タグ

2007年6月17日のブックマーク (7件)

  • Cycle detection - Wikipedia

    This article is about iterated functions. For another use, see Cycle detection (graph theory). This article may be too technical for most readers to understand. Please help improve it to make it understandable to non-experts, without removing the technical details. (February 2018) (Learn how and when to remove this message) In computer science, cycle detection or cycle finding is the algorithmic p

  • ATR-Promotions|研究成果を市場へ

    2024.2.19ATR音素バランス503文の48kHzサンプリング音声データベース「ATR503音声データベース48k」をリリースしました。 2023.6.12「日物理療法合同学術大会2024」(奈良県コンベンションセンター)(2024年1月26日~1月27日)にセンサ関連製品を出展します。 2023.12.28「第10回日スポーツ理学療法学会学術大会」(ソニックシティ(埼玉県大宮))(2024年1月6日~1月7日)にセンサ関連製品を出展します。 2023.12.28弊社は、12月29日(金)~1月3日(水)まで冬期休業とさせていただきます。1月4日(木)より通常営業いたします。 2023.6.12「第39回東海北陸理学療法学術大会」(石川県こまつ芸術劇場うらら・サイエンスヒルズこまつ)(2023年9月30日~10月1日)にセンサ関連製品を出展します。 2023.6.12「第21回日

    petite_blue
    petite_blue 2007/06/17
    三次元顔表情データベース等
  • ATR|株式会社 国際電気通信基礎技術研究所

    2024-03-19 ATRオープンハウス2024 日 時:10月 3日(木)・4日(金)10:00~17:00 場 所:ATR(京都府相楽郡精華町光台2-2-2) 形 式:リアル開催(講演はハイブリッド形式) 2024-09-02 ATR Talk Exchange'を開催します。 ATRの研究者が自身の研究をわかりやすく発表し、自由に意見を交換するミニ講演会。 発表者・参加者双方がアイディアやヒントを得る場として2015年より開催している分野横断社内イベントを社外に公開します。 日 時:2024年9月11(水) 14:00‐14:30 形 式:オンライン(Zoom) KGAP+(Keihanna Global Acceleration Program Plus)イベント

  • 最大エントロピーモデル - DO++

    自分の復習も含め、最大エントロピーモデルについて勉強会で発表しました。発表資料 [ppt] [pdf] 今年のACLやICMLなどでの発表などを解説してます。論文中になかった式導出とかもしてみてます。 発表中では結構口頭で補足した部分があって、この資料だけでは不十分だと思います。適宜引用先などを参照してください。 最大エントロピーモデルは高次元の確率分布推定に適していて自然言語処理や、最近だと動植物がどのように分布しているかなどの推定等、広い分野で使われている確率モデルです。 #修正+質問・回答スライドを追加しました

    最大エントロピーモデル - DO++
  • 凸最適化 - DO++

    凸最適化問題に触れる機会が多くなり、復習しています 凸最適についてはboydが有名ですが(なによりpdfがおいてある)、730pは読むのが大変です。講義用スライドが絵も多くおすすめです。 凸最適といえば、離散凸最適もちゃんとおさえときたいですが、よさそうなチュートリアルとかはないですかねぇ。 凸が縦に並ぶとおもしろいなぁ

    凸最適化 - DO++
  • potasiumchの日記 - 一枚の2次元画像から3次元形状を再構成

    Compute 3D shape and scene from a single image Feng Han, and Song-Chun Zhu 入力(2次元画像) ↓ 3次元再構成 入力(2次元画像) ↓ 3次元再構成 これはすごい。 ベイズ推定の枠組みで、prior knowledge として物の smoothness とか空間内での stability *1を置いてやって解空間を探索したらそれらしい3次元再構成が出来ましたと。 この論文では prior knowledge は人が与えているようだけど、基的に自然界で経験しうる感覚入力のデータをがんがん投入して prior knowledge を(データドリブンで)形成できるようにすれば、日常に出てくるような不良設定問題はだいたい解けるようになるのではないか。というか脳がやっていることというのは結局そういうことかな? もしそうなら

  • Hiki Error

    No such file or directory - /home/mzp/hiki_data//cache (Errno::ENOENT) /www/htdocs/person/mzp/hiki/hiki/config.rb:191:in `mkdir' /www/htdocs/person/mzp/hiki/hiki/config.rb:191:in `load' /www/htdocs/person/mzp/hiki/hiki/config.rb:17:in `initialize' /www/htdocs/person/mzp/hiki/hiki.cgi:20:in `new' /www/htdocs/person/mzp/hiki/hiki.cgi:20