首页 > TAG信息列表 > spectral

Less is More: Reweighting Important Spectral Graph Features for Recommendation

目录概符号说明动机本文方法微调的方法其它细节代码 Peng S., Sugiyama K. and Mine T. Less is more: reweighting important spectral graph features for recommendation. In International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGI

【ENVI入门系列】16.基本光谱分析

版权声明:本教程涉及到的数据仅供练习使用,禁止用于商业用途。 目录 基本光谱分析     1.    概述     2.    详细操作步骤     2.1    标准波谱库与浏览     2.2    波谱库创建     2.3    高光谱地物识别     2.3.1    从标准波

数字地物波谱库共享网站汇总(2022年06月更新)

ENVI提供5种标准波谱库。包括: 建立在JPL波谱库基础上的,从0.4~2.5μm三种不同粒径160种“纯”矿物的波谱。 美国USGS从0.4~2.5μm包括近500种典型的矿物和一些植被波谱。 来自Johns Hopkins University(JHU)的波谱包含0.4~14μm。 IGCP246波谱库有5部分组成,通过对26个优质样品用5个

高光谱图像立方图的显示

高光谱图像立方图的显示 试了半天,最后这么写成功了: import scipy.io as sio import spectral import numpy as np import wx data = sio.loadmat('xxx.mat')['xxx'] # 两个xxx按需要换成自己的 vmax = data.max(axis=(0, 1)) vmin = data.min(axis=(0, 1)) vv = (data - vmi

三维点云的算法收集

谱聚类(spectral clustering) EM算法 高斯混合模型  最大近似然估计  PCA降维   奇异值分解SVD

Spectral Normalization 谱归一化-原理及实现

// 一、谱范数及其计算方法 见我的这篇blog 谱范数求解方法-奇异值分解&幂迭代法 // 二、谱归一化提出背景 谱归一化由论文《Spectral Normalization For Generative Adversarial Networks》论文链接 提出。 原生 GAN 的目标函数等价于优化生成数据的分布和真实数据的分布之间的

Spectral thm review

Bilinear forms: linear in both dimension. Symmetric form: \(\langle u,v \rangle = \langle v,u\rangle\); skew symmetric: \(\langle u,v \rangle = -\langle v,u\rangle\). Hermitian form: linear in second dimension, conjugate linear in first dimen

SSRN:Spectral-Spatial residual network for HSI classification

1.introduction 2.SSRN结构 2.1 3D-CNN & BN 输入数据是三维立方体数据:长、宽、深度(光谱带数) 2.2 光谱残差块 & 空间残差块 光谱残差块: 残差块包括两个连续的3D卷积层,然后在两个3D卷积层之间使用残差连接kernel_size = 1 * 1 * m,padding=(0 , 0 , 3) , stride = (1,1,1),相当于

Python Spectral.view_cube()卡死

今天尝试使用Spectral.view_cube()时,输出的超立方直接卡死  使用如下代码也无法正常运行 spectral.settings.WX_GL_DEPTH_SIZE=16  查了资料以后发现wxpython是python中的一个GUI框架,于是利用以前调试tkinter的bug办法进行尝试。 import spectral import numpy as np import

Colormap Possible values

Possible values are: Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r, Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, P

Spectral Sequence, My Homological Saw

Lecture Note SpecralSequences(draft).pdf I plan to post it to arXiv after revision.        Announcement for Chinese users:   

Electronics and Electroacoustics for Sound Engineering (EEASE)

The difference btw the noise and disturbance: noise 是一种随机的波动/扰动; dist 是确定性的, 有一定周期的. (下图黄色图例会随着dist周期类似于正弦波向右移动式的摆动)   那么如何measure the intensity of the noise呢? 通过求其RMS(root mean square均方根).   注: 分

plt.scatter用法

具体用法 方法 x,y——设置点的位置 s——点的大小 c——点的颜色 marker——点的形状 cmap——可以用来控制颜色渐变,具体用法,见例子http://blog.sina.com.cn/s/blog_c39df0460102xifx.html norm——亮度 vmin,vmax——标准化亮度 alpha——点的透明度,透明度设置的好能够使图

谱聚类(spectral clustering)

谱聚类(spectral clustering)是广泛使用的聚类算法,比起传统的K-Means算法,谱聚类对数据分布的适应性更强,聚类效果也很优秀,同时聚类的计算量也小很多,更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时,个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法

Paper Reading -- 《Spectral-Spatial Attention Networks for Hyperspectral Image Classification》

论文:《Spectral-Spatial Attention Networks for Hyperspectral Image Classification》 1. Motivation 在CNN和RNN中引入attention机制: RNN + attention:学习波谱内部相关性 CNN + attention:关注空间维的显著特征以及相邻像元的空间相关性 2. Structure of Model 总体思

《Batch Spectral Shrinkage for Safe Transfer Learning》论文解析

文章全名为《Catastrophic Forgetting Meets Negative Transfer:Batch Spectral Shrinkage for Safe Transfer Learning》 1、摘要 这篇文章主要针对模型的fine-tune问题进行优化。众所周知,在许多模型的训练中,使用预训练好的模型进行fine-tune可以使模型的训练更加容易且结果更

希尔伯特频谱算法Hilbert-Huang spectral analysis(matlab代码)

前段时间磕盐接触到了希尔伯特频谱,它是一种信号分解方法,1998年提出来的,主旨是把复杂信号分解为简单信号的加权和,就像傅里叶变换小波变换一样,但是他和傅里叶变换等方法的区别是他是纯粹时间域的分解,但是每个子信号却可以表示不同的频率成分,于是可以得到像小波变换那样的时频

Spectral Clustering

转自:http://blog.pluskid.org/?p=287,感谢分享! 如果说 K-means 和 GMM 这些聚类的方法是古代流行的算法的话,那么这次要讲的 Spectral Clustering 就可以算是现代流行的算法了,中文通常称为“谱聚类”。由于使用的矩阵的细微差别,谱聚类实际上可以说是一“类”算法。 Spectral C

谱聚类算法及其代码(Spectral Clustering)

https://blog.csdn.net/liu1194397014/article/details/52990015  https://blog.csdn.net/u011089523/article/details/78906286 待整理学习...

Ultra-Scalable Spectral Clustering and Ensemble Clustering

Ultra-Scalable Spectral Clustering and Ensemble Clustering 1.Abstract: 在U-SPEC中,针对稀疏相似子矩阵的构造,提出了一种混合代表选择策略和k -最近邻代表的快速逼近方法。将稀疏相似子矩阵解释为二部图,利用转移割对图进行有效分割,得到聚类结果: 在U-SENC中,多个U-SPEC聚类器被

Spectral Clustering

       Spectral Clustering(谱聚类)是一种基于图论的聚类方法,它能够识别任意形状的样本空间且收敛于全局最有解,其基本思想是利用样本数据的相似矩阵进行特征分解后得到的特征向量进行聚类,可见,它与样本feature无关而只与样本个数有关。 一、图的划分         图划分

Lipschitz constraint in deep learning

1. “稳健”模型:满足L约束 (1)对于参数扰动的稳定性 如模型与是否有相近的效果。 (2)对于输入扰动的稳定性 如与是否有相近的效果。 2. L约束: 当,。 存在某个常数C(与参数有关,与输入无关),使下式恒成立 其中,越小越好,意味着对输入扰动越不敏感。 3. 神经网络中的L约束: 单层全连接,为激活