(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
|
|
- Εἰλείθυια Μαγγίνας
- 7 χρόνια πριν
- Προβολές:
Transcript
1
2
3 (Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
4
5 (Υπογραϕή)
6
7
8
9
10
11
12
13
14
15
16
17 F 1 F 1 RGB ECR RGB ECR
18 δ w a d λ σ δ δ λ w λ w λ λ λ σ σ
19
20
21
22
23
24
25 +
26 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 M 2 M 3
27
28
29
30
31
32
33 N 2 N (i, 1) i (i, 2)
34
35 We wuz gettin wuh ried We was worried X := (x 1, x 2,..., x N ) Y := (y 1, y 2,..., y M ) N N M N x n, y m F F n [1,..., N] m [1,..., M] c : F F R 0 X Y C R N M C(n, m) := c(x n, y m ) p = (p 1,..., p L ) X Y p l = (n l, m l ) [1,..., N] [1,..., M] l [1,..., L] p 1 = (1, 1) p L = (N, M) n 1 n 2 n L m 1 m 2 m L p l+1 p l {(1, 0), (0, 1), (1, 1)} l [0,..., L 1] x nl X y ml Y
36
37 D N M n D(n, 1) = c(x i, y 1 ) n [1,..., N] i=1 m D(1, m) = c(x 1, y i ) m [1,..., M] i=1 D(n, m) = {D(n 1, m), D(n, m 1), D(n 1, m 1)} + c(x n, y m ) n [2,..., N], m [2,..., M] D(n, m) n X m Y p = (p 1, p 2,... p L ) p L = (N, M) p l = (n, m) (n, m) = (1, 1) l = 1 p l 1 := (1, m 1), n = 1 (n 1, 1), m = 1 {D(n 1, m), D(n, m 1), D(n 1, m 1)}, D(n 1, m 1)
38 X Y D(n 1, m) X Y D(n, m 1) a b ( a, b ) (i, j) (i, j) = 0 a,b (i 1, j) + (i, j) = a,b (i, j 1) + a,b (i 1, j 1)+ 1 (ai b j ) 1, a i = b j 1 (ai b j ) = 0,
39 3 4 C C
40
41
42 hard cuts fade out fade in dissolve wipes G(x, y, t) l trans Å E fo = G(x, y, t) 1 t ã l 1 t [t1,t 1 +l 1 ] Å t ã E fi = G(x, y, t) l 2 t [t2,t 2 +l 2 ] Å E d = G 1 (x, y, t) 1 t ã l 1 t [t1,t 1 +l 1 ] Å t ã + G 2 (x, y, t) l 2 t [t2,t 2 +l 2 ]
43 3.2. ΥΠΑΡΧΟΥΣΕΣ ΜΕΘΟΔΟΙ 43 Σχήμα 3.1: Είδη μεταβάσεων λήψεων - Hard Cut, Fade Out, Fade In, Dissolve, Wipe 3.2 Υπάρχουσες Μέθοδοι Οι μέθοδοι που χρησιμοποιούνται για τον εντοπισμό των ορίων μεταξύ διαδοχικών λήψεων χρησιμοποιούν κυρίως οπτικά χαρακτηριστικά, όπως χρώμα και ακμές. Τα οπτικά χαρακτηριστικά αναμένεται να αλλάζουν δραματικά σε ένα hard cut, ενώ σε μια ομαλή μετάβαση, από μια λήψη στην επόμενη, αναμένεται μια σταδιακή μεταβολή τους. Τα διάφορα χαρακτηριστικά που έχουν χρησιμοποιηθεί κατά καιρούς στη βιβλιογραφία για τον εντοπισμό των εναλλαγών λήψεων αναλύονται παρακάτω.
44 i H i L 1 G SD i = H i (j) H i+1 (j) j=1 G SD G i SD i T i Hi RED Hi GREEN Hi BLUE SDi RED SDi GREEN SDi BLUE SD SD i = SDRED i + SDi GREEN 3 + SD BLUE i Edge Change Ratio (ECR) I I E E εισερχόμενες ακμές X in E r E εξερχόμενες ακμές X out E r
45 4 x E σ = edge pixels in E σ = edge pixels in E ECR = ( Xin, Xout σ σ ) ρ in ρ out E E r ID ID
46 SD Frames E ID X in E ID X out ρ in ρ out ρ in ρ out ρ out ρ in 0.8 ECR Frames
47
48 5 100 = {} { } { } = F 1 = 2 {} { } {} +
49 L 1 SD SD T τ Precision Recall F Threshold Value Precision Recall F Threshold Value 50 F 1 τ = 0.05
50 Precision Recall F Threshold Value 5 Precision 0.88 Recall F Threshold Value 50 F 1 4 5
51 Precision Recall Thres ECR Thres RGB Thres ECR Thres RGB F Thres ECR Thres RGB F 1 RGB ECR RGB ECR ( RGB, ECR ) = (0.58, 0.20) F 1 = Recall = 94.8
52 5 50 ColSim i j D Gk=1 (H i (k), H j (k)) ColSim(i, j) = Gk=1 H j (k) D(i, j) = 1 ColSim(i, j) ϵ [0, 1]
53 Mean Precision Mean Recall Thres ECR Thres RGB Thres ECR Thres RGB Mean F Thres ECR Thres RGB 1 F 1 RGB ECR
54 A Ã a(i, j) = 1 1 G (HSV i (k) HSV j (k)) 2 2 k=1 D (i, i) i A L = I D 1 2 AD 1 2 K x 1, x 2,..., x K L X = [x 1 x 2... x K ] λ X Y y ij = x ij» j x 2 ij Y K i j i Y j
55 = 1 (F, KF ) = 1 1 N S(F n, KF ) N n=1 F = {F 1, F 2,..., F N } KF = {KF 1, KF 2,..., KF Nkf } S F n S(F n, KF ) = j (F n, KF j ) (F i, F j ) = 1 (F i, KF i ) i=1
56 KF () F n = (KF nj, KF nj+1 ) N (F, KF ) = (F n, F n ) n=1 (F n, F n ) = ( /(F n, F n )) = 1 (F i, KF i ) i=1 ϵ = 0.09 λ =
57 ( RGB, ECR ) = (0.58, 0.20) F 1
58
59
60 [T start, T end ] [T start, T end ] V isdiss(s i, S j ) = d(s i, S j ) D(f l, f m ) f l KF i,f m KF j D KF k k d t
61 T C i C j ˆd max (C i, C j ) = d(sl, S ˆd(S l, S k ) = k ) d t (S l, S k ) T ˆd(Sl, S k ) S l C i,s k C j. d NumClusters NumShots NumClusters = 1 ˆd max (A, B) > δ ˆd max (R, S) ˆd max (A, B) NumClusters NumClusters 1 δ [0, 1] δ = 0 δ = 1 NumClusters = 1 NumClusters = NumShots
62 X 1 = L 1 L 2... L w X 2 = K 1 K 2... K w L i, K i ClusterLabels i [1,..., w] (w +1) (w +1) N N(i, j) X 1 (1... i) X 2 (1... j) X 1 (i) X 2 (j) X 1 (i) X 2 (j) X 1 (i) X 2 (j) N(i 1, j 1) + S(X 1 (i), X 2 (j)) N(i, j) = N(i 1, j) d N(i, j 1) d S NumClusters NumClusters πίνακας αντικατάστασης C i C j d S V issim(s i, S j ) = f l KF i,f m KF j ColSim(f l, f m )
63 m i C i CSM(i, j) = V issim(m i, m j ) C i C j P P M(i, j) = 1 NumShots 1 { pairs(l 1 = C i, L 2 = C j )} NumShots L 1 L 2 S(i, j) = CSM(i, j) + P P M(i, j) i = j α(1 CSM(i, j)) β(1 P P M(i, j)) i j α β α + β = 1 N T N traceback N T N = 0 d wd d wd T = done left left up up
64 N (i, j) T (i, j) N(i, j) T (w + 1, w + 1) X 1 X 2 X 1 (i) X 2 (j) F F = S( ) () d S( ) = +
65 S z Mot z Mot z = 1 b 1 D(f, f + 1) b a f=a a, b D S i S j MotSim(S i, S j ) = 2 (Mot i, Mot j ) Mot i + Mot j ShotSim(S i, S j ) = α V issim(s i, S j ) + β MotSim(S i, S j ) α β α + β = 1 G = (V, E) i v i e(i, j) E i j W (i, j) W W (S i, S j ) = w(i, j) ShotSim(S i, S j )
66 w(i, j) w(i, j) = Ä 1 d m i m j σ 2 ä m i m j σ G = (V, E) G = (V, E ) G = (V, E ) V V = V V V = cut(v, V ) = W (i, j) i V,j V G n = (V n, E n ) assoc(v n, V ) = W (i, j) i V n,j V Ncut(V, V ) = cut(v, V ) assoc(v, V ) + cut(v, V ) assoc(v, V ) Ncut (i < j i > j) v i V, v j V
67 Ncut Ncut λ
68
69 D kf S i n KF i = {kf i1,..., kf in } D Si = D kfi D kfn D S = D S1 D S2 D SN k V H i P D Si = {d 1,..., d P } {C 1,..., C k } V H i (l) = {d j C l, j = 1,..., P } P l = 1,..., k
70 K σ σ SH t = n= (V H t n )K σ (t n) SH Ã k V i = (SH i (h) SH i+1 (h)) 2 h=1 V i = 1 kh=1 (SH i (h), SH i+1 (h)) kh=1 SH i (h) kh=1 (SH i (h) SH i+1 (h)) 2 V i = 0.5 kh=1 (SH i (h) + SH i+1 (h)) 2 50
71 T δ 80 F 1 10 T = δ = Mean Recall Mean F T δ T δ δ d α β S a(i, j) = V issim(s i, S j ) V issim λ
72 w d = 1 λ = Mean Recall Mean F a w a w 6 8 w a a = 0.1 w = 2 = 58 F 1 = 18 d λ α = β = F 1 19 d = 20 λ = 1
73 Mean Recall d λ Mean F d λ d λ F 1 σ Mean Recall σ=1 σ=8 σ=15 σ= Number of Visual Words Mean F σ=1 σ=8 σ=15 σ= Number of Visual Words σ
74
75 (T, δ) = (1000, 0.3) 250
76 {Sc i 1, Sc i, Sc i+1 } Sc i d (Sc i, Sc j ) = d(s l, S k ) S l Sc i,s k Sc j Sc i F 1
77 δ δ K {U i } K i=1 τ(u i ) U i U m i 1 m 1 U 1 U 1 i K i i + 1 T τ(u i ) + τ(u m) S j U i U m (T, δ ) U i U m U m U i U m m m + 1 U m U i {U 1, U 2,..., U m}
78 δ = 0.3 = F 1 = 33 δ = 0.2 = F 1 = MeanValues F1 Precision Recall δ * δ 1 MeanValues F1 Precision Recall δ * δ
79 X = {x i : i = 1,..., N} M = {M i : i = 1,..., K} M d L(X, M) BIC(M) = (L(X, M)) 0.5λd (N) λ M i M j BIC = BIC(M i ) BIC(M j ) M i M j X = {x i R k : i = 1,..., N} H 0 : x 1... x N f(θ) H 1 : x 1... x i f(θ 1 ); x i+1... x N f(θ 2 ) x i f(θ i ) i
80 BIC(i) BIC(i) = BIC(M 1 ) BIC(M 0 ) = L(X, θ 1 ) + L(X, θ 2 ) 0.5λ(2d) (N) ( L(X, θ) 0.5λd (N)) = L(X, θ 1 ) + L(X, θ 2 ) L(X, θ) 0.5λd (N) ˆt = BIC(i) M 1 M 0 M 1 M 0 BIC = BIC(M 1 ) BIC(M 0 ) BIC > 0 λ
81 1 0.8 Weight Frequency (Hz)
82 w λ λ w 87 F 1 16 = F 1 = (λ, w ) w λ Mean Recall Mean F λ w λ w 6 λ w
83 Mean Recall Mean F λ w λ 0 2 w 4 6 λ w λ w
84 = 768 λ F 1
85 1 0.5 Mean Recall λ PCA components Mean F λ PCA components λ BIC V BIC A
86 Mean Recall Mean F λ PCA components λ PCA components λ BIC AV = BIC A + BIC V BIC AV w = 2 10
87 1 0.5 Mean Recall 0.5 Mean F λ audio λ image λ audio λ image 20 λ = 512 k
88 σ F 1
89 k = 100 σ = 1 Mean Recall NumWords=100 NumWords=150 NumWords=200 NumWords=500 NumWords=650 NumWords=800 Mean F NumWords=100 NumWords=150 NumWords=200 NumWords=500 NumWords=650 NumWords= σ σ σ σ k
90 D S σ k
91 Mean Recall σ Mean F σ σ σ = sec sec
92 1 0.8 Recall Precision Scene Tolerance (sec)
93
94
95
96
97 Pattern Recognition and Machine Learning Graph theory with applications Proceedings of the ACM International Conference on Image and Video Retrieval IEEE Transactions on Multimedia Proc. DARPA Broadcast News Transcription and Understanding Workshop IEEE Transactions on Multimedia Journal of Real-Time Image Processing Proceedings of the Second ACM International Conference on Multimedia Principal component analysis 5th International Conference on Visual Information Engineering
98 Multimedia information extraction International Journal of Computer Vision Journal of Computing Information Retrieval for Music and Motion Journal of Molecular Biology Advances in Neural Information Processing Systems International Journal of Computer Vision IEEE International Symposium on Multimedia Int. Conf. Computer Vision and Pattern Recognition IEEE Transactions on Multimedia The Annals of Statistics IEEE Transactions on Pattern Analysis and Machine Intelligence Proceedings of the 17th ACM international conference on Multimedia Machine Vision for three-demensional Sciences
99 Procs. IEEE Int. Conf. Multimedia and Expo, ICME IEEE Transactions on Multimedia Levenshtein distance wikipedia, the free encyclopedia http: / / en. wikipedia. org / w / index. php? title = Levenshtein _ distance&oldid= Comput. Vis. Image Underst. Proceedings of the Third ACM International Conference on Multimedia IEEE Transactions on Multimedia, Multimedia Systems Proc. International Conference on Spoken Language Processing
100
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
Διαβάστε περισσότερα[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
Διαβάστε περισσότεραHOSVD. 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
Διαβάστε περισσότεραMIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
Διαβάστε περισσότερα2016 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
Διαβάστε περισσότεραΕΥΡΕΣΗ 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
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
Ε Λ Λ Η Ν Ι Κ Η Δ Η Μ Ο Κ Ρ Α Τ Ι Α ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ 76 104 34 ΑΘΗΝΑ ΤΗΛ. 2108203111 FAX: 2108230488 URL: http://www.statathens.aueb.gr ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
Διαβάστε περισσότεραGemini, 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
Διαβάστε περισσότεραΤΕΙ 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
Διαβάστε περισσότερα! : ;, - "9 <5 =*<
ITU-R M.473- (00/0)! (TDMA/FDMA) ""# $ %!& ' " ( ) 34 --./ 0, (MSS) * * )! +, 56 78 89 : ;, - "9
Διαβάστε περισσότερα{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
Διαβάστε περισσότεραth International Conference on Machine Learning and Applications. E d. h. U h h b w k. b b f d h b f. h w k by v y
212 11th International Conference on Machine Learning and Applications C b G E P fi d P P I f Id fy F M d D d W, M O h, E Z,T L C f C S, U v y f M, C G b, FL 33146, USA E : d.w 1@. d, h @.. d D f C S d
Διαβάστε περισσότερα3: 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
Διαβάστε περισσότεραAdaptive grouping difference variation wolf pack algorithm
3 2017 5 ( ) Journal of East China Normal University (Natural Science) No. 3 May 2017 : 1000-5641(2017)03-0078-09, (, 163318) :,,.,,,,.,,. : ; ; ; : TP301.6 : A DOI: 10.3969/j.issn.1000-5641.2017.03.008
Διαβάστε περισσότεραWireless 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
Διαβάστε περισσότεραQuery by Phrase (QBP) (Music Information Retrieval, MIR) QBH QBP / [1, 2] [3, 4] Query-by-Humming (QBH) QBP MIDI [5, 6] [8 10] [7]
Query by Phrase: a 2 2 Query by Phrase QBP QBP GaP-NMF GaP-NMF GaP-NMF QBP. Music Information Retrieval MIR [ 2] [3 4]Query-by-Humming QBH MIDI [5 6] [7] Waseda University 2 National Institute of Advanced
Διαβάστε περισσότεραAutomatic 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
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ανάλυση επιπέδου προστασίας και ανωνυμοποίησηπροσωπικών δεδομένων κίνησης
Διαβάστε περισσότεραArea 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
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής
Διαβάστε περισσότεραΒΕΣ 04: Συµπίεση και Μετάδοση Πολυµέσων. Βίντεο (Video) Περιεχόµενα. Βιβλιογραφία. Καγιάφας [2000]: Κεφάλαιο 5, [link]
ΒΕΣ 04: Συµπίεση και Μετάδοση Πολυµέσων Βίντεο (Video) Περιεχόµενα Εισαγωγή Βίντεο και πολυµεσικές εφαρµογές Αναπαράσταση Βίντεο Πρότυπα αναλογικού βίντεο Ψηφιακό βίντεο Πρότυπα ελεγκτών αναπαράστασης
Διαβάστε περισσότεραNo. 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
Διαβάστε περισσότερα(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)
Διαβάστε περισσότεραΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ
ΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΑΝΑΠΛΗΡΩΤΡΙΑ ΚΑΘΗΓΗΤΡΙΑ ΤΟΥ ΤΜΗΜΑΤΟΣ ΛΟΓΙΣΤΙΚΗΣ ΤΟΥ ΤΕΙ ΚΑΒΑΛΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΙΑΝΟΥΑΡΙΟΣ 2008 ΒΙΟΓΡΑΦΙΚΟ
Διαβάστε περισσότεραQ π (/) ^ ^ ^ Η φ. <f) c>o. ^ ο. ö ê ω Q. Ο. o 'c. _o _) o U 03. ,,, ω ^ ^ -g'^ ο 0) f ο. Ε. ιη ο Φ. ο 0) κ. ο 03.,Ο. g 2< οο"" ο φ.
II 4»» «i p û»7'' s V -Ζ G -7 y 1 X s? ' (/) Ζ L. - =! i- Ζ ) Η f) " i L. Û - 1 1 Ι û ( - " - ' t - ' t/î " ι-8. Ι -. : wî ' j 1 Τ J en " il-' - - ö ê., t= ' -; '9 ',,, ) Τ '.,/,. - ϊζ L - (- - s.1 ai
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ιδιωτικότητα και ανωνυμία σε ανοικτές πλατφόμες Privacy and anonymity
Διαβάστε περισσότεραOptimization, 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
Διαβάστε περισσότεραCSS. DEIM Forum 2018 G2-4 CSS HTML/XML CSS CSS DTD
DEIM Forum 2018 G2-4 CSS 305-8550 1-2 305-8550 1-2 113-8657 1-1-1 E-mail: nsuzuki@slis.tsukuba.ac.jp, s1721657@s.tsukuba.ac.jp, ayekwon@mail.ecc.u-tokyo.ac.jp CSS HTML/XML D DTD R CSS CSS D R CSS r D XML
Διαβάστε περισσότεραVol. 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
Διαβάστε περισσότεραΣΤΟΙΧΕΙΑ ΠΡΟΤΕΙΝΟΜΕΝΟΥ ΕΞΩΤΕΡΙΚΟΥ ΕΜΠΕΙΡΟΓΝΩΜΟΝΟΣ Προσωπικά Στοιχεία:
Όνομα Marios Πανεπιστήμιο / Brunel University London Επώνυμο Angelides E-mail Marios.Angelides@brun el.ac.uk Electronic and Computer Engineering Βαθμίδα Professor Επιστημονική Περιοχή Multimedia Content
Διαβάστε περισσότεραMPEG7 Multimedia Content Description Interface
MPEG7 Multimedia Content Description Interface Τυποποιεί την περιγραφή του περιεχοµένου των πολυµέσων (video audio) εν επεξεργάζεται αλλά! Συλλέγει χαρακτηριστικά πού χρειάζονται για περιγραφή δεδοµένων
Διαβάστε περισσότεραSchedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
Διαβάστε περισσότεραΑνάκτηση Δεδομένων (Information Retrieval)
Ανάκτηση Δεδομένων (Information Retrieval) Παύλος Εφραιμίδης Βάσεις Δεδομένων Ανάκτηση Δεδομένων 1 Information Retrieval (1) Βάσεις Δεδομένων: Περιέχουν δομημένη πληροφορία: Πίνακες Ανάκτηση Πληροφορίας
Διαβάστε περισσότεραStabilization 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
Διαβάστε περισσότεραThe ε-pseudospectrum of a Matrix
The ε-pseudospectrum of a Matrix Feb 16, 2015 () The ε-pseudospectrum of a Matrix Feb 16, 2015 1 / 18 1 Preliminaries 2 Definitions 3 Basic Properties 4 Computation of Pseudospectrum of 2 2 5 Problems
Διαβάστε περισσότεραResearch 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
Διαβάστε περισσότεραΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΤΗΛΕΦΩΝΟ ΣΤΑΘΕΡΟ : ΤΗΛΕΦΩΝΟ ΚΙΝΗΤΟ : ΑΡΙΘΜ. ΑΣΤΥΝΟΜΙΚΗΣ ΤΑΥΤΟΤΗΤΑΣ : Ρ (Τ.Α.
ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΟΝΟΜΑ ΕΠΩΝΥΜΟ ΟΝΟΜΑ ΠΑΤΡΟΣ ΟΝΟΜΑ ΜΗΤΡΟΣ : Στυλιανός : Κρηνίδης : Δημήτριος : Νίκη ΗΜΕΡΟΜΗΝΙΑ ΓΕΝΝΗΣΗΣ : 09/03/1978 ΔΙΕΥΘΥΝΣΗ ΚΑΤΟΙΚΙΑΣ ΠΟΛΗ ΚΑΤΟΙΚΙΑΣ Τ.Κ. : Νυρεμβέργης 77, Καβάλα :
Διαβάστε περισσότεραSpeeding 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
Διαβάστε περισσότεραOptimization Investment of Football Lottery Game Online Combinatorial Optimization
27 :26788 (27) 2926,2, 2, 3 (, 76 ;2, 749 ; 3, 64) :, ;,,, ;,, : ; ; ; ; ; : TB4 : A Optimization Investment of Football Lottery Game Online Combinatorial Optimization HU Mao2lin,2, XU Yin2feng 2, XU Wei2jun
Διαβάστε περισσότεραPsychological Evaluation on Interactions between People and Robot
362 Vol. 19 No. 3, pp.362 371, 2001 Psychological Evaluation on Interactions between People and Robot Takayuki Kanda, Hiroshi Ishiguro and Toru Ishida For realizing robots working in human society, interaction
Διαβάστε περισσότεραΠροχωρημένες Εργασίες
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Τεχνολογία και Ανάλυση Εικόνων και Βίντεο Προχωρημένες Εργασίες Χειμερινό Εξάμηνο 2007-2008 1. Εισαγωγή Σε σχέση με τις
Διαβάστε περισσότεραGPU. 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
Διαβάστε περισσότεραΑνάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Διαβάστε περισσότεραΕρευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+ Ερευνητικές,Δραστηριότητες,και, Ενδιαφέροντα,, Τμήμα,Μηχανικών,Η/Υ,&,Πληροφορικής, Τομέας,Λογικού,των,Υπολογιστών, Εργαστήριο,Γραφικών,,Πολυμέσων,και,Γεωγραφικών,
Διαβάστε περισσότεραAn Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
Διαβάστε περισσότεραl 0 l 2 l 1 l 1 l 1 l 2 l 2 l 1 l p λ λ µ R N l 2 R N l 2 2 = N x i l p p R N l p N p = ( x i p ) 1 p i=1 l 2 l p p = 2 l p l 1 R N l 1 i=1 x 2 i 1 = N x i i=1 l p p p R N l 0 0 = {i x i 0} R
Διαβάστε περισσότεραA High Precision Iris Feature Extraction and Its Application in Iris Recognition
A High Precision Iris Feature Extraction and Its Application in Iris Recognition * ** 84 E-mail: *cld3@giga.net.tw, **pierre@isu.edu.tw ( ) ( ) CASIA ABSTRACT In this paper, a novel technique is proposed
Διαβάστε περισσότεραΕΡΓΑΣΙΑ ΣΤΟ ΜΑΘΗΜΑ Λ03Β ΑΛΓΟΡΙΘΜΟΙ ΔΙΚΤΥΩΝ & ΠΟΛΥΠΛΟΚΟΤΗΤΑ ΦΛΕΒΑΡΗΣ 2004
ΕΡΓΑΣΙΑ ΣΤΟ ΜΑΘΗΜΑ Λ03Β ΑΛΓΟΡΙΘΜΟΙ ΔΙΚΤΥΩΝ & ΠΟΛΥΠΛΟΚΟΤΗΤΑ ΦΛΕΒΑΡΗΣ 2004 Παρουσίαση του paper: Increasing the Weight of Minimum Spanning Trees Greg N. Frederickson and Roberto Solis- Oba Journal of Algorithms
Διαβάστε περισσότεραMain source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1
Main source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1 A Brief History of Sampling Research 1915 - Edmund Taylor Whittaker (1873-1956) devised a
Διαβάστε περισσότεραA research on the influence of dummy activity on float in an AOA network and its amendments
2008 6 6 :100026788 (2008) 0620106209,, (, 102206) : NP2hard,,..,.,,.,.,. :,,,, : TB11411 : A A research on the influence of dummy activity on float in an AOA network and its amendments WANG Qiang, LI
Διαβάστε περισσότεραBuried Markov Model Pairwise
Buried Markov Model 1 2 2 HMM Buried Markov Model J. Bilmes Buried Markov Model Pairwise 0.6 0.6 1.3 Structuring Model for Speech Recognition using Buried Markov Model Takayuki Yamamoto, 1 Tetsuya Takiguchi
Διαβάστε περισσότεραΥπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου
Ανάλυση Εικόνων Εικόνα : μορφή πληροφορίας Ανάλυση : εξαγωγή γνώσης Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Θέματα ειδίκευσης Υπολογιστική Όραση
Διαβάστε περισσότεραBCI 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:
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Παρεμβολή Εικόνας Χρησιμοποιείται σε διαδικασίες
Διαβάστε περισσότεραDevelopment and Verification of Multi-Level Sub- Meshing Techniques of PEEC to Model High- Speed Power and Ground Plane-Pairs of PFBS
Rose-Hulman Institute of Technology Rose-Hulman Scholar Graduate Theses - Electrical and Computer Engineering Graduate Theses Spring 5-2015 Development and Verification of Multi-Level Sub- Meshing Techniques
Διαβάστε περισσότεραT : g r i l l b a r t a s o s Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α. Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ
Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α g r i l l b a r t a s o s Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 1 : 0 π μ Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ T ortiyas Σ ο υ
Διαβάστε περισσότεραFrom Secure e-computing to Trusted u-computing. Dimitris Gritzalis
From Secure e-computing to Trusted u-computing Dimitris Gritzalis November 2009 11 ο ICT Forum Αθήνα, 4-5 Νοέμβρη 2009 Από το Secure e-computing στο Trusted u-computing Καθηγητής Δημήτρης Γκρίτζαλης (dgrit@aueb.gr,
Διαβάστε περισσότεραIndexing Methods for Encrypted Vector Databases
Computer Security Symposium 2013 21-23 October 2013 305-0006 1-1-1 junpei.kawamoto@acm.org LSH LSH LSH Indexing Methods for Encrypted Vector Databases Junpei Kawamoto Faculty of Engineering, Information
Διαβάστε περισσότεραBΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ. goumas@teikav.edu.gr, goumas@kav.forthnet.gr
BΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΠΡΟΣΩΠΙΚΑ ΣΤΟΙΧΕΙΑ 'Ονομα: Επώνυμο: Στέφανος Γκούμας Ημερομ.Γέννησης: 25/8/1960 Οικογενειακή κατάσταση: Τόπος κατοικίας: Έγγαμος Παλιό Καβάλας Διεύθυνση κατοικίας: Παπαϊωάννου 45 Ταχ.Κώδικας:
Διαβάστε περισσότεραΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΑΚΑΔΗΜΑΪΚΟΥ ΕΤΟΥΣ
ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΑΚΑΔΗΜΑΪΚΟΥ ΕΤΟΥΣ 2019 2020 Τίτλος μαθήματος ΩΡΕΣ Υ/Ε/Ξ.Γ. Κατεύθυνση ECTS 1ο εξάμηνο ΑΝΑΛΥΣΗ Ι // ANALYSIS I ΑΡΧΕΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ // INTRODUCTION TO PROGRAMMING ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ
Διαβάστε περισσότεραSVM. 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
Διαβάστε περισσότεραDetection 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
Διαβάστε περισσότεραA Method for Singularity Detection in Fingerprint Images
000-985/003/4(06)08 003 Jornal of Software Vol4, No6 +,,,, 3 (,0093) (, 5000) 3 (, 3603) A Method for Singlarity Detection in Fingerprint Images TAN Tai-Zhe +, NING Xin-Bao, YIN Yi-Long, ZHAN Xiao-Si,
Διαβάστε περισσότεραAudio Engineering Society. Convention Paper. Presented at the 120th Convention 2006 May Paris, France
Audio Engineering Society Convention Paper Presented at the 1th Convention May 3 Paris, France! " ")*)+, A System for Head Related Impulse Responses Rapid Measurement and Direct Customization Simone Fontana
Διαβάστε περισσότεραRound LED 5mm - Viewing Angle 8 Deg
Round LED 5mm - Viewing Angle 8 Deg Photo Part No. Emitted Color. Chip λd Material (nm) Electro-Optical Characteristics (IF= 20mA) Vf (V) Iv (mcd) Typ. Max. Min. Typ. Viewing Angle (deg) B5b-437-KX Blue
Διαβάστε περισσότεραNov 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
Διαβάστε περισσότεραDEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Διαβάστε περισσότεραProbabilistic Approach to Robust Optimization
Probabilistic Approach to Robust Optimization Akiko Takeda Department of Mathematical & Computing Sciences Graduate School of Information Science and Engineering Tokyo Institute of Technology Tokyo 52-8552,
Διαβάστε περισσότεραΤμηματοποίηση με χρήση τυχαίων πεδίων Markov. Κοινή ιδιότητα σημείων τμήματος Εισαγωγή χωρικής πληροφορίας Εξομάλυνση πεδίου κατατάξεων
Τμηματοποίηση με χρήση τυχαίων πεδίων Markov Κοινή ιδιότητα σημείων τμήματος Εισαγωγή χωρικής πληροφορίας Εξομάλυνση πεδίου κατατάξεων Κόστος τμηματοποίησης Δυαδικοποίηση Κόστος σφαλμάτων σημειακής κατάταξης
Διαβάστε περισσότερα[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
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραsubstructure 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.
Διαβάστε περισσότεραΑΡΧΙΜΗ 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
Διαβάστε περισσότεραUltrasound Probe Calibration Method Based on Optical Tracking Systems
32 5 213 1 Chinese Journal of Biomedical Engineering Vol. 32 No. 5 October 213 * 11624 3 6 6 3 1 mm 2 2 mm R318 A 258-821 213 5-526-6 Ultrasound Probe Calibration Method Based on Optical Tracking Systems
Διαβάστε περισσότεραAutomatic Domain2Specific Term Extraction and Its Application in Text Cla ssification
2 2007 2 ACTA ELECTRONICA SINICA Vol. 35 No. 2 Feb. 2007,,, (, 150001) :,,,,..,,,. : ; ; ; ; : TP39112 : A : 037222112 (2007) 0220328205 Automatic Domain2Specific Term Extraction and Its Application in
Διαβάστε περισσότεραEstimation of stability region for a class of switched linear systems with multiple equilibrium points
29 4 2012 4 1000 8152(2012)04 0409 06 Control Theory & Applications Vol 29 No 4 Apr 2012 12 1 (1 250061; 2 250353) ; ; ; TP273 A Estimation of stability region for a class of switched linear systems with
Διαβάστε περισσότεραSCHOOL OF MATHEMATICAL SCIENCES G11LMA Linear Mathematics Examination Solutions
SCHOOL OF MATHEMATICAL SCIENCES GLMA Linear Mathematics 00- Examination Solutions. (a) i. ( + 5i)( i) = (6 + 5) + (5 )i = + i. Real part is, imaginary part is. (b) ii. + 5i i ( + 5i)( + i) = ( i)( + i)
Διαβάστε περισσότεραDEIM Forum 2012 D2-1 606 8501 150 0002 2-15-1 28F E-mail: {tsukuda,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp, {miyamamoto,hiwasaki}@d-itlab.co.jp 1 Wikipedia Wikipedia HITS 1. Web Web Web 1 3 Wikipedia 2 Web
Διαβάστε περισσότεραFX10 SIMD SIMD. [3] Dekker [4] IEEE754. a.lo. (SpMV Sparse matrix and vector product) IEEE754 IEEE754 [5] Double-Double Knuth FMA FMA FX10 FMA SIMD
FX,a),b),c) Bailey Double-Double [] FMA FMA [6] FX FMA SIMD Single Instruction Multiple Data 5 4.5. [] Bailey SIMD SIMD 8bit FMA (SpMV Sparse matrix and vector product) FX. DD Bailey Double-Double a) em49@ns.kogakuin.ac.jp
Διαβάστε περισσότεραJapanese Fuzzy String Matching in Cooking Recipes
1 Japanese Fuzzy String Matching in Cooking Recipes Michiko Yasukawa 1 In this paper, we propose Japanese fuzzy string matching in cooking recipes. Cooking recipes contain spelling variants for recipe
Διαβάστε περισσότεραΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
Ανάκτηση Πληροφορίας Αποτίμηση Αποτελεσματικότητας Μέτρα Απόδοσης Precision = # σχετικών κειμένων που επιστρέφονται # κειμένων που επιστρέφονται Recall = # σχετικών κειμένων που επιστρέφονται # συνολικών
Διαβάστε περισσότεραKenta OKU and Fumio HATTORI
DEIM Forum 2012 A1-3 525 8577 1 1 1 E-mail: oku@fc.ritsumei.ac.jp, fhattori@is.ritsumei.ac.jp Kenta OKU and Fumio HATTORI College of Information Science and Engineering, 1 1 1 Nojihigashi, Kusatsu-city,
Διαβάστε περισσότεραΔιατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών. «Προηγμένα Συστήματα Παραγωγής, Αυτοματισμού και. Ρομποτικής» Assignment 2
Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Προηγμένα Συστήματα Παραγωγής, Αυτοματισμού και Ρομποτικής» ΜΑΘΗΜΑ Μηχανική Όραση ΑΝΑΦΟΡΑ ΕΡΓΑΣΙΑΣ Assignment 2 ΣΠΟΥΔΑΣΤΕΣ Λεμωνιά Κατερίνα Πορφυράκης Μανώλης
Διαβάστε περισσότεραR k = r k x r k y r k z
Κατασκευή 3D µοντέλων κεφαλιών από ϕωτογραφίες Καλογήρου Χαρίλαος Ηλ. Ταχυδροµείο : harkal@cs.uoi.gr Πανεπιστήµιο Ιωαννίνων Τµήµα Πληροφορικής Κατασκευή 3D µοντέλων κεφαλιών από ϕωτογραφίες p.1/ Εισαγωγή
Διαβάστε περισσότεραN8-0 (1 *.0 ' :7 ' _H $ (G0 )-: + $ B1+ N (+:- A+1 5.
! *1 19/08/ :! $%&' (&) 19/10/08 :! 01 (&) 0 (1 * 0 #$ %& '$ () *+, - #./ (NAMO) ( - (8 - $ NP-Complete NAMO. ( ( *+, #$ )+, ( #$ > - *.+) =+ );< :( 9 #$ *. *F '- $ % ( #F, F % F ( $ BC+ ) BD 'EA)?+@ NAMO?+@
Διαβάστε περισσότεραResearch of Han Character Internal Codes Recognition Algorithm in the Multi2lingual Environment
18 2 JOURNAL OF CHINESE INFORMATION PROCESSING Vol118 No12 :1003-0077 (2004) 02-0073 - 07 Ξ 1,2, 1, 1 (11, 215006 ;21, 210000) : ISO/ IEC 10646,,,,,, 9919 % : ; ; ; ; : TP39111 :A Research of Han Character
Διαβάστε περισσότερα± 20% ± 5% ± 10% RENCO ELECTRONICS, INC.
RL15 RL16, RL17, RL18 MINIINDUCTORS CONFORMALLY COATED MARKING The nominal inductance is marked by a color code as listed in the table below. Color Black Brown Red Orange Yellow Green Blue Purple Grey
Διαβάστε περισσότεραΠροτεινόμενα Θέματα Πτυχιακών Εργασιών Ακαδημαϊκού Ετους 2013-2014
Ιόνιο Πανεπιστήμιο Τμήμα Τεχνών Ήχου και Εικόνας Προτεινόμενα Θέματα Πτυχιακών Εργασιών Ακαδημαϊκού Ετους 2013-2014 Φλώρος Ανδρέας Επίκ. Καθηγητής Σημείωση προς τους φοιτητές: Παρακάτω αναφέρονται οι θεματικοί
Διαβάστε περισσότεραA Method for Describing Coordination Problem Based on Coordination Knowledge Level
2005 7 7 :100026788 (2005) 0720087206, (, 430074) :,,, (A,D,R),, : ; : TP30114 : A A Method for Describing Coordination Problem Based on Coordination Knowledge Level MA Qiao2yun, CHEN Xue2guang, HONG Liu
Διαβάστε περισσότεραMagnetically Coupled Circuits
DR. GYURCSEK ISTVÁN Magnetically Coupled Circuits Sources and additional materials (recommended) Dr. Gyurcsek Dr. Elmer: Theories in Electric Circuits, GlobeEdit, 2016, ISBN:978-3-330-71341-3 Ch. Alexander,
Διαβάστε περισσότεραΕπικοινωνιών στην Εκπαίδευση. Τεχνολογίες Πληροφορίας & (ΤΠΕ-Ε)
Τεχνολογίες Πληροφορίας & Επικοινωνιών στην Εκπαίδευση (ΤΠΕ-Ε) ΑΝΤΙΚΕΙΜΕΝΟ ΤΗΣ ΚΑΤΕΥΘΥΝΣΗΣ Η αξιοποίηση των σύγχρονων Τεχνολογιών Πληροφορίας & Επικοινωνιών (ΤΠΕ) στην εκπαίδευση και τη µάθηση Πώς οι ΤΠΕ
Διαβάστε περισσότεραEPL324: Tutorials* on Communications and Networks Tutorial 2: Chapter 1 Review Questions
EPL324: Tutorials* on Communications and Networks Tutorial 2: Chapter 1 Review Questions Pavlos Antoniou University of Cyprus Department of Computer Science * The material is taken from J.F. Kurose & K.W.
Διαβάστε περισσότεραΕυφυές Σύστημα Ανάλυσης Εικόνων Μικροσκοπίου για την Ανίχνευση Παθολογικών Κυττάρων σε Εικόνες Τεστ ΠΑΠ
Ευφυές Σύστημα Ανάλυσης Εικόνων Μικροσκοπίου για την Ανίχνευση Παθολογικών Κυττάρων σε Εικόνες Τεστ ΠΑΠ ΚΩΔΙΚΟΣ MIS: 346961 Φορέας Υποβολής: Πανεπιστήμιο Ιωαννίνων - Τμήμα Πληροφορικής Φορέας Χρήστης:
Διαβάστε περισσότεραER-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
Διαβάστε περισσότεραΕ.Α.Υ. Υπολογιστική Όραση. Αντίληψη και Αναπαράσταση Εικόνας και Χρώματος
Ε.Α.Υ. Υπολογιστική Όραση Αντίληψη και Αναπαράσταση Εικόνας και Χρώματος Γεώργιος Παπαϊωάννου 2015 ΑΝΤΙΛΗΨΗ ΤΟΥ ΦΩΤΟΣ Το Ανθρώπινο Οπτικό Σύστημα We perceive light intensity and chromaticity via our photoreceptors:
Διαβάστε περισσότεραDEIM 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:
Διαβάστε περισσότεραC F E E E F FF E F B F F A EA C AEC
Proceedings of the International Multiconference on Computer Science and Information Technology pp. 767 774 ISBN 978-83-60810-27-9 ISSN 1896-7094 CFEEEFFFEFBFFAEAC AEC EEEDB DACDB DEEE EDBCD BACE FE DD
Διαβάστε περισσότεραE-mail: {kameoka,sagayama}@hil.t.u-tokyo.ac.jp, m.goto@aist.go.jp GUI
E-mail: {kameoka,sagayama}@hil.t.u-tokyo.ac.jp, m.goto@aist.go.jp GUI Selective Amplifier of Periodic and Non-periodic Components in Concurrent Audio Signals with Spectral Control Envelopes Hirokazu Kameoka
Διαβάστε περισσότερα