二元脉冲星观测和重力波检测严重地限制了标量-张量理论和无质量的标量场，从而仅允许相对于广义相对论的微小偏差。 但是，如果我们考虑标量场的质量为非零，则与观测值一致的参数值将允许与广义相对论产生重大偏差。 在本文中，我们扩展了这一思想，并研究了具有大范围场且具有自相互作用项的标量张量理论。 除了标量场质量的影响外，附加项还抑制了中子星模型中的标量场，但是仍然可以观察到与纯GR的参数值与观测值相符的较大偏差。

矩阵乘法的四张量幂问题的基于优势的约束优化进化算法

执行图像的一致性增强扩散，这个算子是用于多尺度纹理增强，特别是对不连续的指纹，可以用来增强和连接纹理是halcon中的算子coherence_enhancing_diff

matlab红外代码基于PSTNN的红外小目标检测 该matlab代码基于张量核规范的部分和实现了红外小目标检测模型。 关于这种方法的详细描述可以在我们的论文中找到。 参考： Zhang, L.; Peng, Z. Infrared Small Target Detection Based on Partial Sum of the Tensor Nuclear Norm. Remote Sens. 2019, 11, 382.

tf2crf 一个简单的CRF层用于tensorflow 2 keras 支持keras遮罩 安装 $ pip install tf2crf 特征 易于使用的带有张量流的CRF层 支持混合精度训练 支持具有DSC丢失的ModelWithCRFLossDSCLoss，这会在数据不平衡的情况下提高f1得分（请参阅） 注意力 在keras_contrib中添加CRF之类的内部内核，因此现在无需在CRF层之前堆叠Dense层。 我已经更改了将损耗函数和精度函数放在CRF层中的以前的方式。 相反，我选择使用ModelWappers（称为jaspersjsun），它更干净，更灵活。 尖端 tensorflow> = 2.1.0建议使用与您的tf版本兼容的最新tensorflow-addons。 例子 import tensorflow as tf from tf2CRF import CRF

资源中是《计算机视觉中的数学方法》对应的课件。本书由射影几何、矩阵与张量、模型估计三个部分组成，它们是三维计算机视觉所涉及到的基本数学理论与方法。I.射影几何学是三维计算机视觉的数学理论基础，是从事计算机视觉研究所必备的数学知识。II.矩阵与张量是描述和解决计算机视觉问题的必要数学工具，视觉领域研究人员都应该掌握这门数学。III.模型估计是三维计算机视觉的基本问题，通常涉及到变换或某种数学量的估计。

更改组件，看看立方体变形会发生什么。

matlab张量积代码矩阵乘积状态Langevin （1）在MATLAB中针对有限自旋链实现矩阵乘积状态Langevin方程，以及（2）对于无限自旋链实现时间相关的变分原理（）。 矩阵乘积状态Langevin方程描述了与环境热接触的系统的轨迹。 它扩展了随时间变化的变分原理，用于演化具有附加噪声和摩擦项的矩阵乘积状态。 安装 下载此存储库，并将其文件夹和所有子文件夹添加到MATLAB路径。 从下载NCON软件包并将其添加到MATLAB路径。 代码示例 在此示例中，我们模拟了有限旋转链的随机哈密顿量下的噪声演化。 首先，我们需要指定系统。 我们将定义spinDimList来编码4个局部尺寸为spinDimList和4的自旋。 spinDimList = [2 4 3 4]; 我们想将键的维数限制为3： Dmax = 3; 现在，让我们使用randomizedSystem_localH()函数生成初始状态，汉密尔顿和环境。 我们还将温度设置为较低，并在无摩擦状态下工作（这是更快的！）： [mpsInit,Hcell,EnvParams] = randomizedSystem_localH(

张量投票算法利用人类感知功能原理进行计算,它具有较强的鲁棒性、非迭代性、参数唯一性等特性,其非迭代性具有节省计算时间的显著性特征,因此,广泛应用于图像线特征提取,但在一些含有复杂噪声的图像中,却不能得到更为连续的显著线特征信息。本文针对此问题,提出一种改进的具有迭代性的张量投票算法,它主要是对投票域进行迭代改进,使改进后的张量投票算法可以提取更为连续的显著线特征,且与传统的张量投票算法相比,本文算法既缩短了计算时间,又提取了更为连续的线特征图像。

深度学习通过训练样本进行特征识别,已经被广泛应用于道路提取领域。该方法不局限于特定类型的影像,但是受训练样本数量和计算机硬件的限制,所提取的道路会有断裂和噪声。针对上述问题,使用VGG卷积神经网络对道路进行初步提取后引入张量投票方法进行优化处理。首先通过影像变换、随机裁剪、过采样等方法对样本进行多模式扩充,进而训练VGG卷积神经网络模型;其次利用该网络从原始影像中初步分割道路面,接着对道路面的二值影像进行张量投票获取道路的显著性信息;最后在特征提取时针对显著性信息加入阈值获取道路面。实验结果表明,所提方法提取道路的召回率与正确率均达90%以上,与其他传统方法相比具有更高的精度,验证了所提方法的有效性。