Zobrazeno 1 - 10
of 41
pro vyhledávání: '"GAO Yuanjun"'
Autor:
Zhao, Shibo, Gao, Yuanjun, Wu, Tianhao, Singh, Damanpreet, Jiang, Rushan, Sun, Haoxiang, Sarawata, Mansi, Qiu, Yuheng, Whittaker, Warren, Higgins, Ian, Du, Yi, Su, Shaoshu, Xu, Can, Keller, John, Karhade, Jay, Nogueira, Lucas, Saha, Sourojit, Zhang, Ji, Wang, Wenshan, Wang, Chen, Scherer, Sebastian
Publikováno v:
IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle, WA, June 2024
Simultaneous localization and mapping (SLAM) is a fundamental task for numerous applications such as autonomous navigation and exploration. Despite many SLAM datasets have been released, current SLAM solutions still struggle to have sustained and res
Externí odkaz:
http://arxiv.org/abs/2307.07607
Publikováno v:
ECML 2020
The Hierarchical Dirichlet Process Hidden Markov Model (HDP-HMM) has been used widely as a natural Bayesian nonparametric extension of the classical Hidden Markov Model for learning from sequential and time-series data. A sticky extension of the HDP-
Externí odkaz:
http://arxiv.org/abs/2004.03019
Since 1973 the State Department has been using electronic records systems to preserve classified communications. Recently, approximately 1.9 million of these records from 1973-77 have been made available by the U.S. National Archives. While some of t
Externí odkaz:
http://arxiv.org/abs/1712.07319
Maximum entropy modeling is a flexible and popular framework for formulating statistical models given partial knowledge. In this paper, rather than the traditional method of optimizing over the continuous density directly, we learn a smooth and inver
Externí odkaz:
http://arxiv.org/abs/1701.03504
A body of recent work in modeling neural activity focuses on recovering low-dimensional latent features that capture the statistical structure of large-scale neural populations. Most such approaches have focused on linear generative models, where inf
Externí odkaz:
http://arxiv.org/abs/1605.08454
Publikováno v:
Storage & Process; 2024, Issue 8, p58-65, 8p
Autor:
Pnevmatikakis, Eftychios A., Gao, Yuanjun, Soudry, Daniel, Pfau, David, Lacefield, Clay, Poskanzer, Kira, Bruno, Randy, Yuste, Rafael, Paninski, Liam
We present a structured matrix factorization approach to analyzing calcium imaging recordings of large neuronal ensembles. Our goal is to simultaneously identify the locations of the neurons, demix spatially overlapping components, and denoise and de
Externí odkaz:
http://arxiv.org/abs/1409.2903
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.