[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
|
|
- Κόρη Γιαννακόπουλος
- 6 χρόνια πριν
- Προβολές:
Transcript
1 NMF 1 1,a) 1 AED NMF DNN IEEE D-CASE % 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 and Engineering, Toyohashi University of Technology, Toyohashi, Aichi , Japan a) kyama@tut.jp D-CASE [6] D-CASE 2 OL (Office Live) OS (Office Synthetic) Vuegen [8] MFCC (Mel-Frequency Cepstral Coefficients) GMM (Gaussian Mixture Model) OL 43.4% OS 13.5% F Gemmeke [9] Exemplar-based NMF OL 31.4% OS 21.3% F 2 OL 1
2 [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 detection system S Ŝ = WH I(i =1, 2,,I) J(j =1, 2,,J) K(k =1, 2,,K) S Ŝ I J W I K H K J W n W W =[W 1,W 2,...,W N ] N W n H n W H S N n W nh n (n =1, 2,,N) N S n S n S ˆ W n H n n = S N m W (1) mh m [13] VQ ( ) NMF NMF W VQ VQ 2
3 4 Fig. 4 Score fusion 2 (1) Fig. 2 Shared bases (1) number of bases for each class is variable j j i C j N O i M i X i = exp(o i) M j exp(o j ) (3) 3 (2) Fig. 3 Shared bases (2) number of bases for each class is constant W (1) 2 (2) 3 2 Komatsu [14] 3.2 DNN j j O j N O j = W ij h i + C j (2) i=1 h i i W ij O i X i 4 MFCC FBANK 2 DNN 2 FUSION 3.3 (a) DNN NMF (1) DNN DNN 5 DNN (sil) X sil DNN O j DNN (3) (2) OL 3
4 5 Fig. 5 Acoustic event detection and threshold 9 DNN DNN 1 (b) NMF NMF NMF 4. [5] NMF NMF 5. IEEE D-CASE [6] TASK2 OS 16 (alert, clearthroat, 6 Fig. 6 Distance between basis vectors within class and across classes cough, doorslam, drawer, keyboard, keys, knock, laughter, mouse, pageturn, pendrop, phone, printer, speech, switch) / 44.1kHz/24bit OS , , NMF NMF 20ms 10ms z 1 VQ 4 KL-divergence (1) (2) 4 5 (1) , 0.40, 0.45, , 0.45, 0.50,
5 5.1.2 (SS) [15] SS SS MFCC FBANK 20ms 10ms NMF MFCC 12 Δ, ΔΔ FBANK 45 Δ, ΔΔ DNN D-CASE SNR 10, 15, 20dB D-CASE OL DNN 3 7 MFCC 273 FBANK Rectified Linear Unit D-CASE Challenge F 10ms F F [%]=2 P recison Recall P recision + Recall P recison[%] = C E, Recall[%] = C GT (4) (5) C E GT [5], [6], [8], [9], [10] F Recall 2 Recall R overlap F Table 1 Results of revious works Baseline[6] DHV[10] GVV[9] VVK[8] F [%] NMF DNN [5] Table 2 Results for only NMF and only DNN from [5] NMF DNN MFCC FBANK FUSION R overlap [%] F [%] NMF DNN [9] NMF NMF F 14.4% NMF 3 4 NMF DNN F 2 DNN MFCC 10.3% FBANK 4.4% FUSION 41.3% F F laughter 17 alert, switch 5 4 NMF-DNN F 6. [5] NMF NMF 5
6 Table 3 3 -F - Sharing method -F-measure- - - Threshold cb size MFCC FBANK Select cb size MFCC FBANK Table 4 Comparison between conventional and proposed methods Method Feature R overlap[%] F [%] DNN[5] FUSION NMF-DNN[5] Threhold = 0.45 cb size = 8 Threhold = 0.55 cb size = 8 MFCC FBANK FUSION MFCC FBANK FUSION MFCC FBANK FUSION NMF DNN [5] DNN F 4.4% FBANK FUSION F 41.3% [9] 20% [5] FUSION 4.8% [1] A. Temko, et al., Comparison of sequence discriminant support vector machines for acoustic event classification, in Proc. IEEE ICASSP 2006, pp , 2006 [2] S. Deng, et al., Robust minimum statistic project coefficients feature for acoustic environment recognition, in Proc. IEEE ICASSP 2014, pp , 2014 [3] J. Salmon and J. P. Bello, Unsupervised feature learning for urban sound classification, in Proc. IEEE ICASSP 2015, pp , [4] R. Radhakrishnan, et al., Audio analysys for surveillance applications, in Proc IEEE WASPAA, pp , [5],, 2016, 3-P-8, pp , [6] D. Stowell, D. Giannoulis, E. Benetos, M. Lagrange, and M. D. Plumbley, Detection and classification of acousitc scenes and events, in IEEE Trans. Multimedia, vol.17, pp , [7] N. Moreau, et al., Data collection for the CHIL CLEAR 2007 evaluation campaign, in Proc. LREC 08, pp.28 30, [8] L. Vuegen, et al., An MFCC - GMM approach apploach for event detection and classification, in IEEE AASP Challenge: Detection and Classification of Acoustic Scenes and Events, [Online]. Available: sceneseventschallenge/abstracts/ol/vvk.pdf [9] J. F. Gemmeke, et al., An exemplar-based NMF approach to audio event detection, in IEEE AASP Challenge: Detection and Classification of Acoustic Scenes and Events, [Online]. Available: sceneseventschallenge/abstracts/ol/gvv.pdf [10] A. Diment, et al., Sound event detection for office live and office synthetic AASP challenge, in IEEE AASP Challenge: Detection and Classification of Acoustic Scenes and Events, [Online]. Available: sceneseventschallenge/abstracts/ol/dhv.pdf [11] X. Zhou, et al., HMM-based acoustic event detection with AdaBoost feature selection, in Classification of Events, Activities and Relationships Evaluation and Workshop, [12] D. D. Lee, H. S. Seung, Algorithms for non-negative matrix factorization, in NIPS, pp , [13], NMF VQ, 2012, 1-P-18, pp , [14] T. Komatsu, et al., Acoustic event detection based on non-negative matrix factorization with mixtures of local dictionaries and activation aggregation, in Proc. ICASSP 2016, pp , [15] S. F. Boll, Suppression of acoustic noise in speech using spectral subtraction, in IEEE Trans. ASSP, Vol.27, No.2, pp , [16],,, Vol.68, No.2, pp.74 85,
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
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 περισσότερα[2] REVERB 8 [3], [4] [5] [20] [6], [7], [8], [9], [10] [11] REVERB 8 *1 [9] LDA *2 MLLT (SAT) [8] (basis fmllr) [12] (DNN) [10] DNN [11] [13] [14] Ka
: REVERB 1,a) 1 2 REVERB 8 REVERB REVERB 6.76% 18.60% 68.8% 61.5% REVERB Effectiveness of dereverberation techniques and system combination approach for various reverberant environments: REVERB challenge
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 περισσότεραΣυνδυασμένη Οπτική-Ακουστική Ανάλυση Ομιλίας
Ομάδα Όρασης Υπολογιστών, Επικοινωνίας Λόγου και Επεξεργασίας Σήματος Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχαν. και Μηχαν. Υπολ. http://cvsp.cs.ntua.gr Συνδυασμένη Οπτική-Ακουστική ή Ανάλυση
Διαβάστε περισσότεραEstimation, Evaluation and Guarantee of the Reverberant Speech Recognition Performance based on Room Acoustic Parameters
Vol.21-SLP-83 No.9 21/1/29 1 Estimation, Evaluation and Guarantee of the Reverberant Speech Recognition Performance based on Room Acoustic Parameters Takanobu Nishiura 1 We study on estimation, evaluation
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 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 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 περισσότεραBayesian 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
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 περισσότεραAnomaly 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 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 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 περισσότερα40 3 Journal of South China University of Technology Vol. 40 No Natural Science Edition March
40 3 Journal of South China University of Technology Vol 40 No 3 2012 3 Natural Science Edition March 2012 1000-565X 2012 03-0106-06 * 510640 MFCC K-L K-L MFCC K-L 46 61% 42 25% 39 68% 36 36% K-L TN912
Διαβάστε περισσότερα1,a) 1,b) 2 3 Sakriani Sakti 1 Graham Neubig 1 1. A Study on HMM-Based Speech Synthesis Using Rich Context Models
HMM 1,a 1,b 3 Sakriani Sakti 1 Graham Neubig 1 1 Hidden Markov Model HMM HMM HMM HMM HMM A Study on HMM-Based Speech Synthesis Using Rich Context Models Shinnosuke Takamichi 1,a Toda Tomoki 1,b Shiga Yoshinori
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 περισσότερα1 (forward modeling) 2 (data-driven modeling) e- Quest EnergyPlus DeST 1.1. {X t } ARMA. S.Sp. Pappas [4]
212 2 ( 4 252 ) No.2 in 212 (Total No.252 Vol.4) doi 1.3969/j.issn.1673-7237.212.2.16 STANDARD & TESTING 1 2 2 (1. 2184 2. 2184) CensusX12 ARMA ARMA TU111.19 A 1673-7237(212)2-55-5 Time Series Analysis
Διαβάστε περισσότεραSpeech Recognition using Phase Information based on Long-Term Analysis
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 441 8580 1 1 E-mail: {kyama,sueyoshi,nakagawa}@slp.cs.tut.ac.jp MFCC Liu 2 1 1 90% MFCC 20% Abstract Speech
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 8η: Αναγνώριση Ομιλητή Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 9: Speaker Recognition
Διαβάστε περισσότεραVol.4-DCC-8 No.8 Vol.4-MUS-5 No.8 4// 3 3 Hanning (T ) 3 Hanning 3T (y(t)w(t)) dt =.5 T y (t)dt. () STRAIGHT F 3 TANDEM-STRAIGHT[] 3 F F 3 [] F []. :
Vol.4-DCC-8 No.8 Vol.4-MUS-5 No.8 4//,a) Vocoder (F) F F. PSOLA [] sinusoidal model [] phase vocoder Vocoder [3] (F) F 3 [4], [5], [6], [7], [8], [9] [], [], [], [3], [4] [5], [6] [7], [8], University
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 περισσότεραIdentifying 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
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 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 περισσότεραYoshifumi Moriyama 1,a) Ichiro Iimura 2,b) Tomotsugu Ohno 1,c) Shigeru Nakayama 3,d)
1,a) 2,b) 1,c) 3,d) Quantum-Inspired Evolutionary Algorithm 0-1 Search Performance Analysis According to Interpretation Methods for Dealing with Permutation on Integer-Type Gene-Coding Method based on
Διαβάστε περισσότεραIPSJ SIG Technical Report Vol.2014-CE-127 No /12/6 CS Activity 1,a) CS Computer Science Activity Activity Actvity Activity Dining Eight-He
CS Activity 1,a) 2 2 3 CS Computer Science Activity Activity Actvity Activity Dining Eight-Headed Dragon CS Unplugged Activity for Learning Scheduling Methods Hisao Fukuoka 1,a) Toru Watanabe 2 Makoto
Διαβάστε περισσότερα1181 (real-timespeechdriven) 1 1 ( ) D FAP FAP (voiceactivationdetectionvad) D FaceGen 3- D XfaceEd MPEG-4 1 FAP 66 FAP ( ) FAP 84
ISSN1000-0054 CN11-2223/N ( ) 2011 51 9 JTsinghuaUniv(Sci& Tech) 2011Vol.51 No.9 5/33 1180-1186 ( 710129) [1-2] 2 [1] MPEG-4 3-D MOS MOS 3.42 3.50 TP391 1000-0054(2011)09-1180-07 A Real-timespeechdriventalkingavatar
Διαβάστε περισσότεραSNR F0 [2], [3], [4] F0 F0 F0 F0 F0 TUSK F0 TUSK F0 6 TUSK 6 F0 2. F0 F0 [5] [6] [7] p[8] Cepstrum [9], [10] [11] [12] [13] F0 [14] F0 [15] DIO[16] [1
1,a) 2 F0 TUSK F0 F0 F0 F0 TUSK TUSK F0 Prototype of a framework for overviewing the performance of F0 estimators Morise Masanori 1,a) Kawahara Hideki 2 Abstract: This article represents a framework for
Διαβάστε περισσότεραRe-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]
Re-Pair 1 1 Re-Pair Re-Pair Re-Pair Re-Pair 1. Larsson Moffat [1] Re-Pair Re-Pair (Re-Pair) ( ) (highly repetitive text) [2] Re-Pair [7] Re-Pair Re-Pair n O(n) O(n) 1 Hokkaido University, Graduate School
Διαβάστε περισσότεραFourier 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,
Διαβάστε περισσότεραVoice Conversion based on Non-negative Matrix Factorization with Segment Features in Noisy Environments
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. NMF 657 8501 1 1 657 8501 1 1 E-ail: {fujii,aihara}@e.cs.scitec.kobe-u.ac.jp, {takigu,ariki}@kobe-u.ac.jp
Διαβάστε περισσότεραDevelopment of a Seismic Data Analysis System for a Short-term Training for Researchers from Developing Countries
No. 2 3+/,**, Technical Research Report, Earthquake Research Institute, University of Tokyo, No. 2, pp.3+/,,**,. * * Development of a Seismic Data Analysis System for a Short-term Training for Researchers
Διαβάστε περισσότεραStudy on Re-adhesion control by monitoring excessive angular momentum in electric railway traction
() () Study on e-adhesion control by monitoring excessive angular momentum in electric railway traction Takafumi Hara, Student Member, Takafumi Koseki, Member, Yutaka Tsukinokizawa, Non-member Abstract
Διαβάστε περισσότεραΗ Διαδραστική Τηλεδιάσκεψη στο Σύγχρονο Σχολείο: Πλαίσιο Διδακτικού Σχεδιασμού
Η Διαδραστική Τηλεδιάσκεψη στο Σύγχρονο Σχολείο: Πλαίσιο Διδακτικού Σχεδιασμού Παναγιώτης Αναστασιάδης Πανεπιστήμιο Κρήτης panas@ edc.uoc.gr ΠΕΡΙΛΗΨΗ Οι προηγμένες τεχνολογίες σύγχρονης μετάδοσης και ιδιαίτερα
Διαβάστε περισσότεραKernel 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
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 περισσότερα1 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
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 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 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 περισσότεραNon-negative Matrix Factorization, NMF [5] NMF. [1 3] Bregman [4] Harmonic-Temporal Clustering, HTC [2,3] 1,2,b) NTT
1,a) 1,2,b) 1. [1 3] Bregman [4] Harmonic-Temporal Clustering, HTC [2,3] 1 7-3-1 113-0033 2 NTT 3-1 243-0198 a) Tomohio Naamura@ipc.i.u-toyo.ac.jp b) ameoa@hil.t.u-toyo.ac.jp/ameoa.hiroazu@lab.ntt.co.jp
Διαβάστε περισσότεραBundle 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
Διαβάστε περισσότεραEM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch.
Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch, EM 1. EM 2. HMM EM (Expectationmaximization algorithm) 1 3.
Διαβάστε περισσότεραΠΑΡΑΔΟΤΕΟ 3.1 : Έκθεση καταγραφής χρήσεων γης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ, ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΕΙΔΙΚΗ ΥΠΗΡΕΣΙΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΑΙ ΕΦΑΡΜΟΓΗΣ ΤΩΝ ΔΡΑΣΕΩΝ ΘΡΗΣΚΕΥΜΑΤΩΝ ΤΟΥ ΥΠΟΥΡΓΕΙΟΥ ΠΑΙΔΕΙΑΣ ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΣΤΟΥΣ ΤΟΜΕΙΣ ΤΗΣ
Διαβάστε περισσότεραNumerical Analysis FMN011
Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =
Διαβάστε περισσότεραΑνάκτηση 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,
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 περισσότεραΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ
H O G feature descriptor global feature the most common algorithm associated with person detection Με τα Ιστογράμματα της Βάθμωσης (Gradient) μετράμε τον προσανατολισμό και την ένταση της βάθμωσης σε μία
Διαβάστε περισσότεραGPGPU. Grover. On Large Scale Simulation of Grover s Algorithm by Using GPGPU
GPGPU Grover 1, 2 1 3 4 Grover Grover OpenMP GPGPU Grover qubit OpenMP GPGPU, 1.47 qubit On Large Scale Simulation of Grover s Algorithm by Using GPGPU Hiroshi Shibata, 1, 2 Tomoya Suzuki, 1 Seiya Okubo
Διαβάστε περισσότεραHigh 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
Διαβάστε περισσότεραΠτυχιακή 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
Διαβάστε περισσότεραA Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics
A Bonus-Malus System as a Markov Set-Chain Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics Contents 1. Markov set-chain 2. Model of bonus-malus system 3. Example 4. Conclusions
Διαβάστε περισσότεραRetrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by Using Existing Devices
No. 3 + 1,**- Technical Research Report, Earthquake Research Institute, University of Tokyo, No. 3, pp. + 1,,**-. MT * ** *** Retrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by
Διαβάστε περισσότεραΑΠΟΔΟΤΙΚΗ ΑΠΟΤΙΜΗΣΗ ΕΡΩΤΗΣΕΩΝ OLAP Η ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΕΙΔΙΚΕΥΣΗΣ. Υποβάλλεται στην
ΑΠΟΔΟΤΙΚΗ ΑΠΟΤΙΜΗΣΗ ΕΡΩΤΗΣΕΩΝ OLAP Η ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΕΞΕΙΔΙΚΕΥΣΗΣ Υποβάλλεται στην ορισθείσα από την Γενική Συνέλευση Ειδικής Σύνθεσης του Τμήματος Πληροφορικής Εξεταστική Επιτροπή από την Χαρά Παπαγεωργίου
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 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 περισσότερα(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
Διαβάστε περισσότεραChapter 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...
Διαβάστε περισσότεραathanasiadis@rhodes.aegean.gr , -.
παιδαγωγικά ρεύµατα στο Αιγαίο Προσκήνιο 88 - * athanasiadis@rhodes.aegean.gr -., -.. Abstract The aim of this survey is to show how students of the three last school classes of the Primary School evaluated
Διαβάστε περισσότεραCorV 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
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 περισσότεραSupplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation and Peak Detection
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. XX, NO. X, XXXX XXXX Supplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation
Διαβάστε περισσότεραΔιπλωματική Εργασία της φοιτήτριας του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ:ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΡΓΑΣΤΗΡΙΟ:ΕΝΣΥΡΜΑΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΣ Διπλωματική Εργασία της φοιτήτριας
Διαβάστε περισσότεραEvolution of Novel Studies on Thermofluid Dynamics with Combustion
MEMOIRS OF SHONAN INSTITUTE OF TECHNOLOGY Vol. 42, No. 1, 2008 * Evolution of Novel Studies on Thermofluid Dynamics with Combustion Hiroyuki SATO* This paper mentions the recent development of combustion
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 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 περισσότεραDiscriminative Language Modeling Based on Risk Minimization Training
1,a) 1 1 1 2 Bayes Dscrmnatve Language Modelng Based on Rsk Mnmzaton Tranng Kobayash Ako 1,a) Oku Takahro 1 Fujta Yuya 1 Sato Shoe 1 Nakagawa Sech 2 Abstract: Ths paper descrbes dscrmnatve language models
Διαβάστε περισσότεραES440/ES911: CFD. Chapter 5. Solution of Linear Equation Systems
ES440/ES911: CFD Chapter 5. Solution of Linear Equation Systems Dr Yongmann M. Chung http://www.eng.warwick.ac.uk/staff/ymc/es440.html Y.M.Chung@warwick.ac.uk School of Engineering & Centre for Scientific
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 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 περισσότεραΠΠΜ 515: Προχωρηµένα Θέµατα Διεύθυνσης Κατασκευαστικών Έργων
ΠΠΜ 515: Προχωρηµένα Θέµατα Διεύθυνσης Κατασκευαστικών Έργων Εαρινό Εξάµηνο 2007 Advanced and contemporary topics in construction project management. The topics include, among other, offerings on Fully
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 περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραApproximation of distance between locations on earth given by latitude and longitude
Approximation of distance between locations on earth given by latitude and longitude Jan Behrens 2012-12-31 In this paper we shall provide a method to approximate distances between two points on earth
Διαβάστε περισσότεραQueensland University of Technology Transport Data Analysis and Modeling Methodologies
Queensland University of Technology Transport Data Analysis and Modeling Methodologies Lab Session #7 Example 5.2 (with 3SLS Extensions) Seemingly Unrelated Regression Estimation and 3SLS A survey of 206
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 περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 7η: Βελτίωση Σήματος Φωνής Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 8: Speech Enhancement
Διαβάστε περισσότεραΧαρακτηρισµός Νεοπλασµάτων στη Μαστογραφία από το Σχήµα της Παρυφής µε χρήση Νευρωνικών ικτύων
Χαρακτηρισµός Νεοπλασµάτων στη Μαστογραφία από το Σχήµα της Παρυφής µε χρήση Νευρωνικών ικτύων Χ. Γεωργίου 1 (xgeorgio@hol.gr),. Κάβουρας 2 (cavouras@hol.gr), Ν. ηµητρόπουλος 3, Σ. Θεοδωρίδης 1 (stheodor@di.uoa.gr)
Διαβάστε περισσότεραEPL 603 TOPICS IN SOFTWARE ENGINEERING. Lab 5: Component Adaptation Environment (COPE)
EPL 603 TOPICS IN SOFTWARE ENGINEERING Lab 5: Component Adaptation Environment (COPE) Performing Static Analysis 1 Class Name: The fully qualified name of the specific class Type: The type of the class
Διαβάστε περισσότεραΠΠΜ 515: Προχωρημένα Θέματα Διεύθυνσης Κατασκευαστικών
ΠΠΜ 515: Προχωρημένα Θέματα Διεύθυνσης Κατασκευαστικών Έργων Εαρινό Εξάμηνο 2006 Πέμπτη 6:00 μμ 9:00 μμ Advanced and contemporary topics in construction project management. The topics include, among other,
Διαβάστε περισσότεραThe Study of Evolutionary Change of Shogi
Vol. 43 No. 1 Oct. 22 2 Temporal Difference The Study of Evolutionary Change of Shogi Nobusuke Sasaki and Hiroyuki Iida This study explores how the evolutionary changes of the rules affect the characteristics
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 περισσότεραΑξιολόγηση µεθόδων σύνθεσης εικόνων. Β. Τσαγκάρης και Β. Αναστασόπουλος
Αξιολόγηση µεθόδων σύνθεσης εικόνων Β. Τσαγκάρης και Β. Αναστασόπουλος Περιεχόµενα Σύνθεση πληροφορίας - εικόνων Εφαρµογές Τύποι εικόνων Μέθοδοι σύνθεσης εικόνων Αξιολόγηση µεθόδων σύνθεσης εικόνων Θεωρία
Διαβάστε περισσότερα2 ~ 8 Hz Hz. Blondet 1 Trombetti 2-4 Symans 5. = - M p. M p. s 2 x p. s 2 x t x t. + C p. sx p. + K p. x p. C p. s 2. x tp x t.
36 2010 8 8 Vol 36 No 8 JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGY Aug 2010 Ⅰ 100124 TB 534 + 2TP 273 A 0254-0037201008 - 1091-08 20 Hz 2 ~ 8 Hz 1988 Blondet 1 Trombetti 2-4 Symans 5 2 2 1 1 1b 6 M p
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 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 περισσότεραHIV HIV HIV HIV AIDS 3 :.1 /-,**1 +332
,**1 The Japanese Society for AIDS Research The Journal of AIDS Research +,, +,, +,, + -. / 0 1 +, -. / 0 1 : :,**- +,**. 1..+ - : +** 22 HIV AIDS HIV HIV AIDS : HIV AIDS HIV :HIV AIDS 3 :.1 /-,**1 HIV
Διαβάστε περισσότεραOLS. University of New South Wales, Australia
1997 2007 5 OLS Abstract An understanding of the macro-level relationship between fertility and female employment is relevant and important to current policy-making. The objective of this study is to empirically
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 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 περισσότεραΗ Τηλεδιάσκεψη στην υπηρεσία της συνεργατικής οικοδόμησης της γνώσης και της διαθεματικής προσέγγισης. Από τη Θεωρία στην Πράξη:
Η Τηλεδιάσκεψη στην υπηρεσία της συνεργατικής οικοδόμησης της γνώσης και της διαθεματικής προσέγγισης. Από τη Θεωρία στην Πράξη: «ΟΔΥΣΣΕΑΣ 2009: Περιβάλλον Μεσόγειος Θάλασσα- Ανανεώσιμες Πηγές Ενέργειας
Διαβάστε περισσότεραkatoh@kuraka.co.jp okaken@kuraka.co.jp mineot@fukuoka-u.ac.jp 4 35 3 Normalized stress σ/g 25 2 15 1 5 Breaking test Theory 1 2 Shear tests Failure tests Compressive tests 1 2 3 4 5 6 Fig.1. Relation between
Διαβάστε περισσότεραΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΛΕΩΝΙΔΑΣ Α. ΣΠΥΡΟΥ. 2004 2009 Διδακτορικό σε Υπολογιστική Εμβιομηχανική, Τμήμα Μηχανολόγων Μηχανικών, Πανεπιστήμιο Θεσσαλίας.
ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΛΕΩΝΙΔΑΣ Α. ΣΠΥΡΟΥ ΔΙΕΥΘΥΝΣΗ Ινστιτούτο Έρευνας και Τεχνολογίας Θεσσαλίας (ΙΕΤΕΘ) Εθνικό Κέντρο Έρευνας και Τεχνολογικής Ανάπτυξης (ΕΚΕΤΑ) Δημητριάδος 95 και Παύλου Μελά 38333 Βόλος
Διαβάστε περισσότερα( ) (Harmonic-Temporal Clustering; HTC) [1], [2] ( ) ( ) [4] HTC. (Non-negative Matrix Factorization; NMF) [3] [5], [6] [7], [8]
1 1 1 1, Product of ExpertsPoE) 1. ) Harmonic-Temporal Clustering; HTC) [1], [] ) ) HTC Non-negative Matrix Factorization; NMF) [3] 1 Graduate School of Information Science and Technology, The University
Διαβάστε περισσότεραA study of geometric dependency of cepstrum on vocal tract length
THE INSTITUTE OF ELECTRONICS, INFORMTION ND COMMUNICTION ENGINEERS TECHNICL REPORT OF IEICE 277 882 5 5 3 33 7 3 E-mail: {dsk saito,matsuura,asakawa,mine,hirose}gavotu-tokyoacjp n (VTLN) VTLN ĉ = c n 8
Διαβάστε περισσότεραΤΕΙ ΚΡΗΤΗΣ ΠΑΡΑΡΤΗΜΑ ΡΕΘΥΜΝΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΜΟΥΣΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΑΚΟΥΣΤΙΚΗΣ Αυτόματη αναγνώριση ηχοτοπίων και ηχητικών γεγονότων σε περιβάλλον π
ΤΕΙ ΚΡΗΤΗΣ ΠΑΡΑΡΤΗΜΑ ΡΕΘΥΜΝΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΜΟΥΣΙΚΗΣ ΤΕΧΝΟΛΟΓΙΑΣ ΚΑΙ ΑΚΟΥΣΤΙΚΗΣ Αυτόματη αναγνώριση ηχοτοπίων και ηχητικών γεγονότων σε περιβάλλον πόλης Πτυχιακή Εργασία του ΚΑΜΠΙΤΑΚΗ ΜΙΧΑΛΗ Επιβλέπων:
Διαβάστε περισσότεραResearch 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
Διαβάστε περισσότεραA Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems
IIC-11-8 A Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems Takayuki Shiraishi, iroshi Fujimoto (The University of Tokyo) Abstract The purpose of this paper is achievement
Διαβάστε περισσότεραLegal use of personal data to fight telecom fraud
Legal use of personal data to fight telecom fraud Dimitris Gritzalis May 2001 Ημερίδα Ελληνικού Φορέα Αντιμετώπισης Τηλεπικοινωνιακής Απάτης (ΕΦΤΑ) Tηλεπικοινωνιακή Απάτη: Μέθοδοι - Πρόληψη - Προεκτάσεις
Διαβάστε περισσότερα