Why So Serious?

传统IP路由协议中的流量工程 在这篇论文中，作者主要介绍了什么是流量工程，以及流量工程在网络中的应用。流量工程就是使路由适应网络状况，同时提供好的用户表现和高效的网路资源利用。作者在文中介绍了一种域内流量工程的优化方法，此方法可以在已部署的内部网关协议中应用，例如OSPF(Open Shortest Path First开放最短路径优先路由协议)和IS-IS(Intermediate

本文介绍了一个基于混合多尺度可变形部件模型(mixtures of multiscale deformable part model)的目标检测系统。此系统可以表示各种多变的目标并且在PASCAL目标检测挑战赛上达到了目前最优结果(state-of-the-art)。虽然可变形部件模型现在很流行，但它的价值并没有在类似PASCAL这种较难的测试集上进行展示。此系统依赖于使用未完全标注(partially labeled)的样本进行判别训练的新方法。我们提出了一种间隔敏感(margin-sensitive)的

我们研究了视觉目标检测的特征集问题，并用线性SVM方法进行人体检测来测试，通过与当前的基于边缘和梯度的描述子进行实验对比，得出方向梯度直方图(Histograms of Oriented Gradient,HOG)描述子在行人检测方面表现更加突出。我们研究了计算过程中每一阶段的影响，得出小尺度梯度(fine-scale gradients)、精细方向采样(fine orientation binning)、粗糙空域抽样(coarse spatial binning)以及重叠描述子块的局部对比度归一化(loc

本文介绍了一种用于目标检测的判别训练的多尺度可变形部件模型。我们的系统在平均精度上达到了2006 PASCAL 人体检测竞赛中最优结果的两倍，同样比2007 PASCAL目标检测比赛中20个类别中的10个的最优结果都要好。此系统非常依赖于可变形部件模型。随着可变形部件模型逐渐流行，它的价值并没有在类似PASCAL的较难的数据集上被展示。我们的系统还依赖于判别训练的新方法。我们将一种挖掘难例(Hard Negative Example)的间隔敏感方法与隐藏变量SVM(Latent variable SVM)结

VSAM可自动解析场景中的人和车，检测目标并按语义分类，如人、人群、车，以及在此基础上的行为分析，如走动、奔跑。利用VSAM，单个人即可监控复杂区域，跟踪多个人、车以及识别其活动。

本文提出了一种实时并且精准的人体检测架构C4。C4在目前最高精确度下可以达到20帧每秒的检测速度，并且是在只使用一个处理线程和不使用GPU等硬件的情况下达到的。能达到实时而精确的检测源于以下两点：第一，相邻像素差值的符号是描述轮廓的关键信息；第二，CENTRIST描述子非常适合做人体检测，因为它编码了符号信息并且可以隐式地表达全局轮廓。使用CENTRIST描述子和线性分类器，我们提出了一种不需要显式生成特征向量的计算方法，它不需要图像的预处理或特征向量的归一化，只需要O(1)时间去测试一个图片区域。C4也非

1 引言在将语义网技术由学术推广到商业环境的过程中，终端用户能否拥有充足的编辑工具是一个关键性条件。简单、灵活和直观的用户界面在此过程中占很重要的部分。当前的工具评估主要专注于语言明确问题(例如语言一致性)和技术准则(例如互操作的回转能力)，而在此文的剩余部分，我们将研究充分可视化、浏览导航和大型本体的简单编辑。当前，在编辑和浏览本体过程中，很多本体编辑器使用在功能上分离的两个界面。编辑界

CUBIC:一种新型高速TCP变种协议一、概述CUBIC是一种TCP（Transmission Control Protocol）拥塞控制协议，顾名思义，CUBIC可以理解为将传统TCP协议中的线性滑动窗口协议升级为三次的。这样一来，使得拥塞控制协议具有更大的可扩展性，尤其适合用在高速和长距离链路上。同时，CUBIC算法对于不同链路上的公平带宽分配以及窗口增减策略都有改进。CUBIC是一个

Internet是平面的：由传输层次模型向对等网的过度 本文的主要观点是因特网已开始由基于传输连接的层次结构向基于对等连接的稠密网转换，即开始向平面模型发展。此观点打破了传统的因特网模型概念，给人耳目一新的感觉，让人看到开头就有继续向下看的冲动。心里不禁冒出几个疑问，为什么作者说因特网开始向平面模型转换？平面模型有什么优点？实施起来又有什么难度和缺陷？它可以完全取代经典的层级模型吗？从

人体检测是机器人和智能系统中的重要问题。之前的研究工作使用摄像机和2D或3D测距器。本文中我们提出一种新的使用RGB-D的人体检测方法。我们从HOG( Histogram of OrientedGradients)描述子获得灵感，设计了一个在稠密深度数据中检测人体的方法，叫做深度方向直方图HOD(Histogram of Oriented Depths)。HOD对局部深度变化的方向进行编码，依靠在预知深度信息的尺度空间的搜索来获得检测过程的3倍加速。随后我们提出了Combo-HOD，一个联合了HOD和HOG