本文提出了一种可扩展且具有鲁棒性的张量分解算法，能够处理大规模张量数据的缺失值和异常值。该算法通过自适应填充缺失值和在分解过程中识别异常值的新颖自加权最速下降方法，结合张量环模型，采用快速 Gram 矩阵计算 (FGMC) 方法和随机子张量草图策略大大降低了存储和计算复杂度。实验结果表明，在存在异常值时，该方法优于现有的张量分解方法，并且比现有的强健张量完成算法运行速度更快。

May, 2023

通过利用时间特征，本文提出了一种基于时间能量选择缩放的检测方法，以及一种基于 3D Hough 变换的轨迹提取方法和轨迹基准的多目标跟踪方法，通过多个场景实验证明了这些方法的优越性。

May, 2024

本文介绍了两种基于随机投影的张量环分解算法。实验结果表明，这两种算法具有较高的压缩性，可应用于深度学习数据集压缩和高光谱图像重建等领域。

Jan, 2019

本文提出了一种基于贝叶斯方法和变分贝叶斯算法的鲁棒张量环分解（BRTR）方法，它可以避免对张量环模型排除选择或评价参数进行降阶，并自动检测 TR 等级，从而在鲁棒张量补全问题中实现更精确的解决方案。实验结果表明，BRTR 可以显著提高比其他先进方法的性能。

Feb, 2022

本文提出了一种基于采样的、使用杠杆分数样本交替最小二乘法的张量环分解计算方法，其中利用张量环张量的特殊结构，可高效地评估杠杆分数并获得复杂度次线性的方法，该方法在合成数据和真实数据实验中与现有方法相比具有显著加速效果，同时保持良好的准确性，提供了一个快速特征提取的示例。

Oct, 2020

本文介绍了一种基本的张量分解模型：张量环分解，它能够通过一系列低维张量核的圆形多线性乘积来代表高维张量，并能够实现循环维度置换不变性，同时与 TT 分解具有相似的广泛表示能力。文章通过四种不同的算法对潜在核的优化进行了讨论，并探究了 TR 模型的数学性质。最后，在综合数据集上的实验验证了不同算法的性能。

Jun, 2016

提出一种称为张量环表示的新型张量分解的网络结构，该结构采用低阶核张量的循环多线性乘积，通过低秩近似的方法来有效地学习张量环表示，可以在计算上更有效地执行基本操作，并且通过与现有的张量列网络相比实验结果表明，该模型更具表达能力和一致性信息。

May, 2017

提出了一种顺序检测和追踪（SDT）方法，用于检测和追踪信噪比极低的物体。通过与两种现有的粒子滤波器追踪之前追踪（TBD）方法进行比较，表明前者的表现优于后者。作为对比基准，考虑了基于单数据帧阈值的常规检测和追踪（CDT）方法。通过模拟实验展示了性能。

Dec, 2023

本文提出了异步事件跟踪（ETD）方法，基于异步视网膜事件以及自适应时间表面与线性时间衰减（ATSLTD）算法。该方法实现了在具有较高时间分辨率的情况下，对包围框对象的准确和高效跟踪。实验结果表明，相对于传统摄像头或事件相机的七种常用对象跟踪方法以及 ETD 的两种变体，该方法具有更好的处理能力。

Feb, 2020

本文介绍了一个名为 SCRDet++ 的目标检测算法，使用特征图的实例级去噪和增强旋转、交叉、边界的检测效果，并通过实验验证了其在多个数据集上的有效性。同时，本文还发布了一个新的交通信号灯数据集 S2TLD，包含 5,786 张图像和 14,130 个信号灯实例。

Apr, 2020