排序方式: 共有14条查询结果,搜索用时 31 毫秒
1.
为了解决光学单目拍摄图像的物体相互遮挡、深度信息缺乏等问题,研究了基于51duino智能小车的三维场景重建方法.智能小车的核心控制器采用开源51duino开发平台,并搭载有单目光学摄像头、超声避障模块、光电寻迹模块与wifi传输模块.小车在行驶过程中,由不同角度拍下被测场景图像,经wifi模块将图像传回用户终端,并在用户终端采用SFM (Structure from Motion)算法得到场景的稀疏点云,再经CMVS (Cluster Multi-View Stereo)/PMVS (Patch-based Multi-View Stereo)稠密重建与泊松表面重建,得到场景的三维图像.通过两组测试验证了所提方法的正确性与可行性,获得了信息更丰富、可读性更强的场景三维图像. 相似文献
2.
3.
骨架保存了要处理对象的拓扑信息,是图像分析的重要研究内容之一.传统的骨架细化算法不能保证结果的准确性,而距离场的方法无法保证结果的连续性.为此提出一种快速有效的骨架提取算法,将经典的距离变换法和细化方法结合,克服二者之间存在的缺陷,实现算法的互补.经过大量实验验证,此方法能够得到连续、准确的骨架,可以很好地满足实际应用的需求. 相似文献
4.
为解决社交媒体中标签的缺失、错误等问题,提出一种基于内容相似度和语义相似度的标签优化方法。首先利用TF-IDF(term frequency-inverse document frequency)计算文本间相似度,然后利用文本间相似度与标签相似度的一致性定义了目标函数,最后加入了修正项来减少优化前后用户提供标签的偏差。将目标函数应用到豆瓣电影标签进行优化,并将结果与原标签进行比较分析。与原标签相比,优化后的标签准确性得到了提高。试验结果表明,该方法能够有效地优化标签,有效解决标签缺失和错误等问题。 相似文献
5.
6.
融合朋友关系和标签信息的张量分解推荐算法 总被引:1,自引:0,他引:1
针对大众标注网站项目推荐系统中存在数据矩阵稀疏性影响推荐效果的问题,考虑矩阵奇异值分解(SVD)能有效地平滑数据矩阵中的数据,以及朋友圈能够反映出一个人的兴趣爱好,提出了一种融合朋友关系和标签信息的张量分解推荐算法。首先,利用高阶奇异值分解(HOSVD)方法对用户-项目-标签三元组信息进行潜在语义分析和多路降维,分析用户、项目、标签三者间关系;然后,再结合用户朋友关系、朋友间相似度,修正张量分解结果,建立三阶张量模型,从而实现推荐。该模型方法在两个真实数据集上进行了实验,结果表明,所提算法与高阶奇异值分解的方法比较,在推荐的召回率和精确度指标上分别提高了2.5%和4%,因此,所提算法进一步验证了结合朋友关系能够提高推荐的准确率,并扩展了张量分解模型,实现用户个性化推荐。 相似文献
7.
8.
协同滤波是当前推荐系统中一种主流的个性化推荐算法,通过近似用户对商品的评价进行推荐。核函数是解决非线性模式问题的一种方法。协同滤波通常会选用不同的核函数来分析用户之间的影响关系。由于单核函数无法适应于复杂多变场景。因此,结合多个核函数成为一种解决方法。多核学习能够针对场景来组合各个核函数以获取更好的结果。本文提出了一种基于多核学习的协同滤波算法。该算法在现有核函数的基础上,优化各个核函数的权重以匹配数据的分布。在大众点评数据集和Foursquare数据集上的实验结果表明:基于多核学习的协同滤波算法比经验给定的相似函数的性能要高,具有更好的普适性。 相似文献
9.
为超宽带室内定位系统设计了一种具有5.8 GHz WLAN深度抑制特性的超宽带单陷波全向天线.采用“倒箭头”形贴片作为辐射单元,在矩形地面上刻蚀矩形开路槽和直角三角形截断,获得了宽的阻抗带宽;在辐射贴片上刻蚀1个半波长C形槽,并在地面上刻蚀1个半波长RSCSRR槽对,实现了5.8 GHz WLAN信号的深度抑制.仿真结果表明,天线的阻抗带宽为3.10 GHz~10.60 GHz, 5.8 GHz陷波处的电压驻波比达7.59.实测的S11曲线与驻波比曲线与仿真结果吻合良好,验证了陷波的有效性;4 GHz, 6.5 GHz, 9 GHz频点的实测方向图表明天线在整个超宽带频段内具有良好的辐射特性和全向性,满足超宽带室内定位系统天线的设计需求. 相似文献
10.
为提升推荐系统的准确率,针对传统协同过滤(CF)推荐算法没有有效使用位置信息的问题,提出了一种基于位置的非对称相似性度量的协同过滤推荐算法(LBASCF)。首先,分别利用用户-商品评分矩阵和用户历史消费位置,计算出用户间的余弦相似性和基于位置的非对称相似性;其次,将余弦相似性与基于位置的相似性融合,得到一个新的非对称用户相似性,融合后的相似性能够同时反映用户在位置上和兴趣上的偏好;最后,根据用户的最近邻居对商品的评分向用户推荐新的商品。用某点评数据集和Foursquare数据集对算法的有效性进行了评估。在某点评数据集实验结果证明,与CF相比,LBASCF的召回率和精确率分别提高了1.64%和0.37%;与位置感知协同过滤推荐系统(LARS)方法比较,LBASCF的召回率和精确率分别提高了1.53%和0.35%。实验结果表明,LBASCF相对于CF和LARS在基于位置服务的应用中能够有效提高系统的推荐质量。 相似文献