几何矩不变量(geometric moment invariant)或不变矩已被广泛用作形状分析和图像检索的基本工具，它们的结构和特性决定了效率和有效性。大数据分析需要更多的不变量。因此，不变量的结构是个有趣的问题，应用中总是希望找到足够数量的...
详细信息
几何矩不变量(geometric moment invariant)或不变矩已被广泛用作形状分析和图像检索的基本工具，它们的结构和特性决定了效率和有效性。大数据分析需要更多的不变量。因此，不变量的结构是个有趣的问题，应用中总是希望找到足够数量的低次或低阶不变量作为有用的形状描述子。我们发现了不变量构造的两个基本单元或生成函数，即欧氏空间中坐标向量的点积和向量积或者行列式。
随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络结构,分析用户之间的影响力传播,找出最具有影响力的用户子集.然而大部分已有工作都忽略了社交网络中的内容信息,即用户之间的影响力作用是与用户产生内容紧密相关的.该文提出了一种融合内容信息和社交网络动态时间特性的潜在影响力传播模型InfoIBP(Influence propagation on Indian Buffet Process).网络中有影响力的用户被看作是一种潜在的特征,可通过不同采样算法和数值逼近求解出来.而对于网络动态时间特性,借助于隐马尔可夫模型来建模不同时间步上的影响力传播过程.在数据集DBLP和Digg上的一系列链接预测、偏好预测和运行时间评测等实验,证明了所提InfoIBP模型能够更准确地建模潜在的影响力传播过程,更有效地挖掘出社交网络中的有影响力用户及更全面地描述网络的动态时间特性,并能对未来的观测数据做出相对精准的预测.
针对人工设计的描述子(HOG、SIFT等)在基于手绘的图像检索(Sketch Based Image Retrieval,SBIR)领域的局限性,提出了一种融合抽象层级变换和卷积神经网络构建联合深度特征描述子的手绘图像检索方法.首先,提取常规图像的边缘概率图,在此...
详细信息
针对人工设计的描述子(HOG、SIFT等)在基于手绘的图像检索(Sketch Based Image Retrieval,SBIR)领域的局限性,提出了一种融合抽象层级变换和卷积神经网络构建联合深度特征描述子的手绘图像检索方法.首先,提取常规图像的边缘概率图,在此基础上进行不同抽象层级的图像变换,将抽象层级变换图像输入到深度神经网络并提取不同隐层的输出向量,最后,联合不同隐层的输出向量作为手绘图像检索的特征描述子(即联合深度特征描述子).在Flickr15k数据库上对本方法进行了实验验证,结果表明:融合抽象层级变换和联合深度特征描述子的检索效果相较HOG、SIFT等传统方法有显著提高.本方法从图像预处理和特征描述子构建2个方面,对SBIR问题进行了改进,具有更高的准确率.
暂无评论