matlab 佛度的代码完整 (FP) 和紧凑 (CP) 极化 SAR 数据的散射型参数提取和新型聚类方案 一般信息 此代码使用参数 ，对于 FP 和 ，对于 CP 数据执行无监督聚类。 和 是 FP 和 CP 数据的目标特征参数，给出为， 这里， 和 是T3矩阵的对角元素。 SC 和 OC 定义为， 和， ; 和 是 CP SAR 数据的斯托克斯元素。 和 是 3D 和 2D Barakat 偏振度。 聚类图 阴影区域是不可行的区域。 请关注这篇文章了解更多详情：。 启动并运行 这是一个基于MATLAB的代码。 要运行代码，需要FP的相干矩阵元素 ( T3 ) 和CP协方差矩阵元素 ( C2 )。 如果 和 已经在父文件夹中，那么您可以使用“unsupervised_clustering_FP.py”来计算聚类图像。 如果 , , 已经在父文件夹中，那么您可以使用“unsupervised_clustering_CP.py”来计算聚类图像。 NB T3 和 C2 矩阵元素应以 PolSARpro 格式导出，T3 或 C2 目录应包含由 PolSARpro 生成的“config.txt

基于时序的多笔划草图识别，尹建锋，孙正兴，本文提出乐一个基于手绘草图过程时序信息的多笔划草图识别方法。该方法的主要思想是基于时序的笔划分割和基于时序的用户建模。前

固态阴极射线发光中PPV激子发光与复合发光的时间特性，徐征，张福俊，复合发光和激子发光的光谱特性及起源的研究已经深入研究[1], 本文中研究它们在频域内的时间特性。从亮度－电压曲线可以得到激子发�

TSM：高效视频理解的时移模块 @inproceedings{lin2019tsm, title={TSM: Temporal Shift Module for Efficient Video Understanding}, author={Lin, Ji and Gan, Chuang and Han, Song}, booktitle={Proceedings of the IEEE International Conference on Computer Vision}, year={2019} } [NEW！]我们更新了online_demo的环境设置，并且应该更容易设置。 检查文件夹尝试！ [NEW！]我们已经在Kinetics上发布了预训练的光流模型。 我们相信预先训练的权重将有助于在其他数据集上训练两个流模型。 [NEW！]我们已经在NVIDIA Je

期刊： 作者：Jiajing Wu, Dan Lin , Zibin Zheng and Qi Yuan 单位：Sun Yat-sen University 联系方式：wujiajing@mail.sysu.edu.cn Abstract 近来，图嵌入技术已被广泛用于各种网络的分析中，但是大多数现有的嵌入方法都忽略了可能在金融交易网络中起作用的边缘的时间和加权信息。以太坊的开放性为我们提供了该领域前所未有的数据挖掘机会。考虑到交易网络的现实规则和特征，我们建议将以太坊交易网络建模为时间加权多重图（TWMDG），其中每个节点都是唯一的以太坊账户，每个边代表按金额加权并分配时间戳的交易。在TWM

这是一篇时空地图的论文

CTAA V3是电影时间抗锯齿Unity插件，现在具有完整的HDRP支持和增强功能，CTAA支持PC/MacOS和所有渲染路径中的所有VR设备，包括单通道立体VR，只需单击一下即可实时实现真正的下一代电影渲染质量。V3不再有镜面微光或镜面混叠，不再有 PBS 引起的高频闪烁，不再有 HDR Bloom 闪烁，只有 ROCK STEADY 胶片质量清晰的抗锯齿图像，性能卓越。CTAA 提供真正的电影质量时间超采样抗锯齿结果，可在物体运动时保持和保持清晰度和清晰度，性能大约相当于标准 FXAA,MSAA还可以与CTAA一起使用，提供无与伦比的真正离线质量结果，由于以很少的性能成本显着提高了质量，因此这是所有VR项目的绝佳选择

Modeling Continuous-time Event Data with Neural Temporal Point Processes 事件数据是机器学习许多高影响力应用的核心。电子健康记录中的医院访问，地震学中的地震目录，以及神经科学中的高峰列车——所有这些都可以用连续时间中可变长度的事件序列来表示。时间点流程(TPPs)为此类数据建模提供了一个自然的框架。然而，传统的TPP模型缺乏捕捉现实事件数据中呈现的复杂模式的能力。神经TPP旨在通过将神经网络与点过程文献中的基本思想相结合来解决这一限制。本论文的两个主要主题是(1) 设计灵活、可处理和高效的神经TPP模型，(2)它们在现实问题中的应用。我们的第一个贡献是TPP和神经密度估计领域之间的联系。这使得我们能够开发第一个神经TPP模型，其中的可能性计算、采样和预测都可以以封闭的形式有效地完成。接下来，我们提出了TriTPP——一种新的表达性TPP模型，与现有方法不同，该模型中所有操作都可以并行完成。快速平行采样为TPP模式开启了新的应用。我们通过推导连续时间离散状态系统的变分推断方案来证明这一点。最后，我们将拟合优度测试方

【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

小样本利器1.半监督一致性正则 Temporal Ensemble & Mean Teacher代码实现.doc