MWCD代码版本1.0 最小加权协方差行列式（MWCD）估计量的计算 Matlab中的代码允许计算Roelant（2009）提出的最小加权协方差决定子（MWCD）估计量。 这是具有（可能）高故障点的多元数据集参数的可靠估计。 随时使用或修改代码。 要求 您需要文件fastlts.m来运行完整的代码，该代码将MWCD与最小协方差决定因素（MCD）估计量进行比较。 可在 用法 mainMwcd.m读取外部数据文件的主文件，运行经典估计（即高斯数据的最大似然）的估计，MCD和MWCD估计器，并显示其结果。 它还以图形方式显示了所得的MWCD估计量。 mwcdCheck.m用于为给定数据集计算MWCD估计量的函数。 作者 JanTichavský，捷克科学院计算机科学研究所 Jan Kalina，捷克科学院计算机科学研究所 接触 请随时与我们联系（ ）或写问题。 如何引用 请考虑引用以下内

基本用法 目前支持三个或更少变量的信息度量。基本用例是将每个变量的数据数组传递给每个函数。这些将被离散化。 也可以传入频率（如果数据已经离散化）或概率（如果概率已知或已经估计） - 见下文。 配置选项 可以将以下关键字参数传递给每个函数： estimator (String) 估计概率分布的估计器 "maximum_likelihood"（默认） "miller_madow" "dirichlet" "shrinkage" base (Number) 对数的底，即熵的单位 2（默认） mode (String) 离散化方法 "uniform_width"（默认） "uniform_count" "bayesian_blocks" number_of_bins (整数) 0（默认） get_number_of_bins (Function) 用于计算 bin 数量的自定义函数（仅在number_of_binsis时使用0） get_root_n（默认） 特定于 Estimator 的配置选项 更多详情、使用方法，请下载后阅读README.md文件

ROS：img2pose 通过6DOF人脸姿势估计进行人脸对齐和检测 该存储库为img2pose神经网络提供了一个ROS包装节点，用于在多个面部上进行六个自由度（6DoF）检测，而无需事先进行面部检测。 此存储库中包含的模型已在WIDER FACE数据集中进行了训练。 原始模型和培训说明可在项目。 在Intel 和GeForce GTX1060 / 6Gb上以运行 安装 将此存储库克隆到catkin工作区中，并在运行catkin_make之前使用catkin_make安装依赖catkin_make 。 pip3 install -r requirements.txt 用法 当前有一个包装器节点，用于加载模型，订阅sensor_msgs / Image主题，在图像回调函数中运行预测并以彩色轴的形式将6DOF头部姿势渲染到框架上。 rosrun ros_img2pose img2po

matlab匹配滤波代码多目标MI-ACE和MI-SMF： 多目标多实例自适应余弦估计器和光谱匹配滤波器，用于使用不确定标记数据的目标检测 James Bocinsky，Susan Meerdink，Connor H.McCurley和Alina Zare 如果您使用此代码，请引用为： James Bocinsky，Susan Meerdink，Connor H.McCurley和Alina Zare。 （2020年，3月25日）。 GatorSense / Multi-Target-MI-ACE_SMF：初始版本（版本v1.0）。 Zenodo。 相关文章为：SK Meerdink，J。Bocinsky，A。Zare，N。Kroeger，CH McCurley，D。Shats和PD Gader。 审查中的IEEE TGRS中的“用于高光谱目标检测的多目标多实例学习”。 在此存储库中，我们提供了多目标MI-ACE和MI-SMF算法的论文和代码。 安装先决条件 此代码使用MATLAB Statistics和Machine Learning工具箱，MATLAB Optimization T

噪声估计分布这是 Ref. 的配套发行版。 纸： O. Laligant、F. Truchetet、E. Fauvet，“数字阶跃模型信号的噪声估计”，IEEE Trans。 图像处理，2013 年 12 月，22(12):5158:67 联系人：olivier.laligant@u-bourgogne.fr 这种分配允许： - 引入新的噪声估计器 (NOLSE)，对各种类型的噪声具有有趣的性能- 在被各种合成噪声破坏的真实图像上测试各种噪声估计器- 使用各种噪声估计器估计图像中的噪声水平结果可用于各种应用。 标题图像示出了图像恢复的示例，其中通过噪声估计器获得恢复方法的参数。 估计量： - 新估算器 NOLSE 的 nolse.m、fnolse.m 类似脚本和函数版本- SI Olsen 的 averageN.m 噪声估计（请参阅 averageN 的帮助） -J.Immerkæ

逗号2k19 展示了comma2k19，这是加利福尼亚州280高速公路上通勤时间超过33小时的数据集。 这意味着在加利福尼亚州圣何塞和旧金山之间20公里的高速公路上行驶的2019年路段（每个路段长1分钟）。 comma2k19是一个完全可复制且可伸缩的数据集。 数据是使用逗号收集的，逗号传感器类似于任何现代智能手机，包括路面摄像头，手机GPS，温度计和9轴IMU。 此外，EON会捕获原始的GNSS测量数据以及用逗号对汽车发送的所有CAN数据。 在这里，我们还介绍了 （开源GNSS处理库）。 与用于收集原始数据的GNSS模块相比，Laika产生的位置精确度高出40％。 该数据集包括记录摄像机的全局参考框架中的姿势（位置+方向）估计。 这些姿势是使用紧密耦合的INS / GNSS / Vision优化器来计算的，该优化器依赖于Laika处理的数据。 comma2k19是开发和验证紧密耦合的

古典马氏距离用作检测离群值的方法，并且受离群值影响。 通过快速MCD估计器，提出了一些健壮的马氏距离。 但是，MCD估计器的偏差会随着尺寸的增加而显着增加。 在本文中，我们提出了在高维数据下基于更鲁棒的Rocke估计器的改进的Mahalanobis距离。 数值模拟和实证分析的结果表明，当数据中存在异常值且数据维数很高时，与上述两种方法相比，本文提出的方法能够更好地检测数据中的异常值。

可靠且极快的一维数据核密度估计器； 假设为高斯核并自动选择带宽； 与许多其他实现不同，这个实现不受问题的影响由具有广泛分离模式的多模态密度引起（参见示例）。 这多模态密度的估计不会恶化，因为我们从不假设数据的参数模型（如经验法则中使用的模型）。 输入： 数据 - 构建密度估计的数据向量； n - 用于均匀离散化的网格点数间隔 [MIN, MAX]; n 必须是 2 的幂； 如果 n 不是 2 的幂，则n 向上取整为 2 的下一个幂，即 n 设置为 n=2^ceil(log2(n))； n 的默认值为 n=2^12； MIN, MAX - 定义构建密度估计的区间 [MIN,MAX]； MIN 和 MAX 的默认值是： MIN=min(data)-Range/10 和 MAX=max(data)+Range/10，其中 Range=max(data)-min(data)； 输出： 带宽 - 最

嘿大家， 这项工作提出了一种基于视觉的系统的实现，该系统可通过使用在Matlab中配置为跟踪器的卡尔曼滤波器估算器来识别行人，从而精确定位行人。 最后，将估计值与实际标签之间的差评估为估计误差。 https://youtu.be/HPwk3gG7EyM

数据分析是面对真实机器学习问题的基本步骤，各种众所周知的 ML 技术，例如与聚类或降维相关的技术，都需要数据集的内在维度 (id) 作为参数。 为了自动估计 id，在文献中描述了各种技术，这个小工具箱包含其中一些最先进技术的实现，即：MLE、MiND_ML、MiND_KL、DANCo、DANCoFit。 对于 R 实现，请参阅： http://www.maths.lth.se/matematiklth/personal/johnsson/dimest/