论文部分内容阅读
Many computer graphics problems require computing geometric shapes subject to certain constraints.
Anderson Acceleration for Geometry Optimization and Physics Simulation
【摘 要】
：
Many computer graphics problems require computing geometric shapes subject to certain constraints.
【出 处】
：
2018计算机图形学与混合现实前沿研讨会
【发表日期】
：
2018年10期
其他文献
二十一世纪以来,随着信息全球化的发展和电子商务、社交网络等新兴网络应用的普及,各领域都出现了数据爆炸的现象.KPCB的报告显示,目前全球网民总数已达24亿,Facebook每天处理25亿条内容,超过500TB数据,而twitter每天产生2亿条信息.在国内,2013年中国产生的数据总量超过0.8ZB,是2012年的两倍,相当于2009年全球的数据总量.数据的爆炸式增长使得分布式文件系统逐渐代替本地
近年来随着云计算、大数据技术的飞速发展,人们对数据存储能力、计算能力的需求呈现爆炸式增长,依靠传统的存储系统已经完全不能满足要求.高效的存储和计算能力成为当下面临的挑战.因此大量的分布式存储系统应运而生逐渐成为主流的存储和计算平台,如：GFS、MooseFS、Ceph、GlusterFS等等,分布式存储系统在数据分布均衡和系统容错方面的发展已经相对成熟,然而存储和计算之间的性能差距不断的扩大,在面
Spark是类似于MapReduce的通用并行计算框架,它拥有MapReduce的所有优点.不同的是Spark将中间结果缓存到内存,减少了磁盘的读写次数,正因如此,Spark能更高效地支持迭代运算.虽然Spark的缓存策略提升了系统性能,但缓存中间数据会占用更多的内存空间,在内存受限时,这会造成数据在磁盘与内存之间大量的换入换出,反而降低系统性能.我们发现Spark缓存的中间数据通常存在很大的相似
随着智能设备以及社交网络的发展，移动设备(如智能手机、平板电脑等)已经成为了存储数据的一种重要方式。因此为了扩展移动设备的有限存储能力、以及保证数据的可靠性，基于远端存储介质的移动设备数据备份系统开始大量出现。通过分析当前的存储系统架构，我们发现当前的移动设备用户通常具有多种不同的远端存储备份服务选择，如邮箱、云盘等等，然而，由于移动设备面临着多变的网络环境，同时存储服务提供商之间的服务具备一定的
近年来，大量的智能手机、嵌入式设备、传感器节点等设备产生了海量的数据，相比于传统的数据处理方法，基于深度学习的卷积神经网络可以更加智能地分析和处理这些数据。然而，卷积神经网络在计算和存储方面都是十分密集的，这使得他们很难被部署到资源受限的系统中，从而也限制了它们的广泛应用。本文基于卷积神经网络的特点，首先对原始卷积神经网络进行裁剪，剪去不重要的连接，从而将密集的卷积神经网络模型转换成稀疏模型，在这
Correspondence between images is a fundamental problem in computer vision,with a variety of graphical applications.
会议
We propose the first deep learning approach for exemplar-based colorization.
会议
云存储系统采用虚拟化技术将分布于不同地域的计算机资源进行集中管理和分配,通过资源复用的方式,有效地提高资源利用率,也降低了软硬件维护代价.然而,资源复用导致了应用之间的相互干扰和竞争.遗憾的是,现有的分布式块存储系统对服务质量的控制与支持严重不足,特别是在资源需求量超出存储系统能力时,无法提供令人满意的服务质量,迫切地需要提出一种满足高效、稳定的存储服务质量解决方案.存储服务质量应从两个维度进行支
We present a learning-based method to control a coupled system involving both fluid and rigid bodies.
会议
We propose a novel approach,called Progressive Parameterizations,to compute foldover-free parameterizations with low isometric distortion on disk topology meshes.
会议