人脸对齐经典文章ESR，加中文注释版，关键点有三个：两级回归模型，形状索引特征和基于相关性的特征选择，弱回归器采用随机fern

UKF在惯性导航初始对准中的应用。惯性器件的模拟，以及失准角的估计

Face Alignment by Explicit Shape Regression原文及译文

sdm matlab代码用于面部对齐的SDM 这是Xiong和De La Torre（）提出的我的监督下降方法（SDM）的MATLAB实现，用于面部对齐。 在300W数据集上使用49个点（没有下颌点）训练了包含的模型。 培训代码包含在lib目录中。 培训应该是一个相当简单的过程。 培训功能包括： SDMInitModel-分配新的SDM模型 SDMAddDataMemoryFrugal *-这些功能以有效的内存方式收集训练和验证数据，以进行训练和参数选择。 SDMSolve-解决回归问题 SDMLayerXval-通过黄金搜索执行参数选择（用于选择正则化器） SDMFinalizeLayer-将最终的回归变量添加到SDM模型中。 查看这些功能以获取有关模型结构以及如何提供形状模型（平均形状）的详细信息。 运行代码 没有外部依赖关系或mex函数。 运行“ runDemo.m”应产生适合的示例。 执照 此代码不得用于商业目的。 该代码可自由用于个人，学术和研究目的。 但是，我们要求任何文件在重新分发时均保留我们的版权声明。 该软件按``原样''提供，不提供任何担保或保证。 我们对由此造成的

Sortmerna SortMeRNA是用于过滤，定位和聚类的本地序列比对工具。 核心算法基于近似种子，可以对NGS读数进行敏感分析。 SortMeRNA的主要应用是从转录组数据中过滤rRNA。 SortMeRNA将读取（fasta，fastq，fasta.gz，fastq.gz）和一个或多个rRNA数据库文件作为输入文件，并将对齐和拒绝的读取分为两个文件。 其他应用程序包括可通过获得的聚类和分类分配。 SortMeRNA可处理Illumina，Ion Torrent和PacBio数据，并可产生SAM和BLAST样的比对。 目录 入门 SortMeRNA 4可以在Linux和Windows

MMEA：多模态知识图的实体对齐 在第13届知识科学，工程与管理国际会议（KSEM'2020）上发表的论文“ ”的模型代码和数据集。 实体对齐在知识图（KG）集成中起着至关重要的作用。 尽管已经在探索不同知识图之间的关系嵌入的关联上进行了大量的努力，但是它们可能无法在实际应用场景中有效地描述和集成多模式知识。 为此，在本文中，我们提出了一种新颖的解决方案，称为多模式实体对齐（MMEA），以解决多模式视图中的实体对齐问题。 具体来说，我们首先设计一种新颖的多模式知识嵌入方法，以分别生成关系知识，视觉知识和数字知识的实体表示。 沿着这条路线，将通过多模式知识融合模块集成不同类型知识的多种表示形式。 在两个公共数据集上进行的大量实验清楚地表明，与最新方法相比，MMEA模型的有效性有了很大的提高。 数据集 来自论文“ ”的三个具有关系，数值和视觉知识的公共多模，即FB15k，DB15k和Y

This is the reference implementation for Sparse-Compositional Regression based face landmark alignment. This implementation is not designed to be fast, it is merely for training and basic testing. A fast implementation (for online fitting), written in C++ will be added soon. The included model is trained on the 300W dataset using 49 points (no jaw points).

interference alignment干扰对齐

汉语音频文本对齐（Forced Alignment）-MFA

One Millisecond Face Alignment with an Ensemble of Regression Trees.pdf