Klasyczne metody przetwarzania i analizy sygnałów wielowymiarowych - takich jak kolorowe wideo oraz obrazy hyperspektralne - nie wykorzystują pełnych informacji zawartych w ich wewnętrznych czynnikach. Z drugiej strony, niedawno opracowane metody oparte na tensorach pozwalają na reprezentację i analizę danych, które bezpośrednio dotyczą wielofunkcyjności danych. Przykłady można znaleźć w wielu zastosowaniach, takich jak rozpoznawanie twarzy, synteza obrazów, analiza wideo, systemy nadzoru, sieci czujników, analiza strumienia danych, analiza danych marketingowych i medycznych, aby wymienić tylko kilka.

Dyskusja będzie skupiona na prezentacji podstawowych pomysłów, a także ostatnich osiągnięć, w dziedzinie przetwarzania sygnałów opartych na tensorze. Przedstawione zostanie systematyczne przedstawienie reprezentacji danych tensorów, dekompozycja tensorów, a także rozpoznawanie wzorców z tensorami. Omówione zostaną również praktyczne aspekty i kwestie implementacji tensorów.

Klasyczne metody przetwarzania i analizy sygnałów wielowymiarowych - takich jak kolorowe wideo oraz obrazy hyperspektralne - nie wykorzystują pełnych informacji zawartych w ich wewnętrznych czynnikach. Z drugiej strony, niedawno opracowane metody oparte na tensorach pozwalają na reprezentację i analizę danych, które bezpośrednio dotyczą wielofunkcyjności danych. Przykłady można znaleźć w wielu zastosowaniach, takich jak rozpoznawanie twarzy, synteza obrazów, analiza wideo, systemy nadzoru, sieci czujników, analiza strumienia danych, analiza danych marketingowych i medycznych, aby wymienić tylko kilka.

Dyskusja będzie skupiona na prezentacji podstawowych pomysłów, a także ostatnich osiągnięć, w dziedzinie przetwarzania sygnałów opartych na tensorze. Przedstawione zostanie systematyczne przedstawienie reprezentacji danych tensorów, dekompozycja tensorów, a także rozpoznawanie wzorców z tensorami. Omówione zostaną również praktyczne aspekty i kwestie implementacji tensorów.

Klasyczne metody przetwarzania i analizy sygnałów wielowymiarowych - takich jak kolorowe wideo oraz obrazy hyperspektralne - nie wykorzystują pełnych informacji zawartych w ich wewnętrznych czynnikach. Z drugiej strony, niedawno opracowane metody oparte na tensorach pozwalają na reprezentację i analizę danych, które bezpośrednio dotyczą wielofunkcyjności danych. Przykłady można znaleźć w wielu zastosowaniach, takich jak rozpoznawanie twarzy, synteza obrazów, analiza wideo, systemy nadzoru, sieci czujników, analiza strumienia danych, analiza danych marketingowych i medycznych, aby wymienić tylko kilka.

Dyskusja będzie skupiona na prezentacji podstawowych pomysłów, a także ostatnich osiągnięć, w dziedzinie przetwarzania sygnałów opartych na tensorze. Przedstawione zostanie systematyczne przedstawienie reprezentacji danych tensorów, dekompozycja tensorów, a także rozpoznawanie wzorców z tensorami. Omówione zostaną również praktyczne aspekty i kwestie implementacji tensorów.

Klasyczne metody przetwarzania i analizy sygnałów wielowymiarowych - takich jak kolorowe wideo oraz obrazy hyperspektralne - nie wykorzystują pełnych informacji zawartych w ich wewnętrznych czynnikach. Z drugiej strony, niedawno opracowane metody oparte na tensorach pozwalają na reprezentację i analizę danych, które bezpośrednio dotyczą wielofunkcyjności danych. Przykłady można znaleźć w wielu zastosowaniach, takich jak rozpoznawanie twarzy, synteza obrazów, analiza wideo, systemy nadzoru, sieci czujników, analiza strumienia danych, analiza danych marketingowych i medycznych, aby wymienić tylko kilka.

Dyskusja będzie skupiona na prezentacji podstawowych pomysłów, a także ostatnich osiągnięć, w dziedzinie przetwarzania sygnałów opartych na tensorze. Przedstawione zostanie systematyczne przedstawienie reprezentacji danych tensorów, dekompozycja tensorów, a także rozpoznawanie wzorców z tensorami. Omówione zostaną również praktyczne aspekty i kwestie implementacji tensorów.