCA N SVD Vasilescu Vasilescu N SVD [14] [17] Y Li [7] Y Li N SVD [12] 2,,,,, 596
![[2], [3], [8], [20] [4] [6], [18] [1], [11], [19] [13] [10] N SVD PCA N SVD Vasilescu Vasilescu N SVD [14] [17] Y Li [7] Y Li N SVD [12] 2,,,,, 596](/thumbs/93/112444289.jpg "[2], [3], [8], [20] [4] [6], [18] [1], [11], [19] [13] [10] N SVD PCA N SVD Vasilescu Vasilescu N SVD [14] [17] Y Li [7] Y Li N SVD [12] 2,,,,, 596")
画像の認識 理解シンポジウム (MIRU2006) 2006 年 7 月 y y y y 153-8505 4-6-1 E-mail: yfonoy,takahiro,ysatog@iisu-tokyoacjp N SVD Gaze Estimation from Low Resolution Images Consideration of Appearance Variations due to
Ένα µοντέλο Ισοδύναµης Χωρητικότητας για IEEE Ασύρµατα Δίκτυα. Εµµανουήλ Καφετζάκης
Ένα µοντέλο Ισοδύναµης Χωρητικότητας για IEEE 802.11 Ασύρµατα Δίκτυα. Εµµανουήλ Καφετζάκης mkafetz@iit.demokritos.gr Το κίνητρο µας-συνεισφορά Η ασύρµατη δικτύωση λαµβάνει ευρείας αποδοχής. Το πρότυπο
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Τομέας Περιβαλλοντικής Υδραυλικής και Γεωπεριβαλλοντικής Μηχανικής (III) Εργαστήριο Γεωπεριβαλλοντικής Μηχανικής TECHNICAL UNIVERSITY OF CRETE SCHOOL of
Stabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
Automatic extraction of bibliography with machine learning
Automatic extraction of bibliography with machine learning Takeshi ABEKAWA Hidetsugu NANBA Hiroya TAKAMURA Manabu OKUMURA Abstract In this paper, we propose an extraction method of bibliography using support
Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
![Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)](/thumbs/85/92153760.jpg "Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)")
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Ανάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Λανθάνουσα Σημασιολογική Ανάλυση (Latent Semantic Analysis) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Gemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
HMY 795: Αναγνώριση Προτύπων. Διαλέξεις 15-16
HMY 795: Αναγνώριση Προτύπων Διαλέξεις 15-16 Νευρωνικά Δίκτυα(Neural Networks) Fisher s linear discriminant: Μείωση διαστάσεων (dimensionality reduction) y Τ =w x s + s =w S w 2 2 Τ 1 2 W ( ) 2 2 ( ) m2