针对目标追踪过程中由于目标快速运动及尺度变化导致追踪失败的问题, 提出了一种基于全卷积对称网络的目标尺度自适应追踪算法。首先利用MatConvNet框架构建全卷积对称网络, 使用训练好的网络得到实验图像与模板的多维特征图, 两者通过互相关操作, 选取置信分数最大的点为所追踪目标的中心位置; 其次, 对中心位置进行多尺度采样, 将小于模板方差1/2的错误样本过滤掉; 建立目标模板和样本概率直方图, 计算模板与样本间的海林洛距离, 选取合适的尺度作为目标追踪窗口的尺度。在OTB-13数据集上进行实验, 与其他追踪算法性能比较, 本文算法追踪成功率为0.832, 精度为0.899, 高于同类型深度学习追踪算法, 平均追踪速度达到42.3 frame/s, 满足实时性的需求; 挑选包含目标快速运动或尺度变化属性的追踪序列进一步进行测试, 本文算法追踪性能仍高于其他算法。

针对已存在的各种二维capon波束形成器稳健算法性能单一,只能对1种或2种影响波束形成算法性能的因素具有稳健性,缺乏对多种情况都具有稳健性的缺点,提出一种基于空间谱估计的二维稳健自适应波束形成方案。首先,提出一种新的二维解相关空间谱估计算法,该算法将二维角度估计问题用4个一维空间谱估代替,并采用修正的MUSIC算法实现解相干,然后利用得到的角度信息构造虚拟干扰,克服观察方向误差并展宽零陷。仿真结果表明:该算法结合了空间谱估计技术和自适应波束形成技术的优点,对期望信号导向矢量误差、干扰到达角失配及信号相关等都具有足够的稳健性。

大数据-算法-非参数回归函数的稳健Bootstrap.pdf

4、指标说明： 双重差分法，英文名Differences-in-Differences，别名“倍差法”，小名“差中差”。作为政策效应评估方法中的一大利器，双重差分法受到越来越多人的青睐，概括起来有如下几个方面的原因：（1）可以很大程度上避免内生性问题的困扰：相对于微观经济主体而言一般是外生的，因而不存在逆向因果问题。此外，使用固定效应估计一定程度上也缓解了遗漏变量偏误问题。（2）传统方法下评估政策效应，主要是通过设置一个政策发生与否的虚拟变量然后进行回归，相较而言，双重差分法的模型设置更加科学，能更加准确地估计出政策效应。（3）双重差分法的原理和模型设置很简单，容易理解和运用，并不像空间计量等方法一样让人望而生畏。（4）尽管双重差分法估计的本质就是面板数据固定效应估计，但是DID听上去或多或少也要比OLS、FE之流更加“时尚高端”，因而DID的使用一定程度上可以满足“虚荣心”。 倾向评分匹配（Propensity Score Matching，简称PSM）是一种统计学方法，用于处理观察研究（Observational Study）的数据。在观察研究中，由于种种原因，数据偏差（bia

POCS（投影到凸集）通常用于重建部分傅立叶 MRI 数据。 此实现适用于笛卡尔网格上的 2D 或 3D 数据。 它针对速度进行了优化，并自动检测非对称采样维度。 输入数据通常被假定为多通道 k 空间信号，通道（或线圈）的第一维。 但是，您可以传递纯二维数组。 [im, kspFull] = pocs( kspIn, iter, watchProgr ) === 输入 === kspIn：简化的笛卡尔 MRI 数据集任何维度都可以减少， 但只有一个减少暗淡。 由于物理/数学而被允许。 kspIn 允许的形状是... ... Ny x Nx ... Nc x Ny x Nx ... Nc x Ny x Nx x Nz Nc == 接收通道/线圈的数量。 kspIn 可以是零填充数组，因此部分傅立叶性质很明显。 或者 kspIn 只能是测量数据，然后我们尝试自动找到 k 空间中

论文研究-空间滞后模型的标准化稳健检验及其功效对比分析.pdf,  在误差项分布未知、模型设定偏误以及不同形式空间布局的复杂条件下，本文提出检验空间滞后模型的标准化稳健LM检验方法，并采用Bootstrap法和Monte Carlo法对统计量的渐进性进行分析. 结果表明：采用Bootstrap法和Monte Carlo法的检验功效均优于现有LM检验方法；对于小样本，结合Bootstrap法与本文提出的统计量进行模型设定的检验更可靠；在空间布局为Group规则时，采用本文提出的统计量进行模型设定的检验效果更好.

休闲服务行业：2月离岛免税数据稳增，华住融创合作发力高端，餐饮年报稳健亮眼-20210329- -22页.pdf

迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集 该存储库包含用于从单个图像计算深度的代码。 它伴随我们的： 迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集RenéRanftl，Katrin Lasinger，David Hafner，Konrad Schindler，Vladlen Koltun MiDaS v2.1在10个数据集（ReDWeb，DIML，电影，MegaDepth，WSVD，TartanAir，HRWSI，ApolloScape，BlendedMVS，IRS）上进行了多目标优化训练。 在5个数据集（本文中的MIX 5 ）上训练过的原始模型可以在找到。 变更日志 [2020年11月]发布了MiDaS v2.1： 经过10个数据集训练的新模型，其度平均比高出 新的轻量级模型可在移动平台上实现。 适用于和示例应用程序 ，可在机器人上轻松部署 [2

中国股市可预测性的稳健性检验.pdf

Robust multi-objective test problems The most challenging robust multi-objective test problems in the world 一组 22 个具有挑战性的多目标测试问题，用于对稳健的多目标优化算法的性能进行基准测试。提交的内容包括测试函数以及用于绘制测试函数的参数空间和目标空间的文件。 这是论文的源代码： S. Mirjalili, A. Lewis, Novel Frameworks for Creating Robust Multi-objective Benchmark Problems, Information Sciences, Vol. 300，第 158-192 页，2015 年，DOI：http ://dx.doi.org/10.1016/j.ins.2014.12.037