排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
在涉及复杂图(graph)数据的场景中,图的距离查询和路径查询有着重要的应用.有些应用涉及到规模巨大的图,并且要求快速的查询响应.为此需要高效的查询策略.通过研究可以发现,图内部节点的重要程度往往是不同的,并且可以利用节点的穿行次数度量节点的重要性.根据穿行次数为节点构建标签,并保证仅根据节点标签就能处理图的距离查询和路径查询,从而避免对图的遍历,这是一个基本的查询策略.这些标签的规模要尽量小,以降低空间开销、提高查询速度;而其构建过程却要足够快,以保证构建效率.将这个基于穿行次数的查询处理策略称为穿行次数算法,最终的实验结果验证了该算法的有效性. 相似文献
3.
基于特征数期望最小化的人脸检测分类器构建 总被引:1,自引:1,他引:0
目前Boosting训练算法已被广泛地应用于人脸检测中级联分类器的构建,而Boosting及其大量改进算法都主要关注于检测率而不是分类器的性能.文中提出了一种新的基于检测特征数期望值最小化的级联分类器构建方法使得分类器的各层特征数组合达到最佳性能.实验结果表明最优组合的检测特征数期望值比已发表的组合要小将近2倍,从而获得了比已发表的特征数组合高出近80%的性能提升.因此该方法适用于使用Boosting及其变形算法构建具有最佳性能的级联分类器. 相似文献
4.
杭钢高线的过程控制历史数据备份程序曾经存在的问题是:保存时间设为一周以上时,程序经常不定期地停止运行,不得不去人工干预。改进后,在保证连续运行的情况下,能自动保存三个月以上。 相似文献
5.
6.
7.
基于Adaboost算法的人眼状态检测 总被引:2,自引:0,他引:2
人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率.提出了一种基于Adaboost算法的实时人眼状态检测的方法.Adaboost是一个构造准确分类器的学习方法.它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器.分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器. 相似文献
1