Contraction tensorielleEn algèbre multilinéaire, la contraction est un procédé de calcul sur les tenseurs faisant intervenir la dualité. En coordonnées elle se représente de façon très simple en utilisant les notations d'Einstein et consiste à faire une somme sur un indice muet. Il est possible de contracter un tenseur unique de rang p en un tenseur de rang p-2, par exemple en calculant la trace d'une matrice. Il est possible également de contracter deux tenseurs, ce qui généralise la notion de produit matriciel.
Ricci decompositionIn the mathematical fields of Riemannian and pseudo-Riemannian geometry, the Ricci decomposition is a way of breaking up the Riemann curvature tensor of a Riemannian or pseudo-Riemannian manifold into pieces with special algebraic properties. This decomposition is of fundamental importance in Riemannian and pseudo-Riemannian geometry. Let (M,g) be a Riemannian or pseudo-Riemannian n-manifold. Consider its Riemann curvature, as a (0,4)-tensor field.
Learning to rankLearning to rank or machine-learned ranking (MLR) is the application of machine learning, typically supervised, semi-supervised or reinforcement learning, in the construction of ranking models for information retrieval systems. Training data consists of lists of items with some partial order specified between items in each list. This order is typically induced by giving a numerical or ordinal score or a binary judgment (e.g. "relevant" or "not relevant") for each item.
Feature (machine learning)In machine learning and pattern recognition, a feature is an individual measurable property or characteristic of a phenomenon. Choosing informative, discriminating and independent features is a crucial element of effective algorithms in pattern recognition, classification and regression. Features are usually numeric, but structural features such as strings and graphs are used in syntactic pattern recognition. The concept of "feature" is related to that of explanatory variable used in statistical techniques such as linear regression.
Tenseur symétriqueUn tenseur d'ordre 2 est dit symétrique si la forme bilinéaire associée est symétrique. Un tenseur d'ordre 2 étant défini par rapport à un certain espace vectoriel, on peut y choisir des vecteurs de base et le tenseur est alors représenté par une matrice de composantes . Une définition équivalente à la précédente consiste à dire que la matrice est symétrique, c'est-à-dire que : pour tout couple d'indices i et j, car cette propriété reste inchangée si l'on change de base.
Produit de convolutionEn mathématiques, le produit de convolution est un opérateur bilinéaire et un produit commutatif, généralement noté « ∗ », qui, à deux fonctions f et g sur un même domaine infini, fait correspondre une autre fonction « f ∗ g » sur ce domaine, qui en tout point de celui-ci est égale à l'intégrale sur l'entièreté du domaine (ou la somme si celui-ci est discret) d'une des deux fonctions autour de ce point, pondérée par l'autre fonction autour de l'origine — les deux fonctions étant parcourues en sens contraire
Tenseur électromagnétiqueLe tenseur électromagnétique, ou tenseur de Maxwell est le nom de l'objet mathématique décrivant la structure du champ électromagnétique en un point donné. Le tenseur électromagnétique est aussi connu comme : le tenseur d'intensité du champ électromagnétique ; le tenseur du champ magnétique ; le tenseur de Maxwell ; le tenseur de Faraday. Ce tenseur est défini dans le cadre du formalisme mathématique de la relativité restreinte, où aux trois dimensions spatiales est adjointe une dimension temporelle.
Lasso (statistiques)En statistiques, le lasso est une méthode de contraction des coefficients de la régression développée par Robert Tibshirani dans un article publié en 1996 intitulé Regression shrinkage and selection via the lasso. Le nom est un acronyme anglais : Least Absolute Shrinkage and Selection Operator. Bien que cette méthode fut utilisée à l'origine pour des modèles utilisant l'estimateur usuel des moindres carrés, la pénalisation lasso s'étend facilement à de nombreux modèles statistiques tels que les modèles linéaires généralisés, les modèles à risque proportionnel, et les M-estimateurs.
Analogue filterAnalogue filters are a basic building block of signal processing much used in electronics. Amongst their many applications are the separation of an audio signal before application to bass, mid-range, and tweeter loudspeakers; the combining and later separation of multiple telephone conversations onto a single channel; the selection of a chosen radio station in a radio receiver and rejection of others.
Noyau (traitement d'image)En , un noyau, une matrice de convolution ou un masque est une petite matrice utilisée pour le floutage, l'amélioration de la netteté de l'image, le gaufrage, la détection de contours, et d'autres. Tout cela est accompli en faisant une convolution entre le noyau et l'. Suivant les valeurs, un noyau peut avoir un grand nombre d'effets. Ce sont juste quelques exemples montrant les effets des noyaux de convolutions sur les images. L'origine est la position du noyau qui est au-dessus (conceptuellement) du pixel courant.
Pose (computer vision)In the fields of computing and computer vision, pose (or spatial pose) represents the position and orientation of an object, usually in three dimensions. Poses are often stored internally as transformation matrices. The term “pose” is largely synonymous with the term “transform”, but a transform may often include scale, whereas pose does not. In computer vision, the pose of an object is often estimated from camera input by the process of pose estimation.
Filtre médianLe filtre médian est un filtre numérique non linéaire, souvent utilisé pour la réduction de bruit. La réduction de bruit est une étape de prétraitement classique visant à améliorer les résultats de traitements futurs (détection de bords par exemple). La technique de filtre médian est largement utilisée en numériques car il permet sous certaines conditions de réduire le bruit tout en conservant les contours de l'image. L'idée principale du filtre médian est de remplacer chaque entrée par la valeur médiane de son voisinage.
