Robust Face Alignment Under Occlusion via Regional Predictive Power Estimation-附件资源

PCL点云库中的PrincipalCurvaturesEstimation计算曲率的内部原理实现。并不是我们传统意义上理解的拟合二次曲面，我们在表述原理时都是二次曲面拟合，但人家PCL用的不是曲面拟合方法

随机森林图像matlab代码6D物体检测器 对象检测器能够根据深度相机输入识别3D空间中的对象及其姿势。 它基于以下论文： Andreas Doumanoglou，Rigas Kouskouridas，Sotiris Malassiotis，Tae-Kyun Kim CVPR 2016 但已针对各种项目的需要进行了修改。 因此，可能与本文有所不同，并且不能保证可以准确复制本文提供的结果。 不幸的是，用于运行本文实验的所有参数的值均已被覆盖，但是默认值应接近于它们。 但是，应该搜索最适合感兴趣对象的最佳参数值。 如果您使用此源代码在自己的测试方案上评估该方法，请引用上述论文。 请仔细阅读指南，以正确使用检测器。 建立项目 源代码已在Ubuntu 14.04上进行了测试。 以下是所有必需的依赖项： 博客 GFlags OpenMP的 促进 OpenCV（2.4.10） 聚氯乙烯 VTK（5.10） CUDA LMDB 原虫 咖啡（1.7） 安装了所有必需的库之后，请运行以下命令来构建项目： mkdir build cd build cmake .. make 如果未生成错误，则应该已经创建

此仓库实现了我们的ICCV论文“用于3D人体姿势估计的Cross View融合” 快速开始 安装 克隆此仓库，我们将克隆多视图姿势的目录称为$ {POSE_ROOT} 安装依赖项。 下载pytorch imagenet预训练的模型。 请在$ {POSE_ROOT} / models下下载它们，并使它们看起来像这样： ${POSE_ROOT}/models └── pytorch └── imagenet ├── resnet152-b121ed2d.pth ├── resnet50-19c8e357.pth └── mobilenet_v2.pth.tar 可以从以下链接下载它们： : 初始化输出（训练模型输出目录）和日志（张量板日志目录）目录。 mkdir ouput mkdir log 并且您的目录树应该像这样

描述了一种OFDM系统中的信道估计方法,提高了信道估计的质量，优化了最后的通信性能。

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

使用 EM 算法的 Gamma 混合模型估计。 此代码使用 EM 算法估计遵循 Gamma 分布的有限混合模型的分量。 作者：贡萨洛·维加斯·桑切斯-费雷罗 - - 如何使用它 - - - 语法：[w, alpha, beta] = GMMestimator(y,nl,maxIter,tol_error,flag_pinta,w_0,alpha_0,beta_0) 输入： y - 样本向量nl - 混合成分的数量。 maxIter - 最大迭代次数tol_error - 收敛假设的容差flag_pinta - 显示拟合演变的标志w_0 = 初始权重大小 (1 x nl)。 它们的总和应为 1。（可选） alpha_0 = 每个 Gamma 分量的初始 alpha 参数（大小：1 x nl）（可选） beta_0 = 每个 Gamma 分量的初始 beta 参数（大小：1 x nl）（可

fashionAI 服装关键点检测 ，给定五种类型的服装，采用人体姿态估计的方法检测关键点。最终结果排名24，CPN模型没有复现很好，略遗憾... 0.效果预览 1.模型 模型结合了HourGlass模型和CPN模型，其中HG堆叠了2个，另外在HG上采样过程的1/2大小的特征图上添加了热点图监督标签。 RGB图像送入两个分支网络分别计算，最后concat二者的特征图，具体结构如图所示。 添加了soft-argmax层，可以由热点图转化到具体的坐标值，用坐标值groundtruth监督学习 2.策略 最多只能使用两个不同参数的模型，检测模型也算。通过检测可以提高目标占比，提升效果。 使用第一级预测结果截取目标，为了防止截取不完整，向外扩展30像素，再训练第二级crop模型。 第一级模型testB线上4.17%，crop之后的模型testB线上4.05%，融合之后3.95%. 3.训练与预测细

两种信道估计方法的matlab实现，基于梳妆导频的信道估计和均衡

在本文中，我们提出了一种新的集合角谱（P-AS），用于估计多个声源的到达方向（DOA）。 这种方法使用宽间隔的麦克风阵列以实现高分辨率，并且仅在二维时间边际角频谱（TM-AS）中合并由有源源控制的角度分量。 使用不同数量的源来评估其对空间混叠源和短时源的鲁棒性。仅在几个时间范围内激活源。 实验结果表明，与大多数现有的基于角谱的DOA估计方法相比，该方法更有效，更鲁棒。