Zobrazeno 1 - 10
of 17
pro vyhledávání: '"Jegorova, Marija"'
This work focuses on the apparent emotional reaction recognition (AERR) from the video-only input, conducted in a self-supervised fashion. The network is first pre-trained on different self-supervised pretext tasks and later fine-tuned on the downstr
Externí odkaz:
http://arxiv.org/abs/2210.11341
Autor:
Jegorova, Marija, Kaul, Chaitanya, Mayor, Charlie, O'Neil, Alison Q., Weir, Alexander, Murray-Smith, Roderick, Tsaftaris, Sotirios A.
Leakage of data from publicly available Machine Learning (ML) models is an area of growing significance as commercial and government applications of ML can draw on multiple sources of data, potentially including users' and clients' sensitive data. We
Externí odkaz:
http://arxiv.org/abs/2107.01614
Publikováno v:
IEEE OCEANS2020
Due to the expensive nature of field data gathering, the lack of training data often limits the performance of Automatic Target Recognition (ATR) systems. This problem is often addressed with domain adaptation techniques, however the currently existi
Externí odkaz:
http://arxiv.org/abs/2009.07560
Dynamic System Identification approaches usually heavily rely on the evolutionary and gradient-based optimisation techniques to produce optimal excitation trajectories for determining the physical parameters of robot platforms. Current optimisation t
Externí odkaz:
http://arxiv.org/abs/2003.01190
In this paper we present a novel simulation technique for generating high quality images of any predefined resolution. This method can be used to synthesize sonar scans of size equivalent to those collected during a full-length mission, with across t
Externí odkaz:
http://arxiv.org/abs/2003.01063
Deployment and operation of autonomous underwater vehicles is expensive and time-consuming. High-quality realistic sonar data simulation could be of benefit to multiple applications, including training of human operators for post-mission analysis, as
Externí odkaz:
http://arxiv.org/abs/1910.06750
Publikováno v:
2019 Joint IEEE 9th International Conference on Development and Learning and Epigenetic Robotics (ICDL-EpiRob)
Learning algorithms are enabling robots to solve increasingly challenging real-world tasks. These approaches often rely on demonstrations and reproduce the behavior shown. Unexpected changes in the environment may require using different behaviors to
Externí odkaz:
http://arxiv.org/abs/1811.02945
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.