基于改进ResNeSt的头部姿态估计方法

针对单目RGB图像进行头部姿态估计精度不高的问题,提出了一种具有尺度平移不变性的改进ResNeSt方法。该方法以卷积神经网络ResNeSt作为主干网络;为增强卷积网络对尺度平移的鲁棒性,参考传统图像处理方法,集成模糊滤波器于卷积网络降采样过程;最后引入多任务学习,将网络提取的特征图输出到混合角度分类分支,提升卷积网络分类精度。在公开数据集验证,结果表明,提出方法的头部姿态估计误差降低了18%,且在CPU上检测速度为0.075秒/张,具备较好的实时检测性能。

金融市场中极值指标的多步估计

建立极值指标的多步估计,通过模拟研究和金融市场中的实证研究表明多步估计和常见的极大似然估计非常接近,可以取代极大似然估计进行计算,同时又可以利用观测值数据直接计算,其计算量小,更容易应用到实践中去。在第一步估计中若选择了具有平移尺度不变性的估计,如Pickands估计,那么迭代得到的极值指标的多步估计仍然具有平移尺度不变性。