996 resultados para Musical genre classification
Resumo:
v.39:no.3(1978)
Resumo:
n.s. no.67(1992)
Resumo:
v.11:no.1(1947)
Resumo:
no.14
Resumo:
Un dels principals problemes de la interacció dels robots autònoms és el coneixement de l'escena. El reconeixement és fonamental per a solucionar aquest problema i permetre als robots interactuar en un escenari no controlat. En aquest document presentem una aplicació pràctica de la captura d'objectes, de la normalització i de la classificació de senyals triangulars i circulars. El sistema s'introdueix en el robot Aibo de Sony per a millorar-ne la interacció. La metodologia presentada s'ha comprobat en simulacions i problemes de categorització reals, com ara la classificació de senyals de trànsit, amb resultats molt prometedors.
Resumo:
"Vegeu el resum a l'inici del document del fitxer adjunt."
Resumo:
Comme d'autres institutions académiques européennes, les universités suisses connaissent des changements importants et « l'excellence académique » est devenu un critère central lors de la sélection des dossiers pour les postes de rang professoral. Dans cet article, nous analyserons les critères d'excellence tels qu'ils apparaissent dans le programme Professeur.e.s boursiers.ières du FNS et les confronterons aux résultats d'une recherche sur les trajectoires de la relève académique que nous avons menée à l'Université de Lausanne. Nous montrerons comment la définition de l'excellence académique obéit à des logiques genrées qui rendent l'accession à un poste professoral plus difficile pour les femmes que pour les hommes. Nous verrons pourquoi les critères d'évaluation des sciences dures, qui sont peu à peu transférés vers les sciences humaines, renforcent les mécanismes d'exclusions des femmes des mondes académiques.
Resumo:
This paper presents a semisupervised support vector machine (SVM) that integrates the information of both labeled and unlabeled pixels efficiently. Method's performance is illustrated in the relevant problem of very high resolution image classification of urban areas. The SVM is trained with the linear combination of two kernels: a base kernel working only with labeled examples is deformed by a likelihood kernel encoding similarities between labeled and unlabeled examples. Results obtained on very high resolution (VHR) multispectral and hyperspectral images show the relevance of the method in the context of urban image classification. Also, its simplicity and the few parameters involved make the method versatile and workable by unexperienced users.