乳腺图像的感兴趣区域(region of interest,ROI)检测是计算机辅助诊断乳腺疾病的第一步,检测效果的提升对减小误诊率有重要的作用.传统方法往往提取单独的视觉特征来描述乳腺图像,通过分类的方法找出包含肿块的区域.然而由于乳腺图像内...
详细信息
乳腺图像的感兴趣区域(region of interest,ROI)检测是计算机辅助诊断乳腺疾病的第一步,检测效果的提升对减小误诊率有重要的作用.传统方法往往提取单独的视觉特征来描述乳腺图像,通过分类的方法找出包含肿块的区域.然而由于乳腺图像内容丰富结构复杂,使用单一的底层视觉容易忽视特征间的相互联系.提出基于相关性特征融合的乳腺图像ROI检测框架(multi-cue integration detection,MCID),通过引入乳腺图像的相关性特征,并与乳腺图像局部视觉特征相融合,辅助乳腺图像ROI的检测,以提高检测准确性.乳腺图像ROI检测实验表明,MCID可提高肿块检测的准确性.
随着基于位置社交网络(location-based social network,LBSN)的发展,兴趣点推荐成为满足用户个性化需求、减轻信息过载问题的重要手段.然而,已有的兴趣点推荐算法存在如下的问题:1)多数已有的兴趣点推荐算法简化用户签到频率数据,仅使...
详细信息
随着基于位置社交网络(location-based social network,LBSN)的发展,兴趣点推荐成为满足用户个性化需求、减轻信息过载问题的重要手段.然而,已有的兴趣点推荐算法存在如下的问题:1)多数已有的兴趣点推荐算法简化用户签到频率数据,仅使用二进制值来表示用户是否访问一个兴趣点;2)基于矩阵分解的兴趣点推荐算法把签到频率数据和传统推荐系统中的评分数据等同看待,使用高斯分布模型建模用户的签到行为;3)忽视用户签到数据的隐式反馈属性.为解决以上问题,提出一个基于Ranking的泊松矩阵分解兴趣点推荐算法.首先,根据LBSN中用户的签到行为特点,利用泊松分布模型替代高斯分布模型建模用户在兴趣点上签到行为;然后采用BPR(Bayesian personalized ranking)标准优化泊松矩阵分解的损失函数,拟合用户在兴趣点对上的偏序关系;最后,利用包含地域影响力的正则化因子约束泊松矩阵分解的过程.在真实数据集上的实验结果表明:基于Ranking的泊松矩阵分解兴趣点推荐算法的性能优于传统的兴趣点推荐算法.
暂无评论