Reimplement of "Cross-Field Joint Image Restoration via Scale Map" Qiong Yan, Xiaoyong Shen, Li Xu, Shaojie Zhuo, Xiaopeng Zhang, Liang Shen, Jiaya Jia IEEE International Conference on Computer Vision(ICCV), 2013

Forecasting Human-Object Interaction: Joint Prediction of Motor Attention and Actions in First Person Video ECCV 2020 task：anticipating human-object interaction in first person videos

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

联合状态估计器 卡尔曼滤波器，用于根据关节位置测量值估计关节速度和加速度。

WIAS深渊实验室仿生机器鱼Matlab联合仿真基础测试代码

The perfect balance of clarity and comprehensiveness—now more reader friendly and visually appealing than ever.,解压密码 share.weimo.info

ROS urdf模型 joint 位姿转换演示，主要为了测试和理解。

泊松分布MATLAB代码离散裂缝网络生成和采样代码-岩体联合网络模拟（RJNS） 它本质上是一个Matlab工具箱，由数十个作者编写的功能组成，在此工具箱中关节的位置，方向和大小彼此独立。 该位置即关节中心，遵循泊松分布。 定向可以是确定性的，也可以具有费希尔分布，而关节的大小可以是任何形式的分布。 请参考文档RJNS3D函数简介和测试.doc，以详细了解每个功能。 如果您使用了此Github存储库中列出的任何函数或算法，请引用以下论文，谢谢 金文成等。 “椭圆关节尺寸分布函数的解析表达式。” Int J Rock Mech Min Sci 70（2014）：201-211。 金文成等。 “在中国大同煤矿进行验证的椭圆形裂缝网络模型。” 环境地球科学73.11（2015）：7089-7101。 高明忠，等。 “使用来自多个钻Kong的数据进行裂缝尺寸估算。” 国际岩石力学与采矿科学杂志86（2016）：29-41。

笔记目录摘要1.简介2.相关工作3.方法3.1生成器模块3.2判别模块3.3优化4.实验4.1实验实现细节4.2生成评估4.3判别评估5.结论论文部分英文解释论文翻译参考 Joint Discriminative and Generative Learning for Person Re-identification arXiv:1904.07223v2 [cs.CV] 22 May 2019 注：限于作者水平，本笔记难免存在不妥之处，欢迎批评指正 摘要 以往的方法生成数据流程与判别性re-id学习阶段保持相对分离 本文则通过更好地利用生成的数据来寻求改进学习的re-id特征 提出了一个将re

JMbayes：贝叶斯方法下纵向和生存数据的联合模型 描述 该存储库包含R包JMbayes的源文件。 该软件包适用于使用MCMC的贝叶斯方法下的纵向数据和事件时间数据的联合模型。 这些模型主要适用于两种设置。 首先，当重点放在生存结果上时，我们希望说明误差测量的内源性（又称内部）时间相关协变量的影响。 其次，当重点放在纵向结果上时，我们希望纠正非随机辍学现象。 该软件包包含两个主要的联合模型拟合函数， jointModelBayes()和mvJointModelBayes() ，它们的语法相似，但功能不同。 基本功能jointModelBayes() 它可以拟合单个纵向结果和事件发生时间结果的联合模型。 用户可以使用参数densLong （默认值为正常pdf）为纵向响应指定自己的密度函数。 除其他外，这允许对具有分类和左删截纵向响应的联合模型以及具有Student-t误差项的鲁棒联合