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。

图像矩阵matlab代码IRTPCA代码 matlab代码适用于论文``通过低秩核心矩阵改进的稳健张量主成分分析''。 您可以从中找到该论文。 tsvd的某些功能，您也可以参考。 图像来自伯克利细分数据集。 基于数据集的工作应引用以下文件： @InProceedings {MartinFTM01， 作者= {D。 马丁（Martin）和福克斯（C. Fowlkes）和塔尔（T. Tal）和马里克（J. Malik）}， title = {人类分割的自然图像数据库及其在评估分割算法和测量生态统计中的应用}， booktitle = {Proc。 第八届国际会议计算机视觉}， 年= {2001}， 月= {七月}， 音量= {2}， 页数= {416--423}} 这些视频来自信息通信研究所（I2R）和背景模型挑战数据集。 L. Li，W。Huang，IYH Gu和Q. Tian，“用于前景对象检测的复杂背景的统计建模”，《 IEEE Transactions on Image Processing》，第1卷。 13号11，第1459-72页，2004年。 A. Vacavant，T。Ch

基于张量补全的交通速度数据插补方法

张量分析，A Brief on Tensor Analysis (2nd Ed)(T)，djvu版本，资源来自互联网

多方面张量分析，Tensor Analysis on Manifolds，资源来自互联网

语音识别 使用TensorFlow实现语音识别系统。 中篇文章的更多说明： : 二手图书馆 pip install tensorflow tensorflow_io 文件说明 test_load.py 加载Mozilla Common Voice的标签文件： : test_lstm.py 简单的LSTM模型可预测单词序列中的下一个单词。 它使用Mozilla Common Voice数据集标签文件。 test_trad.py Seq2Seq模型以与输入相同的语言翻译句子。 它使用Mozilla Common Voice数据集标签文件。 test_words.py 简单的LSTM模型可将音频转换为单词。 它使用语音命令数据集： : test_wordsFr.py 简单的LSTM模型可将音频转换为法语单词。 它使用此存储库中包含的自制数据集。 test_words_com

在曲率属性计算之前需要对图像进行去噪预处理, 传统的图像滤波方法在去除噪声的同时会破坏边缘、线条、纹理等图像特征, 而基于偏微分方程的P-M模型在平滑过程中会出现块效应。针对这些问题, 提出了一种基于张量扩散的各向异性滤波的预处理方法。通过定义散布矩阵来获得丰富的图像局部结构信息, 然后利用这些结构来控制扩散过程, 以便实现图像的更好滤波。理论分析和实验结果表明, 相较于一些常规的图像滤波算法, 各向异性滤波得到的曲率属性效果更清晰、质量更高。

T3C_Toolbox_LYuan 该存储库提供了两种张量完成算法：张量训练加权优化（TTWOPT）和张量训练随机梯度下降（TTSGD），它们基于张量训练分解和基于梯度的优化方法。 [1]袁隆浩，赵启斌和曹建庭。 “通过张量-序列分解完成缺少条目的高阶张量数据。” 国际神经信息处理会议。 斯普林格（Cham），2017年 [2]袁龙浩，赵启斌和曹建庭。 “在张量-训练格式下通过基于梯度的优化完成高维张量。” arXiv预印本arXiv：1804.01983（2018）。

为了提高图像分类准确率，提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展，低秩表示将矩阵的秩作为一种稀疏测度，由于矩阵的秩反映了矩阵的固有特性，所以低秩表示能有效地分析和处理矩阵数据，把低秩表示引入到张量模型中，即引入到非负张量分解算法中，进一步扩展非负张量分解算法。实验结果表明，所提算法与其他相关算法相比，分类结果较好。

交通量预测matlab代码具有模式、缺失值和异常值的真实世界张量流的稳健分解 (ICDE'21) 这个存储库包含论文的源代码，由 和 提供，在 。 在这项工作中，我们提出了SOFIA ，这是一种在线算法，用于分解随着时间推移而随着时间推移而丢失条目和异常值的真实世界张量。 通过平稳而紧密地结合张量分解、异常值检测和时间模式检测，SOFIA 与最先进的竞争对手相比具有以下优势： 稳健而准确：与最佳竞争对手相比，SOFIA 产生的插补和预测错误最多可降低 76% 和 71%。 快速：与第二准确的方法相比，使用 SOFIA 使插补速度提高了 935 倍。 可扩展：SOFIA 在时间演化的张量中以增量方式处理新条目，并且它与每个时间步长的新条目数量成线性比例。 数据集 名称 描述 尺寸 时间粒度 处理过的数据集 原始来源 英特尔实验室传感器 位置 x 传感器 x 时间 54 x 4 x 1152 每 10 分钟 网络流量 来源 x 目的地 x 时间 23 x 23 x 2000 每小时 芝加哥出租车 来源 x 目的地 x 时间 77 x 77 x 2016 每小时 纽约出租车 来源 x 目的地