为消除非受控训练环境中光照/表情变化的不利影响,控制部分遮挡/伪装对人脸图像的破坏程度,提出了一种基于低秩矩阵恢复的字典优化设计,以增强稀疏表示人脸识别的性能.首先对存在非受控干扰成分的训练字典进行低秩矩阵恢复,获得相对"干净"的训练图像进行特征提取;接着采用分块相似性先验嵌入稀疏编码的方法实现对人脸图像的分类.实验结果表明,通过改进稀疏编码字典的鉴别能力,系统能更有效地抑制光照、表情、遮挡/伪装的影响,其识别的稳健性和鲁棒性得到了明显提升.

动态图嵌入方法 该页面概述了有关动态图嵌入/表示或动态网络嵌入/表示的重要方法。 方法 已发表 代码 描述 ICLR 20 -- WSDM 20 归因于 AAAI 20 归因于 ICLR 19 -- -- CIKM 19 -- KDD 19 异质 ECML PKDD 19 归因与异类 IJCAI 19 -- AAAI 18 -- IJCAI 17讲习班 -- -- 传统知识DEDE 18 -- 传统知识16 --

#NeuroRA 从多模态神经数据进行表示分析的Python工具箱 概述 代表性相似性分析（RSA）已成为一种流行的有效方法，用于测量不同模式下多变量神经活动的代表性。 NeuroRA是一个基于Python的易于使用的工具箱，可以在几乎所有种类的神经数据中完成有关RSA的一些工作，包括行为，EEG，MEG，fNIRS，sEEG，ECoG，fMRI和其他一些神经电生理数据。 此外，用户可以在NeuroRA上进行神经模式相似度（NPS） ，时空模式相似度（STPS）和受试者间相关度（ISC） 。 安装 点安装神经元 纸 Lu，Z.，＆Ku，Y.（2020年）。 NeuroRA：来自多模式神经数据的表示分析的Python工具箱。 神经信息学前沿。 14：563669。 doi：10.3389 / fninf.2020.563669 网站及使用方法 在查看更多详细信息。 您可以在阅读或在下载

深层OF 用于使用从自由移动的动物的视频中提取的时间序列进行后处理的套件 您可以使用此包从时间序列中提取预定义的主题（例如时区，攀岩，基本的社交互动），也可以将数据嵌入到序列感知的潜在空间中，以在无人监督的情况下提取有意义的主题方法！ 两者都可以在包内使用，例如，以自动比较用户定义的实验组。 我该如何开始？ 安装： 打开一个终端（安装了python> 3.6）并输入： pip install deepof 在我们深入研究之前： 首先，为您的项目创建一个文件夹，其中至少包含两个子目录，分别称为“视频”和“表”。 前者应包含您正在使用的视频（原始数据或从DLC获得的带有标签的视频）； 后者应该具有您从DeepLabCut获得的所有跟踪表，格式为.h5或.csv。 如果您不想自己使用DLC，请不要担心：一个兼容的小鼠预训练模型将很快发布！ my_project -- Videos ->

绘图员 ,,,*,,*,,. 这个 repo 是的官方实现。 . 更新 06/10/2021 初始提交： 许可证文件和示例代码。 介绍 Graphormer最初是在描述的，它是一个标准的 Transformer 架构，具有多种结构编码，可以有效地将图的结构信息编码到模型中。 Graphormer 在 PCQM4M-LSC（ 0.1234 MAE ）、MolPCBA（测试值为31.39 AP(%) )、MolHIV（测试值为80.51 AUC(%) ）和 ZINC（测试值为0.122 MAE on test 80.51 AUC(%)上取得了强劲的性能，比之前的模型高出一倍大保证金。 主要结果 引用 Graphormer @article{ying2021transformers, title={Do Transformers Really Perform Bad for Gr

对以下描述用括号中的要求进行描述： 1.      雪地上留下一串脚印，有的大，有的小，有的深，有的浅。（语义网络） 2.      构造一个描述你的寝室的框架系统。（框架） 3.      欲穷千里目，更上一层楼。（谓词逻辑） 4.   喜欢读《三国演义》的人必喜欢读《水浒》。（谓词逻辑） 5.     每个学生都有一台计算机。（语义网络）

针对已有自适应细分方法中存在的问题，提出了一种新的自适应多分辨率细分曲面的表示方法。该方法结合拓扑细分的特点，运用二维组合映射对半边数据结构进行形式化定义，并引出超映射的概念。在超映射这个通用的理论框架中引出了半边结构在多分辨率上的扩展，并对其在自适应细分方法中的应用进行了讨论。结果表明这种结构具有普适性，支持多种细分方法，允许在网格的任何多分辨率层次上及时有效地导航，并且在自适应细分过程中避免了拓扑裂缝的产生。

BioBERT此存储库提供用于微调BioBERT的代码，BioBERT是一种生物医学语言表示模型，用于设计生物医学文本挖掘任务，例如生物医学命名的实体识别，关系提取，对BioBERT提出疑问。此存储库提供用于微调BioBERT的代码。专为生物医学文本挖掘任务（例如生物医学命名实体识别，关系提取，问题回答等）而设计的表示模型。有关更多详细信息，请参阅我们的论文BioBERT：用于生物医学文本挖掘的预训练生物医学语言表示模型。 该项目由DMIS-Lab完成。 下载我们提供了五个版本的预训练砝码。 预训练是基于t

模糊k 表示聚类的代码，包括k 表示有超级，Gustafson Kessel 算法，模糊线性判别分析。 还计算性能度量。

提取任意图片中所有存在的contour线条，每一条可以单独表示