多媒体进步

多媒体档案面临过量和降级的模拟媒体（例如，言语和乐曲和视频艺术）的问题。作为回应，该领域的研究人员最近开始学习特设历史模拟文档的保存和访问的工具。本文调查了录音录音的主动保存过程，专门关注可能的方法，用于补偿数字化过程中引入的均衡误差。如果验证纠正均衡过滤器的准确性，则档案论者或音乐学家将能够体验到历史上真实的文档中的音频，使得其聆听体验不需要恢复原始模拟音频文档或音频的重新计算。因此，我们进行了突变场灵感的感知测试（N = 14) containing 6 excerpts of electronic music (3 stimuli recorded NAB and 3 recorded CCIR). Participants listened to 6 different equalization filters for each stimulus and rated them in terms of similarity. Filters included a correctly digitized “Reference,” an intentionally incorrect “Foil” filter, and a subsequent digital correction of the Foil filter that was produced with a MATLAB script. When stimuli were collapsed according to their filter type (NAB or CCIR), no significant differences were observed between the Reference and MATLAB correction filters. As such, the digital correction appears to be a promising method for compensation of equalization errors although future study is recommended, specifically containing an increased sample size and additional correction filters for comparison.

在学习和推理知识图的过程中，现有的张量分解技术仅考虑知识图中实体之间的直接关系。但是，它忽略了知识图形的图形结构的特征。为了解决这个问题，本文提出了一种基于多跳关系路径学习（MHRP-Learning）和张量分解的知识图形推理算法。首先，采用MHRP学习来获得知识图中的实体对之间的关​​系路径。然后，执行张量分解以获得新颖的学习框架。最后，实验表明，该方法实现了先进的结果，适用于知识图形推理。

它已成为一个具有挑战性的研究课题，可以从大规模监控数据中准确识别过去的车辆。挑战是，图像中的车辆具有大的姿态，视角，光和其他变化，而这些复杂的变化将严重影响车辆识别性能。近年来，卷积神经网络（CNN）取得了巨大的成功，在车辆重新登封领域取得了巨大的成功。然而，由于车辆重新登封的数据集中的少量车辆注释，现有的CNN模型在训练过程中没有充分利用，这影响了识别深度学习模型的能力。为了解决上述问题，通过改进网络结构，提出了一种双通道对称CNN车辆识别算法。在该方法中，将两个样品同时被用作输入，其中每个样品具有互补特性。在这种情况下，利用有限的训练样本，输入的组合将更加多样化，CNN模型的训练过程将更加丰富。实验表明，所提出的算法的识别准确性优于其他现有方法，这进一步验证了本研究中提出的算法的有效性。

本文提出并评估了LFRWF，一种新的升降基础架构，用于使用分数小波滤波器（FRWF）计算图像的离散小波变换（DWT）。为了减少所提出的架构的内存要求，一次只读取一个图像线。除了带有乘数的LFRWF版本，即LFR 那我们开发乘数LFRWF版本，即LFR 那这将关键路径延迟（CPD）降低到延迟加法者。提议的LFR.和LFR.根据所需的添加剂，乘数，内存和具有最先进的DWT架构的关键路径延迟来比较架构。此外，提出的LFR和LFR.建筑，以及最先进的FRWF架构（乘数（FR） ）没有乘数（fr ）））通过在同一FPGA板上的实施进行比较。LFR.需要22％的查找表（LUT），34％的触发器（FF）和50％的计算周期（CC），消耗比FR的能量减少65％ 。另外，提出的LFR架构需要50％的CC，消耗比FR的能量减少43％ 。因此，所提出的LFR和LFR.架构看起来适用于在可穿戴传感器上计算图像的DWT。

本研究试图利用多元时间序列分析预测股票指数价格。该研究的动机是基于股票指数价格数据集的概念涉及弱周期模式，长期和短期信息，传统方法和当前的神经网络，如自回归模型和支持向量机（SVM）可能会失败。本研究应用了时间模式的关注和长期内存（TPA-LSTM）以进行预测以克服该问题。结果表明，通过TPA-LSTM算法预测股票指数价格可以实现对传统深度神经网络的更好的预测性能，例如经常性神经网络（RNN），卷积神经网络（CNN）和长期时间序列网络（LSTNET）。

对来自面部表情的人类情感的认识受到图形质量和面部姿势的扭曲的影响，这通常被传统视频情感识别方法忽视。另一方面，上下文信息还可以提供不同程度的额外线索，这可以进一步提高识别精度。在本文中，我们首先在视频（Heiv）中以七个类别的人类情感建立一个具有七个类别的人类情感的视频数据集。通过Heiv数据集，我们培训了一个上下文感受网络（CAAN）来识别人类的情绪。该网络由两个子网组成，用于处理面部和上下文信息。面部表情和上下文线索的特征融合以代表视频帧的情绪，然后将通过注意网络传递并产生情感分数。然后，所有帧的情感特征将根据他们的情绪分数汇总。实验结果表明，我们所提出的方法对Heiv数据集有效。