Spelling suggestions: "subject:"fandom fields"" "subject:"handom fields""
1 |
Statistical techniques for clutter removal and attentuation detection in weather radar dataFernandez-Duran, Juan Jose January 1998 (has links)
No description available.
|
2 |
Euler characteristics for Gaussian fields on manifoldsTaylor, Jonathon January 2001 (has links)
No description available.
|
3 |
Application of random field theory in mapping problems /Patias, Petros Georgios January 1987 (has links)
No description available.
|
4 |
Robust and efficient intrusion detection systems /Gupta, Kapil Kumar. January 2009 (has links)
Thesis (Ph.D.)--University of Melbourne, Dept. of Computer Science and Software Engineering, 2009. / Typescript. Includes bibliographical references (p. 131-146)
|
5 |
Digital rotoscoping using Markov random fieldsDrouin, Simon. January 1900 (has links)
Thesis (M.Sc.). / Written for the School of Computer Science. Title from title page of PDF (viewed 2009/06/23). Includes bibliographical references.
|
6 |
Application of random field models to the analysis of the cosmic microwave background /Jewell, Jeffrey B. January 2000 (has links)
Thesis (Ph. D.)--University of Chicago, Dept. of Astronomy and Astrophysics, August 2000. / Includes bibliographical references. Also available on the Internet.
|
7 |
Static and dynamic transport properties of 2D elastic random media /Wan, Yanyi. January 2007 (has links)
Thesis (M.Phil.)--Hong Kong University of Science and Technology, 2007. / Includes bibliographical references (leaves 49-51). Also available in electronic version.
|
8 |
Segmentation of natural texture images using a robust stochastic image modelKim, Kyu-Heon January 1996 (has links)
No description available.
|
9 |
Bayesian spatial inference from haemodynamic response parameters in functional magnetic resonance imagingKornak, John January 2000 (has links)
No description available.
|
10 |
Contributions to the estimation of probabilistic discriminative models: semi-supervised learning and feature selectionSokolovska, Nataliya 25 February 2010 (has links) (PDF)
Dans cette thèse nous étudions l'estimation de modèles probabilistes discriminants, surtout des aspects d'apprentissage semi-supervisé et de sélection de caractéristiques. Le but de l'apprentissage semi-supervisé est d'améliorer l'efficacité de l'apprentissage supervisé en utilisant des données non-étiquetées. Cet objectif est difficile à atteindre dans les cas des modèles discriminants. Les modèles probabilistes discriminants permettent de manipuler des représentations linguistiques riches, sous la forme de vecteurs de caractéristiques de très grande taille. Travailler en grande dimension pose des problèmes, en particulier computationnels, qui sont exacerbés dans le cadre de modèles de séquences tels que les champs aléatoires conditionnels (CRF). Notre contribution est double. Nous introduisons une méthode originale et simple pour intégrer des données non étiquetées dans une fonction objectif semi-supervisée. Nous démontrons alors que l'estimateur semi-supervisé correspondant est asymptotiquement optimal. Le cas de la régression logistique est illustré par des résultats d'expèriences. Dans cette étude, nous proposons un algorithme d'estimation pour les CRF qui réalise une sélection de modèle, par le truchement d'une pénalisation $L_1$. Nous présentons également les résultats d'expériences menées sur des tâches de traitement des langues (le chunking et la détection des entités nommées), en analysant les performances en généralisation et les caractéristiques sélectionnées. Nous proposons finalement diverses pistes pour améliorer l'efficacité computationelle de cette technique.
|
Page generated in 0.0505 seconds