Zobrazeno 1 - 10
of 240
pro vyhledávání: '"Sosik, Heidi M."'
Autor:
Johnson, Leah, Siegel, David A., Thompson, Andrew F., Fields, Erik, Erickson, Zachary K., Cetinic, Ivona, Lee, Craig M., D'Asaro, Eric A., Nelson, Norman B., Omand, Melissa M., Sten, Michaela, Traylor, Shawnee, Nicholson, David P., Graff, Jason R., Steinberg, Deborah K., Sosik, Heidi M., Buesseler, Ken O., Brzezinski, Mark A., Ramos, Inia Soto, Carvalho, Filipa, Henson, Stephanie A.
Publikováno v:
In Progress in Oceanography January 2024 220
We propose a generative model for the spatio-temporal distribution of high dimensional categorical observations. These are commonly produced by robots equipped with an imaging sensor such as a camera, paired with an image classifier, potentially prod
Externí odkaz:
http://arxiv.org/abs/2003.12120
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Zhang, Weifeng (Gordon), Alatalo, Philip, Crockford, Taylor, Hirzel, Andrew J., Meyer, Meredith G., Oliver, Hilde, Peacock, Emily, Petitpas, Christian M., Sandwith, Zoe, Smith, Walker O., Jr., Sosik, Heidi M., Stanley, Rachel H.R., Stevens, Bethany L.F., Turner, Jefferson T., McGillicuddy, Dennis J., Jr.
Publikováno v:
In Progress in Oceanography January 2023 210
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.
Autor:
Wei, Jianwei, Wang, Menghua, Mikelsons, Karlis, Jiang, Lide, Kratzer, Susanne, Lee, Zhongping, Moore, Tim, Sosik, Heidi M., Van der Zande, Dimitry
Publikováno v:
In Remote Sensing of Environment 1 December 2022 282
In this work we develop and demonstrate a probabilistic generative model for phytoplankton communities. The proposed model takes counts of a set of phytoplankton taxa in a timeseries as its training data, and models communities by learning sparse co-
Externí odkaz:
http://arxiv.org/abs/1711.09013
Many interesting natural phenomena are sparsely distributed and discrete. Locating the hotspots of such sparsely distributed phenomena is often difficult because their density gradient is likely to be very noisy. We present a novel approach to this s
Externí odkaz:
http://arxiv.org/abs/1703.07309
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.