35,788 research outputs found
Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) — Érudit, astronome, éducateur et mathématicien des Sui
No full textNotice biographique sur Liu Zhuo 劉焯 (544-610) (Shiyuan 士元), érudit, astronome, éducateur et mathématicien des Sui, à paraître dans Dictionnaire des individus et groupes humains dans la Chine du haut Moyen Âge, ed. François Martin et Damien Chaussende
Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui
No full textDaniel P. Morgan, « Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui », dans Dictionnaire biographique du haut Moyen Âge chinois, François Martin et Damien Chaussende (éd.), Paris, Les Belles Lettres, 2020, p. 326-328
Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui
No full textInternational audienceDaniel P. Morgan, « Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui », dans Dictionnaire biographique du haut Moyen Âge chinois, François Martin et Damien Chaussende (éd.), Paris, Les Belles Lettres, 2020, p. 326-328
Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui
No full textInternational audienceDaniel P. Morgan, « Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui », dans Dictionnaire biographique du haut Moyen Âge chinois, François Martin et Damien Chaussende (éd.), Paris, Les Belles Lettres, 2020, p. 326-328
Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui
No full textDaniel P. Morgan, « Liu Zhuo 劉焯 (544-610) (Shiyuan 士元) – Lettré confucéen, astronome, éducateur et mathématicien des Sui », dans Dictionnaire biographique du haut Moyen Âge chinois, François Martin et Damien Chaussende (éd.), Paris, Les Belles Lettres, 2020, p. 326-328
Liu Kang
No full textLiu Kang: Essays on Art and Culture is a testament to the inexorable passion of an artist who knew no boundaries. This collection of essays, which Liu Kang wrote over 44 years, offers an insight into the artist’s myriad interests as well as his contributions as a first generation Nanyang artist and art educator. Translated into English for this volume, Liu Kang’s essays are accompanied by commentaries and photographs of the artist-author and his subjects
Cretoneuronema gen. nov. (Neuroptera: Hemerobiidae), a new brown lacewing genus from the mid-Cretaceous Kachin amber
No full textLIU, XING-YUE, CHEN, ZU-LUAN, ZHUO, DE (2022): Cretoneuronema gen. nov. (Neuroptera: Hemerobiidae), a new brown lacewing genus from the mid-Cretaceous Kachin amber. Palaeoentomology 5 (3): 226-232, DOI: 10.11646/palaeoentomology.5.3.4, URL: http://dx.doi.org/10.11646/palaeoentomology.5.3.
Modeling and stability issues of voltage-source converter dominated power systems: A review
No full textWith the substantive increase in the proportion of voltage-source converter (VSC)-based equipment, traditional power systems that primarily constituted of synchronous generators (SGs) gradually evolved into VSC-dominated ones. At the same time, there is an urgent need for modeling and stability assessment of such systems, since low inertia and weak damping features impair the ability of the systems to resist random disturbances. Existing works model the system dynamic processes from various domains (i.e., time, frequency and energy), and analyze/determine the system stability under small or large disturbances. Among them, small-signal stability assessments mainly adopt the time-domain analysis based on the state-space model while frequency-domain methods include the impedance model, phase-amplitude dynamics model, and static synchronous generator model. Large-signal stability assessments mainly exploit the time-domain simulation with detailed models (i.e., continuous/discrete-time mixed model with differential-difference-algebraic equations), and the energy-domain analysis is based on energy function models. This paper presents a comprehensive review of existing modeling and stability analysis methods for VSC-dominated power systems, including their basic principles, key features, application scenarios and development tendencies. Key technical issues related to modeling and stability analysis are also summarized
Paikallisten binäärikuvioiden inspiroima tehokas syvä konvoluutioneuroverkko visuaalisten piirteiden oppimiseen
No full textAbstractIn the past decades, deep neural networks (DNNs) have revolutionized the computer vision community with their significant success in a wide range of computer vision tasks. Recent work has focused intensely on accuracy, which has resulted in a large number of huge and complex models designed in the community. However, with the ubiquitous use of edge devices like mobile phones, robots, and embedded systems, efficiency is gradually becoming more and more important for modern computer vision models. In computer vision, the quality of feature representation learning directly determines the quality of the whole machine learning model. The core challenge is to develop feature representation learning algorithms both effectively and efficiently.In this thesis, we put our efforts into the following matters to meet the challenge. On the one hand, we take the merit of traditional local binary pattern (LBP) descriptors of being computationally simple and efficient, and propose improvement in the learnability of LBP to extract more discriminative features. On the other hand, taking advantage of DNNs of high representational capacity, we target building compact DNN modules with less computational cost and model size. These two aspects are either separately developed or combined, and both are considered in this thesis.We start by extending traditional LBP to learnable descriptors, allowing the new descriptors to be learned from the data rather than handcrafted. Based on that, our model obtains a better trade-off than earlier LBP variants including distinctiveness, computational cost, and robustness. Next, we propose two novel types of convolutions that combine LBP and the convolution operation. The new convolutions enjoy the following benefits: capturing higher-order local differential information, being computationally efficient, and being able to be integrated well into existing DNNs. Then, we propose an efficient convolutional neural network (CNN) module that benefits from group convolution and dynamic execution. It shares the efficiency of the standard group convolution without losing representational ability. Finally, we develop a novel binary DNN module for robust point cloud analysis. The proposed point cloud models achieve both running efficiencies through network binarization and rotation invariance at the same time.Original papersOriginal papers are not included in the electronic version of the dissertation.Su, Z., Pietikäinen, M., & Liu, L. (2019). BIRD: Learning binary and illumination robust descriptor for face recognition. In 30th British Machine Visison Conference : BMVC 2019, 1–12.Self-archived versionSu, Z., Fang, L., Kang, W., Hu, D., Pietikäinen, M., & Liu, L. (2020). Dynamic group convolution for accelerating convolutional neural networks. In Computer Vision – ECCV 2020, 138–155. https://doi.org/10.1007/978-3-030-58539-6_9Self-archived versionSu, Z., Liu, W., Yu, Z., Hu, D., Liao, Q., Tian, Q., Pietikainen, M., & Liu, L. (2021). Pixel difference networks for efficient edge detection. In 2021 IEEE/CVF International Conference on Computer Vision (ICCV), 5097–5107. https://doi.org/10.1109/ICCV48922.2021.00507Self-archived versionSu, Z., Welling, M., Pietikäinen, M., & Liu, L. (2022). SVNet: Where SO(3) equivariance meets binarization on point cloud representation. In 2022 International Conference on 3D Vision (3DV), 547–556. https://doi.org/10.1109/3DV57658.2022.00084Self-archived versionSu, Z., Zhang, J., Wang, L., Zhang, H., Liu, Z., Pietikäinen, M., & Liu, L. (2023). Lightweight pixel difference networks for efficient visual representation learning. IEEE Transactions on Pattern Analysis and Machine Intelligence. Advance online publication. https://doi.org/10.1109/TPAMI.2023.3300513Su, Z., Müller, M., Wofk, D., Pietikäinen, M., & Liu, L. (2023). Spatial and temporal difference network for real-time salient object detection. Manuscript submitted for publication.TiivistelmäViime vuosikymmeninä syvät neuroverkot ovat mullistaneet konenäköä suurella menestyksellä useissa eri tehtävissä. Viimeaikaisin tutkimus on keskittynyt menetelmien tarkkuuteen, mikä on johtanut suuren määrään valtavan kokoisia ja kompleksisia malleja. Kaikella läsnä olevalla tekniikalla, kuten puhelimilla, roboteilla ja sulautetuilla järjestelmillä konenäkö on kasvavassa määrin tärkeämpää ja täten mallien tehokkuus on myös tärkeämpää. Konenäössä piirteiden oppiminen määrittää suoraan koko konenäkö mallin laadun. Keskeinen haaste on kehittää piirteiden oppimisalgoritmeja tehokkaasti.Tässä väitöskirjassa esitetään seuraavia ratkaisuja mallien tehokkuuden ongelmaan. Ensiksi parannetaan laskennallisesti tehokasta ja yksinkertaista paikallista binäärikuva -menetelmää lisäämällä sen piirteiden määrää. Toiseksi hyödynnetään suurta neuroverkkojen piirteiden kapasiteettia kehittämällä laskennallisesti tehokkaampia ja pienempiä moduuleja. Kumpiakin tekniikkoja käytetään erikseen ja yhdessä tässä väitöskirjassa.Perinteisestä paikallisesta binäärikuvio -menetelmästä tehdään oppiva, jolloin uusia piirteitä voidaan oppia datasta, sen sijaan että ne määriteltäisiin algoritmillisesti. Uusi kehitetty oppiva versio on laskennallisesti tehokkaampi, robustimpi ja erottelevaisempi. Seuraavaksi esitellään tekniikka, joka yhdistää paikallisen binäärikuvion ja konvoluution. Kehitetty konvoluutio pystyy irrottamaan korkeamman asteen paikallista informaatiota, se on laskennallisesti tehokas ja se voidaan integroida olemassa oleviin neuroverkkoihin vaivattomasti. Sen jälkeen esitellään konvoluutioneuroverkon moduuli, joka käyttää hyväkseen ryhmäkonvoluutiota ja dynaamista suoritusta. Moduuli pitää normaalin konvoluution piirteidenirrotus kyvyn ollen kuitenkin yhtä tehokas ryhmäkonvoluution kanssa laskennallisesti. Lopuksi esitetään binäärineuroverkko moduuli robustiin pistepilven analyysiin. Kehitetty moduuli parantaa laskennallista tehokkuutta hyödyntämällä sekä binarisointia että pyörimis-invarianttia konvoluutiota.OsajulkaisutOsajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.Su, Z., Pietikäinen, M., & Liu, L. (2019). BIRD: Learning binary and illumination robust descriptor for face recognition. In 30th British Machine Visison Conference : BMVC 2019, 1–12.Rinnakkaistallennettu versioSu, Z., Fang, L., Kang, W., Hu, D., Pietikäinen, M., & Liu, L. (2020). Dynamic group convolution for accelerating convolutional neural networks. In Computer Vision – ECCV 2020, 138–155. https://doi.org/10.1007/978-3-030-58539-6_9Rinnakkaistallennettu versioSu, Z., Liu, W., Yu, Z., Hu, D., Liao, Q., Tian, Q., Pietikainen, M., & Liu, L. (2021). Pixel difference networks for efficient edge detection. In 2021 IEEE/CVF International Conference on Computer Vision (ICCV), 5097–5107. https://doi.org/10.1109/ICCV48922.2021.00507Rinnakkaistallennettu versioSu, Z., Welling, M., Pietikäinen, M., & Liu, L. (2022). SVNet: Where SO(3) equivariance meets binarization on point cloud representation. In 2022 International Conference on 3D Vision (3DV), 547–556. https://doi.org/10.1109/3DV57658.2022.00084Rinnakkaistallennettu versioSu, Z., Zhang, J., Wang, L., Zhang, H., Liu, Z., Pietikäinen, M., & Liu, L. (2023). Lightweight pixel difference networks for efficient visual representation learning. IEEE Transactions on Pattern Analysis and Machine Intelligence. Advance online publication. https://doi.org/10.1109/TPAMI.2023.3300513Su, Z., Müller, M., Wofk, D., Pietikäinen, M., & Liu, L. (2023). Spatial and temporal difference network for real-time salient object detection. Manuscript submitted for publication.Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Information Technology and Electrical Engineering of the University of Oulu for public defence in the OP auditorium (L10), Linnanmaa, on 16 October 2023, at 12 noonAbstract
In the past decades, deep neural networks (DNNs) have revolutionized the computer vision community with their significant success in a wide range of computer vision tasks. Recent work has focused intensely on accuracy, which has resulted in a large number of huge and complex models designed in the community. However, with the ubiquitous use of edge devices like mobile phones, robots, and embedded systems, efficiency is gradually becoming more and more important for modern computer vision models. In computer vision, the quality of feature representation learning directly determines the quality of the whole machine learning model. The core challenge is to develop feature representation learning algorithms both effectively and efficiently.
In this thesis, we put our efforts into the following matters to meet the challenge. On the one hand, we take the merit of traditional local binary pattern (LBP) descriptors of being computationally simple and efficient, and propose improvement in the learnability of LBP to extract more discriminative features. On the other hand, taking advantage of DNNs of high representational capacity, we target building compact DNN modules with less computational cost and model size. These two aspects are either separately developed or combined, and both are considered in this thesis.
We start by extending traditional LBP to learnable descriptors, allowing the new descriptors to be learned from the data rather than handcrafted. Based on that, our model obtains a better trade-off than earlier LBP variants including distinctiveness, computational cost, and robustness. Next, we propose two novel types of convolutions that combine LBP and the convolution operation. The new convolutions enjoy the following benefits: capturing higher-order local differential information, being computationally efficient, and being able to be integrated well into existing DNNs. Then, we propose an efficient convolutional neural network (CNN) module that benefits from group convolution and dynamic execution. It shares the efficiency of the standard group convolution without losing representational ability. Finally, we develop a novel binary DNN module for robust point cloud analysis. The proposed point cloud models achieve both running efficiencies through network binarization and rotation invariance at the same time.Tiivistelmä
Viime vuosikymmeninä syvät neuroverkot ovat mullistaneet konenäköä suurella menestyksellä useissa eri tehtävissä. Viimeaikaisin tutkimus on keskittynyt menetelmien tarkkuuteen, mikä on johtanut suuren määrään valtavan kokoisia ja kompleksisia malleja. Kaikella läsnä olevalla tekniikalla, kuten puhelimilla, roboteilla ja sulautetuilla järjestelmillä konenäkö on kasvavassa määrin tärkeämpää ja täten mallien tehokkuus on myös tärkeämpää. Konenäössä piirteiden oppiminen määrittää suoraan koko konenäkö mallin laadun. Keskeinen haaste on kehittää piirteiden oppimisalgoritmeja tehokkaasti.
Tässä väitöskirjassa esitetään seuraavia ratkaisuja mallien tehokkuuden ongelmaan. Ensiksi parannetaan laskennallisesti tehokasta ja yksinkertaista paikallista binäärikuva -menetelmää lisäämällä sen piirteiden määrää. Toiseksi hyödynnetään suurta neuroverkkojen piirteiden kapasiteettia kehittämällä laskennallisesti tehokkaampia ja pienempiä moduuleja. Kumpiakin tekniikkoja käytetään erikseen ja yhdessä tässä väitöskirjassa.
Perinteisestä paikallisesta binäärikuvio -menetelmästä tehdään oppiva, jolloin uusia piirteitä voidaan oppia datasta, sen sijaan että ne määriteltäisiin algoritmillisesti. Uusi kehitetty oppiva versio on laskennallisesti tehokkaampi, robustimpi ja erottelevaisempi. Seuraavaksi esitellään tekniikka, joka yhdistää paikallisen binäärikuvion ja konvoluution. Kehitetty konvoluutio pystyy irrottamaan korkeamman asteen paikallista informaatiota, se on laskennallisesti tehokas ja se voidaan integroida olemassa oleviin neuroverkkoihin vaivattomasti. Sen jälkeen esitellään konvoluutioneuroverkon moduuli, joka käyttää hyväkseen ryhmäkonvoluutiota ja dynaamista suoritusta. Moduuli pitää normaalin konvoluution piirteidenirrotus kyvyn ollen kuitenkin yhtä tehokas ryhmäkonvoluution kanssa laskennallisesti. Lopuksi esitetään binäärineuroverkko moduuli robustiin pistepilven analyysiin. Kehitetty moduuli parantaa laskennallista tehokkuutta hyödyntämällä sekä binarisointia että pyörimis-invarianttia konvoluutiota
Development of fast simulation models for photovoltaic generation system based on Simulink
No full textIn this paper, a detailed mathematical presentation of Photovoltaic (PV) generation system, as well as its simulation model based on MATLAB / Simulink is established first. Its inverter-based simplified models, i.e. the switching-function equivalent model and average model, are simulated and compared quantitatively from different aspects. Simulation results reveal that the switching-function equivalent model, with high accuracy in representing steady-state and transient behaviors, is suitable for the Hardware-in-the-loop (HiL) applications. A novel phasor simulation model of PV system, which exploits the phasor presentation of three-phase power systems and thus significantly improves the simulation speed, is proposed. The validity and utility of the proposed phasor model are assessed by comparing the steady-state performance with the detailed model. Finally, it is shown how this model can be effectively used in the fast analysis of power flow and electromagnetic transient behavior of PV system
- …
