首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   4篇
  免费   1篇
综合类   1篇
无线电   3篇
自动化技术   1篇
  2015年   1篇
  2014年   2篇
  2013年   2篇
排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
现有的距离度量学习算法都是假设训练数据和测试数据服从相同的分布,但是该假设在实际中不一定成立。当训练数据和测试数据的分布不同时,利用训练数据学习得到的度量函数可能难以适用于测试数据。针对上述问题,本文在NCA(Neighbourhood Components Analysis)度量学习方法的基础上,通过引入概率密度比值对目标函数加权,提出了一种采用概率密度比值估计的距离度量学习方法(Distance metric learning with ProbabilityDensity Ratio Estimation,DML-PDR)。在UCI数据集和Corel图像库上的KNN分类实验表明,新方法克服了传统度量学习方法的不一致问题,提高了分类的准确率。  相似文献   
2.
在视觉单词包模型(bag of visual words,BoVW)模型中,由于特征检测的不足、聚类算法的缺陷及视觉单词的量化误差,用BoVW模型产生的视觉词典中,存在视觉单词同义性和歧义性的问题,因此用BoVW计算图像距离时,效果不太理想.BoVW模型产生的词典规模巨大,学习一个普通矩阵需要的运算量难以接受.针对BoVW模型上述缺陷,文章提出了一种基于SVM的BoVW距离度量学习方法.该方法利用SVM训练一个将相似图像对与非相似图像对最大程度分离的超平面,得到计算词频直方图点积的权重矩阵.在Oxford图像集上的检索实验表明了该方法的有效性.  相似文献   
3.
主流的距离度量学习方法都需要求解半正定规划(Semi definite programming, SDP )问题,而其中每次循环迭代中的矩阵完全 特征分解运算使得现有方法计算复杂度很高,实用性不强,难以应用在大规模数据环境。 本文提出了一种基于特征分组与特征值最优化的距离度量学习方法。引入特征分 组算法,根据特征各维数之间相关性对图像底层特征进行分组。在一定的约束条件下 ,将求解SDP问题转化为特征值最优化问题,在每次循 环迭代中只需计算矩阵最大特征值对应的特征向量。实验结果表明该方法能有效地降低计算 复杂度,减少度量矩阵的学习时间,并且能取得较好的分类结果。  相似文献   
4.
由于特征有限,传统基于欧式距离的压缩域检索性能并不理想。本文引入距离度量学习技术,研究压缩域图像检索,提出了一种基于距离度量学习的离散余弦变换(DCT)域联合图像专家小组(JPEG)图像检索方法。首先,提出了一种更有效的 DCT 域特征提取方法;其次,运用距离度量学习技术训练出一个更加有效的度量矩阵进行检索。在 Corel5000上的图像检索实验表明,新方法有效提高了检索准确度。  相似文献   
5.
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号