中文版 | English

在结果中检索

CASIA OpenIR

浏览/检索结果: 共5条，第1-5条 帮助

限定条件    
已选(0)清除 条数/页：   排序方式：
Moving Object Detection Using Tensor-Based Low-Rank and Saliently Fused-Sparse Decomposition 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2017, 卷号: 26, 期号: 2, 页码: 724-737
作者:  Hu, Wenrui;  Yang, Yehui;  Zhang, Wensheng;  Xie, Yuan
浏览  |  Adobe PDF(13016Kb)  |  收藏  |  浏览/下载：504/197  |  提交时间：2017/09/12
Moving Object Detection  Tensor Nuclear Norm  Tensor Total Variation  Space-time Visual Saliency  
A Nonlocal TV-Based Variational Method for PolSAR Data Speckle Reduction 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2016, 卷号: 25, 期号: 6, 页码: 2620-2634
作者:  Nie, Xiangli;  Qiao, Hong;  Zhang, Bo;  Huang, Xiayuan
浏览  |  Adobe PDF(5355Kb)  |  收藏  |  浏览/下载：477/174  |  提交时间：2016/10/20
Polarimetric Synthetic Aperture Radar (Polsar)  Speckle Reduction  Nonlocal Total Variation (Nltv)  Complex Wishart Distribution  Conjugate Function  Variational Model  
Cross-Modal Subspace Learning via Pairwise Constraints 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2015, 卷号: 24, 期号: 12, 页码: 5543-5556
作者:  Ran He(赫然);  Man Zhang;  Liang Wang;  Ye Ji;  Qiyue Yin;  Ji, Ye
浏览  |  Adobe PDF(2205Kb)  |  收藏  |  浏览/下载：418/114  |  提交时间：2016/01/18
Multi Modal  Pairwise Constraint  Subspace Clustering  
A Variational Model for PolSAR Data Speckle Reduction Based on the Wishart Distribution 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2015, 卷号: 24, 期号: 4, 页码: 1209-1222
作者:  Nie, Xiangli;  Qiao, Hong;  Zhang, Bo;  Bo Zhang
浏览  |  Adobe PDF(4732Kb)  |  收藏  |  浏览/下载：373/86  |  提交时间：2015/09/18
Polarimetric Synthetic Aperture Radar (Polsar)  Speckle Reduction  Multi-channel Total Variation  Complex Wishart Distribution  Variational Model  
Robust Principal Component Analysis Based on Maximum Correntropy Criterion 期刊论文
IEEE TRANSACTIONS ON IMAGE PROCESSING, 2011, 卷号: 20, 期号: 6, 页码: 1485-1494
作者:  Ran He(赫然);  Baogang Hu;  Weishi Zheng;  Xiangwei Kong;  He, Ran
浏览  |  Adobe PDF(1139Kb)  |  收藏  |  浏览/下载：400/184  |  提交时间：2015/08/12
Correntropy  Half-quadratic Optimization  Principal Component Analysis (Pca)  Robust