随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。

判别学习、恢复学习和对抗性学习已被证明对计算机视觉和医学成像中的自监督学习方案有益。然而，现有的努力，忽略了它们在三元设置中相互之间的协同作用，我们认为，这可以显著地有利于深度语义表示学习。为了实现这一愿景，我们开发了DiRA，这是第一个将判别学习、恢复学习和对抗学习统一起来的框架，以协作的方式从未标记的医学图像中收集互补的视觉信息，用于细粒度语义表示学习。我们的广泛实验表明，DiRA (1) 鼓励三种学习成分之间的协作学习，从而在器官、疾病和模态中产生更一般化的表征; (2) 优于完全监督的ImageNet模型，并在小数据领域增强鲁棒性，减少多个医学成像应用程序的注释成本; (3) 学习细粒度语义表示，仅通过图像级标注即可实现病灶的准确定位 ;(4) 增强了最先进的修复方法，揭示了DiRA是统一表征学习的一般机制。所有代码和预训练的模型都可以

所属分类：图形图像处理 开发工具：matlab 文件大小：4.27 MB 说明： 目标检测，利用上下文关系 (object detection using context)

Context-Aware Saliency Detection这篇显著性论文的代码。经过测试，能够运行。

将论文Context-Aware Saliency Detection作者写的加密源代码破解之后的

上下文感知CF跟踪 作者：马蒂亚斯·穆勒（Matthias Mueller），尼尔·史密斯（Neil Smith）和伯纳德·加纳姆（Bernard Ghanem） 项目网站： ： 个人网站： 许可：请参阅许可文件 如果您使用其中任何一项，请引用： 马蒂亚斯·穆勒（Matthias Mueller），尼尔·史密斯（Neil Smith），伯纳德·加纳姆（Bernard Ghanem） “上下文感知关联过滤器跟踪” 计算机视觉和模式识别会议（CVPR 2017）[口服] 在测试序列上运行跟踪器 每个跟踪器都带有OTB100的一个序列。 只需运行功能run_tracker即可。 如果要运行其他序列，请将其文件夹复制到sequence文件夹。 然后在run_tracker函数中更改视频名称。 在OTB基准上运行跟踪器 将跟踪器复制到基准的文件夹跟踪器中。 将以下内容添加到config_

这是CVPR 2017会议录用的一篇视频目标跟踪的论文，基于相关滤波改进，进入了背景上下文信息。资源中包含官方的源码（MATLAB）、论文原文以及官方的补充材料

2016-Convolutional Matrix Factorization for Document Context-Aware Recommendation

NULL 博文链接：https://lbingkuai.iteye.com/blog/1447219

A Broad Learning Approach for Context-Aware Mobile Application Recommendation