(pattern recognition) (symbol processing) (content) (raw data) - 1 -
|
|
- Ἀλκμήνη Αναγνωστάκης
- 5 χρόνια πριν
- Προβολές:
Transcript
1 (symbol processing) (pattern recognition) (content) (identify) (interpret) (raw data) - 1 -
2 9D-SPA - 2 -
3 2D string (Chang, Shi, and Yan, 1987) 2D G-string (Jungert, 1988) 2D C-string (Lee and Hsu, 1990) 2D C + -string (Huang and Jean, 1994) 2D Z-string (Lee and Chiu, 2003) unique-id-based matrix (Chang, Ann, and Yeh, 2000) prime number based matrix (Chang, Yang, and Yeh, 2001) 9DLT matrix (Chang, 1991) 9D-SPA (Huang and Lee, 2004) RS-string (Huang and Jean, 1996) OG-string (Jean and Chang, 2006) 2D string Chang (1987) 2D string < = x y < = xy 2-1(a) 2D string - 3 -
4 x A=B<D<C y D<B=C<A u-string v-string A B C A B C D D (a) (b) 2-1 2D G-string 2D string 2-1(b) 2D string 2D G-string (Jungert, 1988) 2D string 2-1(b) 2D G-string 2D G-string x A A=B A=B=D A=D D C=D y D<B B=C A=B=C A=C A 2D C-string 2D C + -string - 4 -
5 2D G-string 2D C-string (Lee and Hsu, 1992) 2D G-string 2D C-string (b) 2D C-string x A](B]D D) D]C y D<B](C]A) (A[C) 2-1 2D C-string A < B End(A) < Begin(B) A B A B End(A) = Begin(B) A B A % B Begin(A) < Begin(B), End(A) > End(B) A B A [ B Begin(A) = Begin(B), End(A) > End(B) A B A ] B Begin(A) < Begin(B), End(A) = End(B) A B A / B Begin(A) < Begin(B) > End(A) > End(B) A B A = B Begin(A) = Begin(B), End(A) = End(B) A B A <* B End(B) < Begin(A) B A A * B End(B) = Begin(A) B A A %* B Begin(B) < Begin(A), End(B) > End(A) B A A [* B Begin(B) = Begin(A), End(B) > End(A) B A A ]* B Begin(B) < Begin(A), End(B) = End(A) B A A /* B Begin(B) < Begin(A) > End(B) > End(A) B A S. Y. Lee and F. J. Hsu (1992). Spatial reasoning and similarity retrieval of images using 2D C-string knowledge representation. Pattern Recogn, 25(3), D C-string - 5 -
6 Huang and Jean (1994) 2D C + -string x y 2-1(b) 2D C + -string 2D C + -string 2D C-string x A 5 ](B 2 ]D 1 D 1 ) D 6 ]C 2 y D 2 < 1 B 5 ](C 4 ]A 1 ) (A 2 [C 1 ) 2D Z-string 2D Z-string (Lee and Chiu, 2003) 2D C + -string (1) A s A x y s (2) A< d B A B (Begin(B) - End(A)) d (3) A% d B A B (Begin(B) - Begin(A)) d (4) A/ d B A B A B (End(A) - Begin(B)) d 2-1(b) 2D Z-string x (A 5 % 3 B 2 )/ 2 (D 8 ]C 2 ) y (D 2 < 1 ((B 5 / 4 C 5 )/ 2 A 3 )) 9DLT matrix 9DLT matrix (nine direction lower-triangular matrix) (Chang, 1991)
7 2-2 R 0 R 1 R 2 R 3 R 4 R 2-1(a) 2-1(b) R DLT C. C. Chang (1991). Spatial match retrieval of symbolic pictures. Journal of Information Science and Engineering, 7(3) A B C D A B C D A A T(a)= B T(b)= B C C D D DLT matrix
8 D pq D qp T pq O pq D pq(d qp) O pq i 9D-SPA 9D-SPA (Huang and Lee, 2004) 9DLT 9D-SPA R={(O pq D pq D qp T pq ) (O pq D pq D qp T pq )} ( p q i j ) p q O pq O pq = (q-1)(q-2)/2 + p 1 p<q n n j j i D pq D qp T pq 4 0= (disjoin) 1= (join/meet) 2= (partly_overlap) 3= (contain/inside) 2-1(b) 9D-SPA R = {(1,31,64,2),(2,24,129,0),(3,48,3,0),(4,12,192,0), (5,12,192,0),(6,4,96,0)} Area 4 ( ) 2 = 8 Area 5 ( ) 2 = 16 Area 6 ( ) 2 = 32 Area 3 ( ) 2 = 4 Area 0(MBR) ( ) 2 = 0 Area 7 ( ) 2 = 64 Area 2 ( ) 2 = 2 Area 1 ( ) 2 = 1 Area 8 ( ) 2 = D-SPA P. W. Huang and C. H. Lee (2004). Image database design based on 9D-SPA representation for spatial relation. IEEE Transactions on Knowledge and Data Engineering, 16(12),
9 2D C-tree (Hsu, Lee, and Lin, 1999) 9DLT string (Chan, and Chang, 2001) 3D C-String (Lee, Chiu, and Yu, 2002) 3D Z-string (Lee, Yu, Chiu, and Hong, 2005) AVIS (advanced video information system) (Koprulu, Cicekli, and Yazici, 2003) FPI-tree AFPI-tree (Su, Huang, Yeh, and Tseng, 2010) motion-based scene tree (Yi, Rajan, and Chia, 2005) 2D C-Tree 2D C-Tree (Lee, Hsu, and Lin, 1998) 2D string x y R 2D C-Tree 2D C-Tree (Hsu et al., 1999) 2D C-Tree x y 2D C-Tree 2D C-Tree 2D C-Tree - 9 -
10 full-sequence matching segment matching subsequence matching 2-5 Video I 2D C-Tree ( ) x y C A A A B B B Frame 1 Frame 2 Frame 3 C C D D D A A A B B B Frame 4 Frame 5 Frame Video I R X F 1 F 2 F 3 F 4 F 5 A ε B A ε B C A 2 ε B C ε B ε D C B ε D ε A 1 ε A ε A ε 2-6 2D C-Tree Video I
11 R Y F 1 F 2 F 3 F 4 F 5 A A A ε C D D B ε B ε B ε ε A ε C B A 2 ε C B ε ε A D C-Tree Video I 1 5 AVIS AVIS (advanced video information system) Adali, Candan, Chen, Subrahmanian, and Erol (1996) AVIS AVIS (Koprulu et al., 2003) AVIS ( ) (a) (b) [R S,R E ) R S R E
12 R E (c) (d) 2-5 Video I 2-8 Video I B B Girl B 5 6( ) 5 B (x,y) (4,2) (9,4) 6 B (4,0) (6,3) 2-9 Video I B 2-10 A A Boy B Girl C Bird 7 [(1,2),(3,5)] 5 [(4,2),(9,4)] 2 [(0,7),(3,9)] 6 [(4,0),(6,3)] 3 [(0,7),(4,9)] D Tree 6 [(8,1),(10,9)] 2-8 AVIS Video I D Object C B A Frame 2-9 AVIS Video I
13 7 [1,6) A 5 [1,4) B 6 [4,6) BD 1 [1,3) 2 [3,4) C 3 [4,5) C 4 [5,6) 2-10 AVIS Video I 3D Z-string 3D Z-string (Lee et al., 2005) 2D Z-string 3D Z-string u-string v-string t-string u-string x v-string y t-string t 2D Z-string # t-string A A 8#2#6 A 8 2 A 3 8 v,r v,r v r
14 Video I 2-11 Video I 3D Z-string 3D Z-string u-string ((C 2 0.5,2 / 1 A 2 0,1 )< 4 (B 2,1 0,1 / 1 D 2 0,1 )) v-string (D 8 0,1 ](A 3 4,1 [B 2 0,1 1,1 )< 3C 2 0,1 )) t-string ((A 6 =B 6#4#2 )](C 3#3 / 1 D 3 )) C A B D 2-11 Video I FPI-tree AFPI-tree FPI-tree (fast pattern index tree) pattern index tree) Su (2010) AFPI-tree (advanced fast 2-2 A G Dwinsize Dwinsize Dwinsize n n ( ) Two shot-pattern Two shot-pattern FPI-tree
15 Two shot-pattern AFPI-tree 2-2 Clip Dwinsize 3 Dwinsize 4 Two shot-pattern 2-2 FPI-tree Clip ID Key-Frame Clip 1 A, B, C, A Clip 2 C, B, B, A, E, F Clip 3 F, F, E, E, A, B, D, B, C, A, B Clip 4 B, C, G, C, A, D, B 2-3 Two shot-pattern Clip 2 Dwinsize=3 Clip 2: C, B, B, A, E, F Starting Shot Two shot-pattern (FPI) Two shot-pattern (AFPI) C C B,C A C B,C B,C A B B B,B A,B E B B,B A,B E B B F B A,B E,B F A A E,A F A E,A F E E F E F 2-4 Two shot-pattern Clip 2 Dwinsize=4 Clip 2: C, B, B, A, E, F Starting Shot Two shot-pattern (FPI) Two shot-pattern (AFPI) C C B,C A,C E C B,C B,C A,C E B B B,B A,B E,B F B B,B A,B E,B F B B A,B E,B F A A E,A F A E,A F E E F E F shot-pattern Two shot-pattern (parent node) Two shot-pattern AFPI-tree Two Two
16 shot-pattern Two shot-pattern FPI-tree AFPI-tree Dwinsize 3 A B C D E F G A B C D E F G 123 A B C D E F G 1234 A B C D E F G A B C D E F G 2-12 FPI-tree A B C D E F G A B C D E F G A B C D E F G A B C D E F G 1,1/6 1,1/6 3,3/27 4,1/15 1,1/6 3,1/27 4,1/15 2,1/12 2,1/12 A B C D E F G 1,1/6 2,2/12 3,1/27 2,1/12 3,2/27 1,1/6 3,2/27 4,2/15 3,1/27 2,2/12 2,2/12 4,1/15 A B C D E F G 1,1/6 2,1/12 3,1/27 4,2/15 2,2/12 3,1/27 4,1/15 4,1/15 4,1/15 4,1/15 A B C D E F G 3,1/27 3,1/27 A B 3,1/27 3,2/27 4,1/15 C D E F G 3,2/27 3,1/27 3,1/27 2,1/12 A B C D E F G 2-13 AFPI-tree 2-2 3,1/27 3,4/27 3.1/27 A B C D E F G 4,1/15 4,1/15 4,1/15 A B C D E F G
17 2-12 (A B) Two shot-pattern Clip 1 Clip 3 Clip (A B) 1/6 3/27 1/15 AVIS 2-5 AFPI-tree 2D C-tree 3D Z-string 3D Z-string 9D-SPA 9D-SPA 9D-SPA
18 9D-SPA 9D-SPA 9D-SPA 2-5 2D C-tree AVIS 3D Z-string AFPI-tree O X O X O O O O O X O X ( ) O X
19 9DLT 9DLT 9DLT 2D C-trees 3D Z-string 9D-SPA bounding rectangle) (minimum
20 x y [(F,X d,y d,x z,y z ) 1 (F,X d,y d,x z,y z ) n ] [ObjectID][t,c,x,y,w,h] 6 (t) (c) x (x) y (y) (w) (h) 1 (F) X d (Y d ) X z (Y z ) x y x (y ) Video I A B C D Video I:
21 [1][1, 6, 2, 3.5, 2, 3] [2][1, 6, 8, 3, 2, 2][4,-1, 0, 0, 0 2,0, -1, 0, 0] [3][3, 3, 1, 8, 2, 2][3,0.5, 0, 1, 0] [4][4, 3, 9, 5, 2, 8] 2-5 Video I A [1,6,2,3.5,2,3] A 1 6 (2,3.5) 2 3 A B [1,6,8,3,2,2] B 1 6 (8,3) 2 2 [4,-1,0,0,0 2,0,-1,0,0] B 4 2 [X d,y d,x z,y z ] [-1,0,0,0] [0,-1,0,0] B -1 B -1 C [3,3,1,8,2,2] C 3 3 (1,8) 2 2 [3,0.5,0,1,0] 3 [0.5,0,1,0] C D
22 Y T OID, X L, X R, Y D, Y T ] F N [F N, OID X L X R Y D Video I OID F N, OID, X L, X R, Y D, Y T ObjectID X Y W H T X=(X L +X R )/2 W=X R -X L Y=(Y D +Y T )/2 H=Y T -Y D
23 Video I Video I Video I B( 2) X L X R Y D Y T [7, 9, 2, 4] X Y W H [8, 3, 2, 2] F S [6, 8, 2, 4] [7, 3, 2, 2] V X V Y V W V H [-1, 0, 0, 0] [5, 7, 2, 4] [6, 3, 2, 2] [-1, 0, 0, 0] [4, 6, 2, 4] [5, 3, 2, 2] [-1, 0, 0, 0] [4, 6, 1, 3] [5, 2, 2, 2] [0, -1, 0, 0] F S F N 1 F E F N 4 C T F E -F N +1 4 C T V X V Y V W V H [4,-1,0,0,0] F N F S [4, 6, 0, 2] [5, 1, 2, 2] [0, -1, 0, 0] F N F E C T F E -F N +1 2 [2,0,-1,0,0] A C D
24 1, 1, 1, 3, 2, 5 1, 2, 7, 9, 2, 4 2, 1, 1, 3, 2, 5 2, 2, 6, 8, 2, 4 3, 1, 1, 3, 2, 5 3, 2, 5, 7, 2, 4 3, 3, 0, 2, 7, 9 4, 1, 1, 3, 2, 5 4, 2, 4, 6, 2, 4 4, 3, 0, 3, 7, 9 4, 4, 8,10, 1, 9 5, 1, 1, 3, 2, 5 5, 2, 4, 6, 1, 3 5, 3, 0, 4, 7, 9 5, 4, 8,10, 1, 9 6, 1, 1, 3, 2, 5 6, 2, 4, 6, 0, 2 6, 4, 8,10, 1, 9 1, 1, 1, 3, 2, 5 2, 1, 1, 3, 2, 5 3, 1, 1, 3, 2, 5 4, 1, 1, 3, 2, 5 5, 1, 1, 3, 2, 5 6, 1, 1, 3, 2, 5 1 3, 3, 0, 2, 7, 9 4, 3, 0, 3, 7, 9 5, 3, 0, 4, 7, 9 3 1, 2, 7, 9, 2, 4 2, 2, 6, 8, 2, 4 3, 2, 5, 7, 2, 4 4, 2, 4, 6, 2, 4 5, 2, 4, 6, 1, 3 6, 2, 4, 6, 0, 2 X Y W H 2 4, 4, 8,10, 1, 9 5, 4, 8,10, 1, 9 6, 4, 8,10, 1, 9 4 X = (X L +X R )/2 Y = (Y D +Y T )/2 W = X R - X L H = Y T - Y D P S C T V X V Y V W V H P S C T V X V Y V W V H P S C T V X V Y V W V H P S C T V X V Y V W V H P S C T V X V Y V W V H [1][1,6,2,3.5,2,3]; [2][1,6,8,3,2,2][4,-1,0,0,0 2,0,-1,0,0]; [3][3,3,1,8,2,2][3,0.5,0,1,0]; [4][4,3,9,5,2,8]; 3-1 Video I
25 3-1 Function ( : ) : (OITable), (T X,T Y,T W,T H ), (TV X,TV Y,TV W,TV H ), (F S ), (F E ) ; For Each In For Each In : (OID), (F N ), (X L ), (X R ), (Y D ), (Y T ); x (X) = X L, y (Y) = Y D, (W) = X R - X L, (H) = Y T - Y D ; If F S = F N (T X, T Y, T W, T H ) = (X,Y,W,H) OITable OITable (ObjectID) (1) = OID OITable (t,x,y,w,h) (1) = (F N,X,Y,W,H) Else x (V X ) = X - T X, y (V Y ) = Y T Y, (V W ) = W T W, (V H ) = H T H ; If (TV X, TV Y, TV W, TV H ) = (V X, V Y, V W, V H ) ElseIf F E = F N - 1 (C T ) = F E - F S + 1 OITable (F,X d,y d,x z,y z ) (1) = (C T,TV X,TV Y,TV W,TV H ) (TV X,TV Y,TV W,TV H ) = (V X,V Y,V W,V H ) F S = F N End If End If If OITable (c) (1) = (F N t + 1) (1) F E = F N ( )
26 3-1( ) (C T ) = F E - F S OITable (F,X d,y d,x z,y z ) (1) = (C T,TV X,TV Y,TV W,TV H ) End If Next Next OITable End Function (1) 2) Video I ( 1 1 x X X V X y Y Y V Y W H X Y W H X L X R Y D Y T X L =X-W/2 X R =X+W/2 Y D =Y-H/2 Y T =Y+H/2-26 -
27 3-2 Function ( : ) : (OATable) (T X,T Y,T W,T H ) For Each In (OID) (F N ) (T X,T Y,T W,T H ) = (x,y,w,h) (2) (X L ) (X R ) (Y T ) (Y D ) OATable (F N,OID,X L,X R,Y D,Y T ) (1) (F Now ) = F N For Each In (C T,V X,V Y,V W,V H ) For 1 To C T F Now = F Now + 1 (New X,New Y,New W,New H ) New X = T X + V X, New Y = T Y + V Y New W = T W + V W, New H = T H + V H ; (X L ) (X R ) (Y T ) (Y D ) OATable (F Now,OID,X L,X R,Y D,Y T ) (1) (T X,T Y,T W,T H ) = (New X, New Y, New W, New H ) Next Next Next OATable (F Now ) (1) (OID) (1) OATable End Function (1) (2)
28 [1][1,6,2,3.5,2,3][6,0,0,0,0]; [2][1,6,8,3,2,2][4,-1,0,0,0 2,0,-1,0,0]; X L X R Y D Y T 1 2 F S X Y W H ( ) C T V X V Y V W V H F S X Y W H ( ) C T V X V Y V W V H ( ) C T V X V Y V W V H F N OID X L X R Y D Y T F N OID X L X R Y D Y T Video I A B
29 9D-SPA (Huang and Lee, 2004) 9 D pq D qp 4 T pq S pq p q 13 2D C-string (Lee and Hsu, 1992) 2-1 * p<*q q<p 3-3 VideoID = {[(O pq ) (S pq ) (Relation) (Shot)]} O pq 9D-SPA S pq Shot (F s1 F e1 F sk F ek ) F s F e Shot Relation Relation D pq D qp T pq Shot Shot 3-3 Symbol < / ] % [ = Value Symbol <* * /* ]* %* [* Value * 3-4 Video I A B C D
30 3-5 Video I (O pq ) (1,2) (1,3) (2,3) (1,4) (2,4) (3,4) Video I A 1 B AB O pq (q-1)(q-2)/2+p (2-1)(2-2)/2+1 1 AC AD BD BC CD A B S pq A=B ~4 D pq D qp T pq (24 1 0) Shot 1 (1-4) Relation 1 (24,1,0) 5 D pq D qp T pq ( ) Shot 2 (5) Relation 2 (24,129,0) 6 D pq D qp T pq ( ) Shot 3 (6) Relation 3 (8,128,0) Video I Video I = { [(1) (6) (24,1,0 24,129,0 8,128,0) ( )]; [(2) (4) (192,12,0 64,12,0 64,14,0) (3 4 5)]; [(3) (4) (128,8,0) (3-5)];[(4) (3) (16,131,0) (4-6)]; [(5) (3) (16,131,0 16,3,0 48,3,0) (4 5 6)]; [(6) (2) (16,129,0) (4-5)];}
31 O q O p (O p O q ) ( 2 ) 3-3 O q (1,2) (1,3) (2,3) (1,4) (2,4) (3,4) 3-6 Function ( : ) : (able) For Each Q In For Each P(OID P <OID Q ) In able PQ (O pq ) PQ M N (S pq ) able (O pq ), able (S pq ); (TD pq,td qp,tt pq ) For Each (F N ) In PQ PQ (D pq,d qp,t pq ) If (D pq,d qp,t pq ) (TD pq,td qp,tt pq ) able (TD pq,td qp,tt pq ) able (F N ) Else able (F N ) End If (TD pq,td qp,tt pq ) = (D pq,d qp,t pq ) Next Next Next able End Function
32 [1][1,6,2,3.5,2,3]; [2][1,6,8,3,2,2][4,-1,0,0,0 2,0,-1,0,0]; [3][3,3,1,8,2,2][3,0.5,0,1,0]; [4][4,3,9,5,2,8]; OID: 1 OID: 2 OID: 3 OID: 4 O 12 : 1 O 13 : 2 O 23 : 3 O 14 : 4 O 24 : 5 O 34 : 6 Object Start Frame End Frame =6 Object 1: Object 3: = % 3 S 13 = 4 Fram OID X 1 X 2 Y 1 Y D-SPA D 13 D 13 T (2) (4) (192,12,0 64,12,0 64,14,0) (3 4 5) Video A Video I O pq =(q-1)(q-2)/2+p (1,3) 2 S pq (1,3)
33 3 5 O 1 %O S pq 4 (1,3) 3 5 (1,3) 3 (D pq, D qp, T pq ) (192,12,0) 4 (64,12,0) 5 (64,14,0) (1,3) O pq 2 S pq 4 3 (192,12,0) 4 (64,12,0) 5 (64,14,0) (1,3) (O pq )(S pq )(Relation)(Shot) (2) (4) (192,12,0 64,12,0 64,14,0) (3 4 5) 3-4 9D-SPA (D) (S) 3 (T) D pq D qp D pq D qp VID Shot D pq D qp 4 T pq 0 3 T pq 13 S pq 0 12 S pq
34 O ij = 1 D D ij D ji T VID:Shot O ij = N S D T S T ij =0 VID:Shot 0 VID D ij 1 VID D ji VID:Shot 3-4 Next D ij D ji VID:Shot T ij =3 12 VID Next D ij D ji VID:Shot T ij =0 T ij =3 VID:Shot 0 VID 1 VID VID:Shot VID:Shot 12 VID Next Next C C A A A B B B Frame 1 Frame 2 Frame 3 C D C D D A A A B B B Frame 4 Frame 5 Frame 6 Video II = { [(1) (6) (24,1,0 24,1,1) (1-5 6)] [(2) (4) (192,12,0 64,4,0 96,6,0 32,2,0) ( )] [(3) (4) (128,8,0 192,12,0) ( )] [(4) (3) (16,131,0) (4-6)] [(5) (3) (16,131,0) (4-6)] [(6) (2) (16,129,0) (4-5)] } 3-5 Video II
35 1 D Next 24 1 Next End T I:(6, 6) I:(1, 4);II:(1, 6) I:(5, 5) S I:(1, 6);II:(1, 5) II:(6, 6) I;II 3 D T S 5 D T S Next End I:(3, 5);II:(2, 4) II:(5, 5) I:(3, 5);II:(2, 5) I;II 16 3 Next Next 48 3 End I:(5, 5) I:(4, 4);II:(4, 6) I:(6, 6) I:(4, 6);II:(4, 6) I;II 3-6 Video I Video II 2-5 Video I 3-5 Video II O pq 1 (D) (8,128) I 6 (24,1) I 1 4 II 1 6 (24,129) I 5 (T) T pq 0 I 1 6 II 1 5 T pq 1 II 6 (S)
36 3-3 I II AB 3-7 Function ( : ) : " (S)" For Each (VID) For Each In (O pq ), (S pq ), (Relation) If S S (O pq ) " (DArray)", " (SArray)" 12, " (TArray)"; 4 End IF S(O pq )_SArray (S pq ) (VID) For Each Relation (Shot) (D pq ),(D qp ), (T pq ) S(O pq )_TArray (T pq ) (VID)(Shot) If S(O pq )_DArray (D pq, D qp ) S(O pq )_DArray (D pq, D qp ) (D pq ) (D qp ) End If S(O pq )_DArray (D pq, D qp ) (VID)(Shot) Next Next Next S End Function
37 (D pq, D qp ) D pq D qp (D pq, D qp ) T pq S pq 3-5 A B B A A 1 B 2 1 (D pq, D qp ) (24,1) I: (1,4) II: (1,6) Video I 1 4 Video II A B A B 1 A=B I II
38 3-8 1 D Next 24 1 Next T I:(6, 6) I:(1, 4);II:(1, 6) S I:(1, 6);II:(1, 5) 1 II:(6, 6) I;II End I:(5, 5) (O pq, Type, Value 1, Value 2 ) O pq Type 0 2 Value 1 (Value 2 ) D pq (D qp ) T pq S pq (OR) (AND) 1 D Next 24 1 Next T I:(6, 6) I:(1, 4);II:(1, 6) S I:(1, 6);II:(1, 5) 1 II:(6, 6) I;II End I:(5, 5)
39 3-6 A B B A (1,0,24,1) 1 A B D pq D qp A B (1,2,6,0) 1 A B S pq 6 A=B
40 VB.NET Windows XP Professional 2002 Service Pack 3 CPU Intel Core2 Quad Q GHz RAM 2.50GHz 3.00GB Microsoft Visual Studio Save Directory
41
42
43
44
45
46
47 (V O ) (V F ) (V C ) V O V F V C V O V O ExecutiveTime(s)
48 Executive Time(second) Number of Objects 4-12 V O 4-13 V F V O V C V F V F ExecutiveTime(s)
49 Executive Time(second) K 20K 30K 40K 50K 60K 70K 80K 90K Number of Frames 4-13 V F V C V O V F V C 4-3 V C V C ExecutiveTime(s)
50 Executive Time(second) Max. Number of Changed States 4-14 V C V F V C V O 4-4 V O V O ExecutiveTime(s)
51 Executive Time(second) Number of Objects 4-15 V O V O V C V F 4-5 V F V F ExecutiveTime(s)
52 Executive Time(second) K 20K 30K 40K 50K 60K 70K 80K 90K Number of Frames 4-16 V F V C V O V F V C 4-6 V C V C ExecutiveTime(s)
53 Executive Time(second) Max. Number of Changed States 4-17 V C 4-18 V O V F V C (V O (V O - 1)) / 2 V O
54 4-7 V O V O ExecutiveTime(s) Executive Time(second) Number of Objects 4-18 V O V F V O V C
55 4-8 V F V F ExecutiveTime(s) Executive Time(second) K 2K 3K 4K 5K 6K 7K 8K 9K Number of Frames 4-19 V F V C V O V F V C
56 4-9 V C V C ExecutiveTime(s) Executive Time(second) Max. Number of Changed States 4-20 V C VB.NET
57 (VF) (VC) (VO) (VO (VF / 2) VC) (VO VF VC) 1/4 1/5 (VF) (VO) (VO) ((VO (VO - 1)) / 2) (VC)
58 2D string 2D Z-string (1) (2) (3) Z-string AVIS FPI-tree AFPI-tree 3D 9D-SPA
59 5-1 (D T) (S)
60 9D-SPA S D S T S TR (h D, h T, h TR ) S D > h D S T > h T S TR >h TR
61 Adali, S., Candan, K. S., Chen, S., Subrahmanian, V. S., & Erol, K. (1996). The advanced video information system: Data structures and query processing. Multimedia Systems, 4(4), Chan, Y. K., & Chang, C. C. (2001). Spatial similarity retrieval in video databases. Journal of Visual Communication and Image Representation, 12(2), Chang, Y. I., Ann, H. Y., & Yeh, W. H. (2000). A unique-id-based matrix strategy for efficient iconic indexing of symbolic pictures. Pattern Recogn, 33(8), Chang, Y. I., Yang, B. Y., & Yeh, W. H. (2001). A generalized prime-number-based matrix strategy for efficient iconic indexing of symbolic pictures. Pattern Recognition Letters, 22(6), Chang, C. C. (1991). Spatial match retrieval of symbolic pictures. Journal of Information Science and Engineering, 7(3), Chang, C. K., Shi, Q. Y., & Yan, C. W. (1987). Iconic indexing by 2-D strings. IEEE Transactions on Pattern Analysis Machine Intelligence, 9(3),
62 Huang, P. W., & Lee, C. H. (2004). Image database design based on 9D-SPA representation for spatial relation. IEEE Transactions on Knowledge and Data Engineering, 16(12), Hsu, F. J., Lee, S. Y., & Lin, B. S. (1999). Video data indexing by 2D C-trees. Journal of Visual Languages and Computing, 9(4), Huang, P. W., & Jean, Y. R. (1994). Using 2D C + -string as spatial knowledge representation for image database systems. Pattern Recognition, 27(9), Huang, P. W., & Jean, Y. R. (1996). Spatial reasoning and similarity retrieval for image database systems based on RS-strings. Pattern Recognition, 29(12), Jean, Y. R., & Chang, H. P. (2006). A dynamic visibility inference scheme based on new spatial knowledge representations from Observers perspective. Proceedings of the International Computer Symposium (ICS) (pp ), Taichung: Providence University. Jungert, E. (1988). Extended symbolic projections as a knowledge structure for spatial reasoning. Proceedings of the 4th International Conference on Pattern Recognition (pp ), London: Springer-Verlag
63 Koprulu, M., Cicekli, N. K., & Yazici, A. (2003). Spatio-temporal querying in video databases. Information Sciences, 160(1), Lee, J. T., & Chiu, H. P. (2003). 2D Z-string: A new spatial knowledge representation for image databases. Pattern Recognition Letters, 24(16), Lee, J. T., Chiu, H. P., & Yu, P. (2002). 3D C-string: A new spatio-temporal knowledge representation for video database systems. Pattern Recognition, 35(11), Lee, J. T., Yu, P., Chiu, H. P., & Hong, R. W. (2005). 3D Z-string: A new knowledge structure to represent spatio-temporal relations between objects in a video. Pattern Recognition Letters, 26(16), Lee, S. Y., & Hsu, F. J. (1990). 2D C-string: A new spatial knowledge representation for image database system. Pattern Recogn, 23(10), Lee, S. Y., & Hsu, F. J. (1992). Spatial reasoning and similarity retrieval of images using 2D C-string knowledge representation. Pattern Recogn, 25(3),
64 Lee, S. Y., Hsu, F. J., & Lin, B. S. (1998). 2D C-Tree spatial representation for iconic image. Journal of Visual Languages and Computing, 10(2), Su, J. H., Huang, Y. T., Yeh, H. H., & Tseng, V. S. (2010). Effective content-based video retrieval using pattern-indexing and matching techniques. Expert Systems with Applications, 37(7), Yi, H., Rajan, D., & Chia, L. T. (2005). A motion-based scene tree for compressed video content management. Image and Vision Computing, 24(2),
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
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 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 περισσότεραDEIM Forum 2016 G7-5 152-8565 2-12-1 152-8565 2-12-1 889-1601 5200 E-mail: uragaki.k.aa@m.titech.ac.jp,,,.,,,,,,, 1. 1. 1,,,,,,.,,,,, 1. 2 [1],,,,, [2] (, SPM),,,,,,,. [3],, [4]. 2 A,B, A B, B A, B, 2,,,
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 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 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 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 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 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 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 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 περισσότεραReading 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
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 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 περισσότεραn 1 n 3 choice node (shelf) choice node (rough group) choice node (representative candidate)
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. y y yy y 1565 0871 2 1 yy 525 8577 1 1 1 E-mail: yfmakihara,shiraig@cv.mech.eng.osaka-u.ac.jp, yyshimada@ci.ritsumei.ac.jp
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 περισσότεραΑυτόματη Ανακατασκευή Θραυσμένων Αντικειμένων
Αυτόματη Ανακατασκευή Θραυσμένων Αντικειμένων Κωνσταντίνος Παπαοδυσσεύς Καθηγητής ΣΗΜΜΥ, Δημήτρης Αραμπατζής Δρ. ΣΗΜΜΥ Σολομών Ζάννος Υ.Δ. ΣΗΜΜΥ Φώτιος Γιαννόπουλος Υ.Δ. ΣΗΜΜΥ Μιχαήλ Έξαρχος Δρ. ΣΗΜΜΥ
Διαβάστε περισσότεραΠρόγραμμα Σεμιναρίων Φεβρουαρίου - Ιουλίου
Πρόγραμμα Σεμιναρίων Φεβρουαρίου - Ιουλίου SQL Server MC778 Writing Queries Using Microsoft SQL Server 008 Transact-SQL 4 6/ - / (B) MC6 Maintaining a Microsoft SQL Server 008 R Database 40 MC6 Implementing
Διαβάστε περισσότεραDEIM Forum 2014 A8-1, 606 8501 E-mail: {tsukuda,ohshima,kato,tanaka}@dl.kuis.kyoto-u.ac.jp 1 2,, 1. Google 1 Yahoo 2 Bing 3 Web Web BM25 [1] HITS [2] PageRank [3] Web 1 [4] 1http://www.google.com 2http://www.yahoo.com
Διαβάστε περισσότεραAnswers - Worksheet A ALGEBRA PMT. 1 a = 7 b = 11 c = 1 3. e = 0.1 f = 0.3 g = 2 h = 10 i = 3 j = d = k = 3 1. = 1 or 0.5 l =
C ALGEBRA Answers - Worksheet A a 7 b c d e 0. f 0. g h 0 i j k 6 8 or 0. l or 8 a 7 b 0 c 7 d 6 e f g 6 h 8 8 i 6 j k 6 l a 9 b c d 9 7 e 00 0 f 8 9 a b 7 7 c 6 d 9 e 6 6 f 6 8 g 9 h 0 0 i j 6 7 7 k 9
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 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 περισσότεραΠρόγραμμα Σεμιναρίων Σεπτεμβρίου Δεκεμβρίου
Πρόγραμμα Σεμιναρίων Σεπτεμβρίου Δεκεμβρίου SQL Server MC2778 Writing Queries Using Microsoft SQL Server 2008 Transact-SQL 24 4-6 6-9 (Β) MC6231 Maintaining a Microsoft SQL Server 2008 R2 Database 40 MC6232
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 περισσότεραΚΛΙΜΑΤΟΛΟΓΙΑ CLIMATOLOGY
10 ο COMECAP 2010, Πρακτικά Συνεδρίου, Πάτρα 10 th COMECAP 2010, Proceedings, Patras, Greece ΚΛΙΜΑΤΟΛΟΓΙΑ CLIMATOLOGY ΥΧΡΟΥΡΟΝΗΚΖ ΓΗΑΚΤΜΑΝΖ ΣΧΝ ΖΛΔΚΣΡΗΚΧΝ ΔΚΚΔΝΧΔΧΝ ΣΖΝ ΔΛΛΑΓΑ ΓΗΑ ΣΖΝ ΥΡΟΝΗΚΖ ΠΔΡΗΟΓΟ 1998-2007
Διαβάστε περισσότεραLossless Image Authentication Algorithm with Minimal Expansion
Journal of Chinese Computer Systems 2014 11 11 Vol 35 No 11 2014 510507 E-mail johnlxy@ 163 com 16 16 19 2% TP391 A 1000-1220 2014 11-2572-06 Lossless Image Authentication Algorithm with Minimal Expansion
Διαβάστε περισσότεραA Fast Mining Algorithm for Frequent Essential Itemsets
40 6 Vol.40 No.6 Computer Engineering 2014 6 June 2014 1000 3428(2014)06 0120 05 A TP18 ( 230009) FMEP Rymon MEP 2 30 Rymon A Fast Mining Algorithm for Frequent Essential Itemsets TIAN Wei-dong, JI Yun
Διαβάστε περισσότεραToward 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
Διαβάστε περισσότεραΠρόγραμμα Σεμιναρίων Φεβρουαρίου - Ιουλίου
Πρόγραμμα Σεμιναρίων Φεβρουαρίου - Ιουλίου SQL Server MC2778 Writing Queries Using Microsoft SQL Server 2008 Transact-SQL 24 30/1-2/2 (Β) 10-13 (Β) MC6231 Maintaining a Microsoft SQL Server 2008 R2 Database
Διαβάστε περισσότεραC 1 D 1. AB = a, AD = b, AA1 = c. a, b, c : (1) AC 1 ; : (1) AB + BC + CC1, AC 1 = BC = AD, CC1 = AA 1, AC 1 = a + b + c. (2) BD 1 = BD + DD 1,
1 1., BD 1 B 1 1 D 1, E F B 1 D 1. B = a, D = b, 1 = c. a, b, c : (1) 1 ; () BD 1 ; () F; D 1 F 1 (4) EF. : (1) B = D, D c b 1 E a B 1 1 = 1, B1 1 = B + B + 1, 1 = a + b + c. () BD 1 = BD + DD 1, BD =
Διαβάστε περισσότεραA data structure based on grammatical compression to detect long pattern
1 1 (1 + )nlogn + n + o(n) O( 1 (mlogn+occc(logmlogu))) n u m = P, < < 1 Z-index ) M-index ) A data structure based on grammatical compression to detect long pattern Naoya Kishiue, 1 Masaya Nakahara, 1
Διαβάστε περισσότεραUNIVERSITY OF CALIFORNIA. EECS 150 Fall ) You are implementing an 4:1 Multiplexer that has the following specifications:
UNIVERSITY OF CALIFORNIA Department of Electrical Engineering and Computer Sciences EECS 150 Fall 2001 Prof. Subramanian Midterm II 1) You are implementing an 4:1 Multiplexer that has the following specifications:
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 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 περισσότεραADVANCED STRUCTURAL MECHANICS
VSB TECHNICAL UNIVERSITY OF OSTRAVA FACULTY OF CIVIL ENGINEERING ADVANCED STRUCTURAL MECHANICS Lecture 1 Jiří Brožovský Office: LP H 406/3 Phone: 597 321 321 E-mail: jiri.brozovsky@vsb.cz WWW: http://fast10.vsb.cz/brozovsky/
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 περισσότεραΠρόγραμμα Σεμιναρίων Σεπτεμβρίου - Δεκεμβρίου
Πρόγραμμα Σεμιναρίων Σεπτεμβρίου - Δεκεμβρίου SQL Server MC2778 Writing Queries Using Microsoft SQL Server 2008 Transact-SQL 24 4-6 6-9 (Β) MC6231 Maintaining a Microsoft SQL Server 2008 R2 Database 40
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 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 περισσότεραText Mining using Linguistic Information
630-0101 8916-5 {taku-kukaoru-yayuuta-tmatsu}@isaist-naraacjp PrefixSpan : PrefixSpan Text Mining using Linguistic Information Taku Kudo Kaoru Yamamoto Yuta Tsuboi Yuji Matsumoto Graduate School of Information
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 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 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 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 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 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 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 περισσότερα08 : 2005/10/28(13:56) Web. Web. Web. Web. Web Visual BASIC. B B Visual BASIC (1) 4. Bezier
1 Web Web Web Web Web Web Visual BASIC 2 Web B B Visual BASIC 2 (1) 4 Bezier 3 4 1 2 ω U U 2 2 U 2 2 U U 1 UU ω ω ( ) 1 4 Q 0 Q 1 Q 2 Q 3 4 Q 0 Q 1 Q 2 Q 3 R(t) = Q 0 (1 t) 3 + 3 Q 1 t (1 t) 2 + 3 Q 2
Διαβάστε περισσότεραA summation formula ramified with hypergeometric function and involving recurrence relation
South Asian Journal of Mathematics 017, Vol. 7 ( 1): 1 4 www.sajm-online.com ISSN 51-151 RESEARCH ARTICLE A summation formula ramified with hypergeometric function and involving recurrence relation Salahuddin
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 περισσότερα!#$%!& '($) *#+,),# - '($) # -.!, '$%!%#$($) # - '& %#$/0#!#%! % '$%!%#$/0#!#%! % '#%3$-0 4 '$%3#-!#, '5&)!,#$-, '65!.#%
" #$%& '($) *#+,),# - '($) # -, '$% %#$($) # - '& %#$0##% % '$% %#$0##% % '1*2)$ '#%3$-0 4 '$%3#-#, '1*2)$ '#%3$-0 4 @ @ @
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
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 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 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 περισσότεραΠρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής
Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους
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 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 περισσότεραΠρόγραμμα Σεμιναρίων Σεπτεμβρίου - Δεκεμβρίου
Πρόγραμμα Σεμιναρίων Σεπτεμβρίου - Δεκεμβρίου SQL Server MC2778 Writing Queries Using Microsoft SQL Server 2008 Transact-SQL 24 14-17 (Β) MC6231 Maintaining a Microsoft SQL Server 2008 R2 Database 40 28/9-3/10
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 περισσότεραDECO DECoration Ontology
Πράξη: «Αρχιμήδης ΙΙI Ενίσχυση Ερευνητικών Ομάδων στο ΤΕΙ Κρήτης» Υποέργο 32 DECO DECoration Ontology Οντολογία και εφαρμογές σημασιολογικής αναζήτησης και υποστήριξης στον αρχιτεκτονικό σχεδιασμό εσωτερικού
Διαβάστε περισσότεραy(t) S x(t) S dy dx E, E E T1 T2 T1 T2 1 T 1 T 2 2 T 2 1 T 2 2 3 T 3 1 T 3 2... V o R R R T V CC P F A P g h V ext V sin 2 S f S t V 1 V 2 V out sin 2 f S t x 1 F k q K x q K k F d F x d V
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 περισσότεραSupplementary Information 1.
Supplementary Information 1. Fig. S1. Correlations between litter-derived-c and N (percent of initial input) and Al-/Fe- (hydr)oxides dissolved by ammonium oxalate (AO); a) 0 10 cm; b) 10 20 cm; c) 20
Διαβάστε περισσότεραMock Exam 7. 1 Hong Kong Educational Publishing Company. Section A 1. Reference: HKDSE Math M Q2 (a) (1 + kx) n 1M + 1A = (1) =
Mock Eam 7 Mock Eam 7 Section A. Reference: HKDSE Math M 0 Q (a) ( + k) n nn ( )( k) + nk ( ) + + nn ( ) k + nk + + + A nk... () nn ( ) k... () From (), k...() n Substituting () into (), nn ( ) n 76n 76n
Διαβάστε περισσότεραΕπερωτήσεις σύζευξης με κατάταξη
Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K
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 περισσότεραConjoint. The Problems of Price Attribute by Conjoint Analysis. Akihiko SHIMAZAKI * Nobuyuki OTAKE
Conjoint Conjoint The Problems of Price Attribute by Conjoint Analysis Akihiko SHIMAZAKI * Nobuyuki OTAKE +, Conjoint - Conjoint. / 0 PSM Price Sensitivity Measurement Conjoint 1 2 + Conjoint Luce and
Διαβάστε περισσότεραThe Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining
1,a) 1,b) J-POP 100 The Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining Shinohara Toru 1,a) Numao Masayuki 1,b) Abstract: Chord is an important element of music
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 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 περισσότερα: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM
2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.
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 περισσότεραΤαξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης
Ταξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης Α. Αϊναλής 1, Ι. Μελιάδης 2, Π. Πλατής 3 και Κ. Τσιουβάρας 4 1 Διεύθυνση
Διαβάστε περισσότεραRandom 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
Διαβάστε περισσότεραΗρϊκλειτοσ ΙΙ. Πανεπιζηήμιο Θεζζαλίας. Τμήμα Μηχανικών Η/Υ και Δικτύων
Πανεπιζηήμιο Θεζζαλίας Τμήμα Μηχανικών Η/Υ και Δικτύων Γιαυοροποίηση Υπηρεσιών σε Αρχιτεκτονικές Δικονικών Γικτύων προσανατολισμένων στην Παροτή Υπηρεσιών Υποψήφιος Διδάκτορας Κώςτασ Κατςαλόσ Email: kkatsalis@inf.uth.gr
Διαβάστε περισσότερα[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
Διαβάστε περισσότεραRectangular Polar Parametric
Harold s Precalculus Rectangular Polar Parametric Cheat Sheet 15 October 2017 Point Line Rectangular Polar Parametric f(x) = y (x, y) (a, b) Slope-Intercept Form: y = mx + b Point-Slope Form: y y 0 = m
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 περισσότερα3.8.1 J (7) (1883~1906) (1907~1931) A ~ (10) i J C-1 ~1973 C-2
2.8 JI y 5 5 5 EU() y y y AI IoT 5 y5 o 5y yo 5 y 5 5λo 55 T OJT V 5σ 4 T 5 5 5 5 V X 5 o 5 4 y o y i o i y 4 λ AI i o yy5 λo i λ S S y Ⅰ y y 3.8 2.8.1 J ) 3.8 JI 3.8.1 I 100 5λo 5 5 5 ooo o y i y 5 5
Διαβάστε περισσότεραArchitecture οf Integrated Ιnformation Systems (ARIS)
Architecture οf Integrated Ιnformation Systems (ARIS) Η αρχιτεκτονική ARIS (ARchitecture οf Integrated information Systems) έχει ως στόχο της την περιγρφή όλων των όψεων ή οπτικών ενός επιχειρηματικού
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 περισσότεραDEIM Forum 2013 A2-2 606 8501 E-mail: kato@dl.kuis.kyoto-u.ac.jp 1. 2. 1 4 A B C D A B C D A : B :: C : D : :: : : :: : A B C D A= B= C= D= D 3 Turney [20] A B C D A B C D Bollegala [5] Web SVM A B C D
Διαβάστε περισσότεραΟδηγίες Εγκατάστασης Βάσης Δεδομένων MySQL 5.6 Για Λειτουργικό Σύστημα Windows
Οδηγίες Εγκατάστασης Βάσης Δεδομένων MySQL 5.6 Για Λειτουργικό Σύστημα Windows Σεπτέμβριος 2013 Altec Software Διεύθυνση Υπηρεσιών Λογισμικού Σελίδα 1 Εισαγωγή Στο παρακάτω έντυπο περιγράφεται βήμα προς
Διαβάστε περισσότεραΜΟΝΤΕΛΟΠΟΙΗΣΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΕΡ- ΕΠΕΝΕΡΓΟΥΜΕΝΗΣ ΤΡΙΓΩΝΙΚΗΣ ΠΛΩΤΗΣ ΠΛΑΤΦΟΡΜΑΣ
ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΕΡ- ΕΠΕΝΕΡΓΟΥΜΕΝΗΣ ΤΡΙΓΩΝΙΚΗΣ ΠΛΩΤΗΣ ΠΛΑΤΦΟΡΜΑΣ Κώστας Βλάχος, και Ευάγγελος Παπαδόπουλος Σχολή Μηχ. Μηχ. Ε.Μ.Π., Εργαστήριο Αυτομάτου Ελέγχου ΠΕΡΙΛΗΨΗ Στην παρούσα εργασία
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 περισσότεραHCI - 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
Διαβάστε περισσότεραHomomorphism in Intuitionistic Fuzzy Automata
International Journal of Fuzzy Mathematics Systems. ISSN 2248-9940 Volume 3, Number 1 (2013), pp. 39-45 Research India Publications http://www.ripublication.com/ijfms.htm Homomorphism in Intuitionistic
Διαβάστε περισσότεραBMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE. Colin Dewey
BMI/CS 776 Lecture #14: Multiple Alignment - MUSCLE Colin Dewey 2007.03.08 1 Importance of protein multiple alignment Phylogenetic tree estimation Prediction of protein secondary structure Critical residue
Διαβάστε περισσότεραΘΕΜΑ: Υλοποίηση Αλγορίθμων Γραφικής σε Περιβάλλον Οπτικού Προγραμματισμού
Τ.Ε.Ι. ΚΑΒΑΛΑΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΑΧΕΙΡΙΣΗ ΠΛΗΡΟΦΟΡΙΩΝ ΘΕΜΑ: Υλοποίηση Αλγορίθμων Γραφικής σε Περιβάλλον Οπτικού Προγραμματισμού ΣΠΟΥΔΑΣΤΡΙΑ: ΚΛΑΔΑΚΗ ΕΙΡΗΝΗ 275 ΚΑΒΑΛΑ, 2006 ΠΕΡΙΕΧΟΜΕΝΑ
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 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 περισσότεραCONFIOUS: The Conference Nous Σύστημα Διαχείρισης Επιστημονικών & Ακαδημαϊκών Συνεδρίων. (http://confious.ics.forth.gr)
CONFIOUS: The Conference Nous Σύστημα Διαχείρισης Επιστημονικών & Ακαδημαϊκών Συνεδρίων (http://confious.ics.forth.gr) Manos Papagelis ICS-FORTH & Department of Computer Science, University of Toronto
Διαβάστε περισσότεραΚΑΝΟΝΙΣΜΟΣ ΚΑΤΑΡΤΙΣΗΣ ΕΙ ΙΚΟΤΗΤΑΣ "ΕΙ ΙΚΟΣ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ"
ΚΑΝΟΝΙΣΜΟΣ ΚΑΤΑΡΤΙΣΗΣ ΕΙ ΙΚΟΤΗΤΑΣ "ΕΙ ΙΚΟΣ ΕΦΑΡΜΟΓΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ" 2 η ΠΕΡΙΟ ΟΣ 2008 ΠΕΡΙΕΧΟΜΕΝΑ ΚΑΝΟΝΙΣΜΟΥ 1. Συνοπτική περιγραφή επαγγέλµατος (Job Profile)...4 2. Ανάλυση επαγγελµατικών δραστηριοτήτων
Διαβάστε περισσότεραDevelopment of the Nursing Program for Rehabilitation of Woman Diagnosed with Breast Cancer
Development of the Nursing Program for Rehabilitation of Woman Diagnosed with Breast Cancer Naomi Morota Newman M Key Words woman diagnosed with breast cancer, rehabilitation nursing care program, the
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 περισσότεραVol. 38 No Journal of Jiangxi Normal University Natural Science Nov. 2014
38 6 Vol 38 No 6 204 Journal o Jiangxi Normal UniversityNatural Science Nov 204 000-586220406-055-06 2 * 330022 Nevanlinna 2 2 2 O 74 52 0 B j z 0j = 0 φz 0 0 λ - φ= C j z 0j = 0 ab 0 arg a arg b a = cb0
Διαβάστε περισσότεραentailment Hoare triple Brotherston Brotherston
33 (2016 ) Brotherston We implement a semi-automated prover for implicational formulas (entailments) of the separation logic including inductive predicate definitions, toward automation of program verification
Διαβάστε περισσότεραECE 468: Digital Image Processing. Lecture 8
ECE 468: Digital Image Processing Lecture 8 Prof. Sinisa Todorovic sinisa@eecs.oregonstate.edu 1 Image Reconstruction from Projections X-ray computed tomography: X-raying an object from different directions
Διαβάστε περισσότερα