摘要： 針對傳統(tǒng)硬閾值函數(shù)在閾值處不連續(xù)、傳統(tǒng)軟閾值函數(shù)中小波系數(shù)與小波估計(jì)系數(shù)之間存在恒定偏差的問題,提出一種優(yōu)化新型閾值函數(shù)的圖像去噪算法.本文所提算法不僅對高頻噪聲進(jìn)行有效去噪,而且兼顧低頻分量,從低頻分量中提取少量細(xì)節(jié)信息,從而提高原圖像和重構(gòu)圖像的相似度,之后再對重構(gòu)圖像進(jìn)行中值濾波.仿真結(jié)果表明,相比于傳統(tǒng)的軟、硬閾值函數(shù),采用本文優(yōu)化后的閾值函數(shù)進(jìn)行圖像去噪,不僅主觀上視覺效果更好,而且峰值信噪比(Peak Signal to Noise Ratio,PSNR)值增加了約7 db,結(jié)構(gòu)相似性(Structural Similarity,SSIM)增加了約0.1,均方誤差(Mean Square Error,MSE)降低了76%.此外,對含高密度椒鹽噪聲的圖像進(jìn)行優(yōu)化閾值函數(shù)和加權(quán)均值濾波相結(jié)合的算法去噪后,仿真結(jié)果與單一閾值函數(shù)去噪相比,峰值信噪比增加了約5%,均方誤差降低了約5.5%,結(jié)構(gòu)相似性增加了約0.1.

摘要： 針對虛擬試衣中特征提取不足、人物肢體被衣服遮擋的問題,在基于圖像特征保留的虛擬試衣方法基礎(chǔ)上,提出基于并行卷積核的Attention U-Net虛擬試衣方法。該方法采用并行卷積核代替原有的3×3卷積核來提取特征,并在U-Net網(wǎng)絡(luò)中融入注意力機(jī)制形成新的Attention U-Net圖像合成器,通過不斷調(diào)整網(wǎng)絡(luò)學(xué)習(xí)參數(shù),將模型放在數(shù)據(jù)集VITON Dataset上進(jìn)行虛擬試衣實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,與原方法相比,該方法能提取出更多的細(xì)節(jié)紋理,在結(jié)構(gòu)相似性上提升了15.6%,虛擬試衣效果更好。

摘要： 為了解決基于局部信息的鏈路預(yù)測算法忽略了節(jié)點(diǎn)鄰居信息對節(jié)點(diǎn)相似性度量影響的問題,提出了一種基于相對熵和節(jié)點(diǎn)局部結(jié)構(gòu)的鏈路預(yù)測算法.首先,采用二階本地網(wǎng)絡(luò)描述節(jié)點(diǎn)的局部結(jié)構(gòu);然后,通過相對熵的重新定義刻畫了節(jié)點(diǎn)之間的結(jié)構(gòu)相似性;最后,利用相對熵來度量節(jié)點(diǎn)的結(jié)構(gòu)相似性,考慮節(jié)點(diǎn)鄰居的結(jié)構(gòu)信息,提出相對熵度量節(jié)點(diǎn)結(jié)構(gòu)相似性指標(biāo).在7個實(shí)際網(wǎng)絡(luò)數(shù)據(jù)集上的仿真實(shí)驗(yàn)測試表明:相比其他基于局部和全局信息的相似性指標(biāo),所提方法在曲線下面積衡量標(biāo)準(zhǔn)下能夠取得更好的效果,并且適用于平均聚集系數(shù)小的網(wǎng)絡(luò),在大規(guī)模網(wǎng)絡(luò)上也有較好的表現(xiàn).

摘要： 針對蒙特卡羅渲染在低光線路徑采樣率下繪制的圖像容易出現(xiàn)噪點(diǎn)的問題,提出一種蒙特卡羅渲染畫面多特征非局部均值降噪算法。使用canny算法對場景反射率圖進(jìn)行梯度化,以反射率梯度圖為引導(dǎo)圖,利用引導(dǎo)濾波器對法向量圖預(yù)濾波;求出預(yù)濾波后法向量圖中圖像塊之間的結(jié)構(gòu)相似性,利用結(jié)構(gòu)相似性倒數(shù)的對數(shù)值對非局部均值濾波器權(quán)值進(jìn)行改進(jìn);利用改進(jìn)后的非局部均值濾波器對噪點(diǎn)圖像進(jìn)行濾波重構(gòu)。實(shí)驗(yàn)結(jié)果表明:該算法能在典型場景中有效降低渲染畫面的噪聲,改善均方誤差和峰值信噪比質(zhì)量指標(biāo)。

摘要： 研究監(jiān)控視頻的異常檢測過程中,需要提取監(jiān)控視頻的背景圖像,而傳統(tǒng)方法提取視頻背景圖像效果較差,存在前景圖像殘影、模糊等問題。為了提升固定場景監(jiān)控視頻背景圖像的提取效果,論文采用卷積自動編碼器結(jié)合結(jié)構(gòu)相似性損失函數(shù)的方式提取視頻圖像背景。自動編碼器將監(jiān)控視頻的前景圖像視為運(yùn)動噪聲,使用編碼器去除噪聲,再使用解碼器重構(gòu)背景圖像,論文基于Avenue、UCSDPed1、UCSDPed2數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證,證明論文方法具有較好背景圖像提取效果。

摘要： 針對水下圖像的顏色失真和對比度失衡問題,提出了一種基于UNDERWATER-CUT模型的弱監(jiān)督水下圖像增強(qiáng)算法。該算法網(wǎng)絡(luò)訓(xùn)練時無需成對訓(xùn)練集,通過圖像分塊的方式構(gòu)建對比學(xué)習(xí)正負(fù)樣本,約束了圖像生成的內(nèi)容。使用了結(jié)構(gòu)相似性損失函數(shù)對水下圖像增強(qiáng)進(jìn)行約束,確保CUT模型在對水下圖像域到脫水圖像域進(jìn)行轉(zhuǎn)換過程中的物體結(jié)構(gòu)不變。同時還使用alignment和uniformity 2個簡單函數(shù)的線性組合來近似逼近CUT模型的InfoNCE損失函數(shù),使得改進(jìn)后的模型訓(xùn)練更容易收斂到最優(yōu)值。實(shí)驗(yàn)結(jié)果證明經(jīng)過文中算法增強(qiáng)后的圖像,顏色失真得到極大的修正,圖像中的物體結(jié)構(gòu)和修復(fù)前的圖像基本一致。

摘要： 為解決目標(biāo)跟蹤過程中遮擋問題引起的跟蹤丟失現(xiàn)象,提出一種遮擋判別下基于特征匹配的相關(guān)濾波跟蹤算法.首先,通過分析輸出濾波響應(yīng)圖,提出最大峰值波動和響應(yīng)值波動兩種計(jì)算模型判斷目標(biāo)是否發(fā)生遮擋.其次,引入結(jié)構(gòu)相似性指標(biāo)判斷目標(biāo)區(qū)域與檢測區(qū)域的相似性,將遮擋進(jìn)一步分為輕微遮擋與嚴(yán)重遮擋,并針對兩種不同的遮擋程度,分別調(diào)整濾波器的更新方案.最后,采用SURF特征檢測候選區(qū)域,實(shí)現(xiàn)嚴(yán)重遮擋情況下目標(biāo)的重新定位.實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)核相關(guān)濾波算法相比,所提算法在保證實(shí)時性的同時,能有效提高遮擋情況下目標(biāo)跟蹤的成功率和精確度,表現(xiàn)出更好的跟蹤性能.

摘要： 采用Res-Net學(xué)習(xí)合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像多層次深度特征,并基于結(jié)構(gòu)相似性準(zhǔn)則選取其中的有效成分.通過聯(lián)合稀疏表示對選取的多層次深度特征進(jìn)行表征和分析,判定輸入樣本的目標(biāo)類別.利用MSTAR數(shù)據(jù)集進(jìn)行測試,該方法對10類目標(biāo)的識別率達(dá)到99.02％,對于俯仰角差異以及噪聲干擾的穩(wěn)健性更優(yōu).該方法能夠有效結(jié)合Res-Net和聯(lián)合稀疏表示在特征提取和分類決策方面的優(yōu)勢,提升識別方法的整體性能.

摘要： 雙邊濾波器是一種以高斯核為基礎(chǔ)的具有圖像邊緣保留和噪聲濾除雙重濾波作用的濾波器,能同時兼顧各像素值幾何上的臨近信息和亮度上的相似信息.為了進(jìn)一步增加雙邊濾波器的保邊作用,在傳統(tǒng)雙邊濾波器的基礎(chǔ)上,結(jié)合圖像的梯度信息,將傳統(tǒng)濾波模板改進(jìn)為局部濾波模板,使圖像自適應(yīng)地在給出的濾波模板中選擇較優(yōu)模板進(jìn)行濾波.實(shí)驗(yàn)結(jié)果證明,改進(jìn)的雙邊濾波算法能夠更好地保留圖像邊緣,與經(jīng)典的雙邊濾波算法相比,在峰值信噪比和結(jié)構(gòu)相似性上有了提升.

摘要： 針對貝葉斯網(wǎng)絡(luò)參數(shù)遷移過程中對源域及目標(biāo)域限定條件較多等問題,在考慮源域-目標(biāo)域多種信息形式的情況下,提出一種基于貝葉斯網(wǎng)絡(luò)參數(shù)遷移學(xué)習(xí)的統(tǒng)一框架.該方法綜合考慮了源域結(jié)構(gòu)和數(shù)據(jù)量在遷移中的作用,在結(jié)構(gòu)相似性的基礎(chǔ)上,探討了備選源域數(shù)據(jù)量對參數(shù)遷移的影響.在遷移過程中引入與目標(biāo)域數(shù)據(jù)相關(guān)的平衡系數(shù).通過平衡系數(shù)將目標(biāo)域數(shù)據(jù)與遷移過程聯(lián)系起來,實(shí)現(xiàn)平衡系數(shù)的自動調(diào)節(jié).Asia網(wǎng)絡(luò)驗(yàn)證了本文方法的準(zhǔn)確性.

摘要： 建筑功能布局作為建筑設(shè)計(jì)的基本內(nèi)容,隨著人工智能的發(fā)展,智能化建筑功能自動布局越發(fā)值得期待.本文提出基于生成對抗網(wǎng)絡(luò)(GAN)的建筑功能自動布局方法,可以針對不同建筑平面輪廓自動布局房間的建筑功能,形成完整的戶型圖.首先,收集大量含有房間功能的戶型圖,利用編輯工具進(jìn)行批量處理,得到符合條件的數(shù)據(jù)集;然后,將數(shù)據(jù)集分為含房間格局與不含房間格局兩種情形,利用pix2pix程序進(jìn)行訓(xùn)練,并得到自動生成的建筑布局圖;最后,基于峰值信噪比(PSNR)和結(jié)構(gòu)相似性(SSIM)兩個指標(biāo)對兩組算例的生成結(jié)果進(jìn)行評價.結(jié)果表明:SSIM均大于0.8,PSNR在20左右,本方法能生成與目標(biāo)圖片較為一致的建筑布局圖.相較于傳統(tǒng)的參數(shù)化設(shè)計(jì),本方法無需人為添加規(guī)則,能夠自動學(xué)習(xí)建筑功能布局的規(guī)則,生成較為合理的功能布局方案,可供專業(yè)人士參考.

摘要： 排比句具有結(jié)構(gòu)緊湊、句式整齊、富有表現(xiàn)力等鮮明的特點(diǎn),廣泛應(yīng)用在各種文體之中,在近幾年語文高考的鑒賞類問題中也多有考察,但在自動識別方面的研究還鮮有涉及.本文依據(jù)排比句結(jié)構(gòu)相似、內(nèi)容相關(guān)的特點(diǎn),以句子的詞性、詞語作為基本特征,設(shè)計(jì)了融合卷積神經(jīng)網(wǎng)絡(luò)和結(jié)構(gòu)相似度計(jì)算的排比句識別方法.首先將詞向量和詞性向量融入句子的分布式表示中,利用多個卷積核對其進(jìn)行卷積操作,設(shè)計(jì)出基于卷積神經(jīng)網(wǎng)絡(luò)的排比句識別方法.利用分句之間的詞性串構(gòu)造相似度計(jì)算,設(shè)計(jì)了基于結(jié)構(gòu)相似度計(jì)算的排比句識別方法.同時考慮句子內(nèi)部的語義相關(guān)性和結(jié)構(gòu)相似性,將卷積神經(jīng)網(wǎng)絡(luò)和結(jié)構(gòu)相似度計(jì)算方法融合,用于排比句的識別.在文學(xué)作品數(shù)據(jù)集和高考題中的文學(xué)類閱讀材料數(shù)據(jù)集進(jìn)行排比句識別實(shí)驗(yàn),驗(yàn)證了本文所提的方法是有效的.

摘要： 針對已有的基于結(jié)構(gòu)相似性的圖像質(zhì)量評價算法的計(jì)算復(fù)雜高的不足,提出一種新的優(yōu)化算法.針對亮度項(xiàng)中的均值計(jì)算,利用積分圖像進(jìn)行的加速計(jì)算;針對對比度項(xiàng)和結(jié)構(gòu)項(xiàng)中的方差項(xiàng)計(jì)算,利用梯度幅值進(jìn)行簡化計(jì)算;最后采用8*8整數(shù)窗口逼近多尺度高斯窗口.實(shí)驗(yàn)表明,提出算法的評價能力和SSIM相當(dāng),運(yùn)行時間只是SSIM的四分之一.

摘要： 立體圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的熱點(diǎn)之一，小波域的立體圖像處理是圖像處理的重要組成部分；因此，研究能嵌入在小波域的立體圖像質(zhì)量評價方法顯得至關(guān)重要。空間域的結(jié)構(gòu)相似度平面圖像評價方法(SSIM)具有計(jì)算簡單、與主觀評分相關(guān)性高等優(yōu)點(diǎn)。本文通過對小波域中的圖像結(jié)構(gòu)特性的研究，利用視覺感知特性，特別是對比度敏感函數(shù)的帶通特性，結(jié)合人眼對小波域的子帶系數(shù)幅值的特性，提出了一種與立體主觀圖像質(zhì)量評價保持良好一致性的立體圖像質(zhì)量評價算法。該立體圖像質(zhì)量分成立體深度感評價和左右視點(diǎn)圖像質(zhì)量合成評價兩方面。實(shí)驗(yàn)結(jié)果表明，針對JPEG、JPEG2000、高斯白噪聲和高斯模糊這四種失真類型，所提出方法的左右視點(diǎn)圖像質(zhì)量合成評價和立體深度感評價與主觀立體圖像質(zhì)量的相關(guān)性和單調(diào)性都在0.90以上，符合人眼視覺特性。實(shí)驗(yàn)表明該立體客觀模型能很好地評判立體圖像質(zhì)量及立體感知。

摘要： 立體圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的熱點(diǎn)之一，小波域的立體圖像處理是圖像處理的重要組成部分；因此，研究能嵌入在小波域的立體圖像質(zhì)量評價方法顯得至關(guān)重要?？臻g域的結(jié)構(gòu)相似度平面圖像評價方法(SSIM)具有計(jì)算簡單、與主觀評分相關(guān)性高等優(yōu)點(diǎn)。本文通過對小波域中的圖像結(jié)構(gòu)特性的研究，利用視覺感知特性，特別是對比度敏感函數(shù)的帶通特性，結(jié)合人眼對小波域的子帶系數(shù)幅值的特性，提出了一種與立體主觀圖像質(zhì)量評價保持良好一致性的立體圖像質(zhì)量評價算法。該立體圖像質(zhì)量分成立體深度感評價和左右視點(diǎn)圖像質(zhì)量合成評價兩方面。實(shí)驗(yàn)結(jié)果表明，針對JPEG、JPEG2000、高斯白噪聲和高斯模糊這四種失真類型，所提出方法的左右視點(diǎn)圖像質(zhì)量合成評價和立體深度感評價與主觀立體圖像質(zhì)量的相關(guān)性和單調(diào)性都在0.90以上，符合人眼視覺特性。實(shí)驗(yàn)表明該立體客觀模型能很好地評判立體圖像質(zhì)量及立體感知。

摘要： 立體圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的熱點(diǎn)之一，小波域的立體圖像處理是圖像處理的重要組成部分；因此，研究能嵌入在小波域的立體圖像質(zhì)量評價方法顯得至關(guān)重要?？臻g域的結(jié)構(gòu)相似度平面圖像評價方法(SSIM)具有計(jì)算簡單、與主觀評分相關(guān)性高等優(yōu)點(diǎn)。本文通過對小波域中的圖像結(jié)構(gòu)特性的研究，利用視覺感知特性，特別是對比度敏感函數(shù)的帶通特性，結(jié)合人眼對小波域的子帶系數(shù)幅值的特性，提出了一種與立體主觀圖像質(zhì)量評價保持良好一致性的立體圖像質(zhì)量評價算法。該立體圖像質(zhì)量分成立體深度感評價和左右視點(diǎn)圖像質(zhì)量合成評價兩方面。實(shí)驗(yàn)結(jié)果表明，針對JPEG、JPEG2000、高斯白噪聲和高斯模糊這四種失真類型，所提出方法的左右視點(diǎn)圖像質(zhì)量合成評價和立體深度感評價與主觀立體圖像質(zhì)量的相關(guān)性和單調(diào)性都在0.90以上，符合人眼視覺特性。實(shí)驗(yàn)表明該立體客觀模型能很好地評判立體圖像質(zhì)量及立體感知。

摘要： 立體圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的熱點(diǎn)之一，小波域的立體圖像處理是圖像處理的重要組成部分；因此，研究能嵌入在小波域的立體圖像質(zhì)量評價方法顯得至關(guān)重要。空間域的結(jié)構(gòu)相似度平面圖像評價方法(SSIM)具有計(jì)算簡單、與主觀評分相關(guān)性高等優(yōu)點(diǎn)。本文通過對小波域中的圖像結(jié)構(gòu)特性的研究，利用視覺感知特性，特別是對比度敏感函數(shù)的帶通特性，結(jié)合人眼對小波域的子帶系數(shù)幅值的特性，提出了一種與立體主觀圖像質(zhì)量評價保持良好一致性的立體圖像質(zhì)量評價算法。該立體圖像質(zhì)量分成立體深度感評價和左右視點(diǎn)圖像質(zhì)量合成評價兩方面。實(shí)驗(yàn)結(jié)果表明，針對JPEG、JPEG2000、高斯白噪聲和高斯模糊這四種失真類型，所提出方法的左右視點(diǎn)圖像質(zhì)量合成評價和立體深度感評價與主觀立體圖像質(zhì)量的相關(guān)性和單調(diào)性都在0.90以上，符合人眼視覺特性。實(shí)驗(yàn)表明該立體客觀模型能很好地評判立體圖像質(zhì)量及立體感知。

摘要： 立體圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的熱點(diǎn)之一，小波域的立體圖像處理是圖像處理的重要組成部分；因此，研究能嵌入在小波域的立體圖像質(zhì)量評價方法顯得至關(guān)重要。空間域的結(jié)構(gòu)相似度平面圖像評價方法(SSIM)具有計(jì)算簡單、與主觀評分相關(guān)性高等優(yōu)點(diǎn)。本文通過對小波域中的圖像結(jié)構(gòu)特性的研究，利用視覺感知特性，特別是對比度敏感函數(shù)的帶通特性，結(jié)合人眼對小波域的子帶系數(shù)幅值的特性，提出了一種與立體主觀圖像質(zhì)量評價保持良好一致性的立體圖像質(zhì)量評價算法。該立體圖像質(zhì)量分成立體深度感評價和左右視點(diǎn)圖像質(zhì)量合成評價兩方面。實(shí)驗(yàn)結(jié)果表明，針對JPEG、JPEG2000、高斯白噪聲和高斯模糊這四種失真類型，所提出方法的左右視點(diǎn)圖像質(zhì)量合成評價和立體深度感評價與主觀立體圖像質(zhì)量的相關(guān)性和單調(diào)性都在0.90以上，符合人眼視覺特性。實(shí)驗(yàn)表明該立體客觀模型能很好地評判立體圖像質(zhì)量及立體感知。

摘要： 立體圖像質(zhì)量評價是圖像質(zhì)量評價領(lǐng)域研究的熱點(diǎn)之一，小波域的立體圖像處理是圖像處理的重要組成部分；因此，研究能嵌入在小波域的立體圖像質(zhì)量評價方法顯得至關(guān)重要。空間域的結(jié)構(gòu)相似度平面圖像評價方法(SSIM)具有計(jì)算簡單、與主觀評分相關(guān)性高等優(yōu)點(diǎn)。本文通過對小波域中的圖像結(jié)構(gòu)特性的研究，利用視覺感知特性，特別是對比度敏感函數(shù)的帶通特性，結(jié)合人眼對小波域的子帶系數(shù)幅值的特性，提出了一種與立體主觀圖像質(zhì)量評價保持良好一致性的立體圖像質(zhì)量評價算法。該立體圖像質(zhì)量分成立體深度感評價和左右視點(diǎn)圖像質(zhì)量合成評價兩方面。實(shí)驗(yàn)結(jié)果表明，針對JPEG、JPEG2000、高斯白噪聲和高斯模糊這四種失真類型，所提出方法的左右視點(diǎn)圖像質(zhì)量合成評價和立體深度感評價與主觀立體圖像質(zhì)量的相關(guān)性和單調(diào)性都在0.90以上，符合人眼視覺特性。實(shí)驗(yàn)表明該立體客觀模型能很好地評判立體圖像質(zhì)量及立體感知。

摘要： 由于自然物具有結(jié)構(gòu)自相似性的分形幾何特征,云背景條件下,天空和云彩的紅外圖像在灰度分布上具有強(qiáng)的自相似性,而目標(biāo)與自然物邊緣是奇異點(diǎn)。小目標(biāo)與自然物只有邊緣,沒有分形結(jié)構(gòu)的自相似性.采用八種分形結(jié)構(gòu)對區(qū)域內(nèi)像素進(jìn)行旋轉(zhuǎn)映射,確定最小誤差為該區(qū)域的分形結(jié)構(gòu),進(jìn)行圖像恢復(fù),恢復(fù)出的圖像只包含背景.當(dāng)原始圖像與恢復(fù)圖像的灰度差大于閾值時,檢測出的目標(biāo)為弱小目標(biāo).

摘要： 本發(fā)明提出了一種基于相似性和相似性可信度的協(xié)同過濾推薦算法及裝置，該算法在概率矩陣分解模型的基礎(chǔ)上，通過相似性關(guān)系約束潛在特征向量的夾角余弦，并通過相似性可信度影響約束權(quán)重。由于相似性可信度的約束，該算法有效減弱了評分稀疏性問題對相似性關(guān)系的影響，強(qiáng)化了模型對重要相似性關(guān)系的學(xué)習(xí)能力，從而緩解了評分稀疏性問題。相關(guān)實(shí)驗(yàn)表明該算法的推薦效果明顯優(yōu)于當(dāng)前其它同類算法。接下來的工作就是將此算法運(yùn)用于實(shí)際的推薦系統(tǒng)中，彌補(bǔ)傳統(tǒng)推薦系統(tǒng)在實(shí)際應(yīng)用中的數(shù)據(jù)稀疏性問題及其帶來的推薦效果不佳的問題。

摘要： 本發(fā)明公開了一種基于復(fù)雜網(wǎng)絡(luò)結(jié)點(diǎn)相似性的計(jì)算事件相似性的方法和系統(tǒng)，其方法包括：獲取事件信息，并提取所述事件信息的關(guān)鍵詞；計(jì)算任意兩個事件信息中相同關(guān)鍵詞的比例；根據(jù)所述任意兩個事件信息中相同關(guān)鍵詞的比例構(gòu)建事件網(wǎng)絡(luò)；計(jì)算事件網(wǎng)絡(luò)中任意兩個節(jié)點(diǎn)的相似性；將相似性大于合并閾值的兩個節(jié)點(diǎn)對應(yīng)的事件信息進(jìn)行合并。本發(fā)明能夠有效地計(jì)算事件信息的相似度，并將相似性大于合并閾值的兩個事件信息進(jìn)行合并，此外，本發(fā)明降低了事件相似性計(jì)算過程中的計(jì)算量，提高事件相似性計(jì)算的準(zhǔn)確率。

摘要： 一種能夠評價至少兩類文檔中具有高相似性的部分的集中和分散程度的文檔相似性評價系統(tǒng)或類似系統(tǒng)，包括：片段搜索單元，在第一片段串和第二片段串二者中尋找公共片段，對找到的公共片段的個數(shù)進(jìn)行計(jì)數(shù)，并識別出現(xiàn)所述公共片段的出現(xiàn)范圍；以及相似性指數(shù)計(jì)算單元，執(zhí)行：計(jì)算第一和，即片段搜索單元識別出的出現(xiàn)范圍中包括的每個片段的字符個數(shù)和；計(jì)算第二和，即是被識別為公共片段的每個片段的字符個數(shù)和；并且使用以下等式計(jì)算對第一片段串與第二片段串之間的相似性加以指示的相似性指數(shù)：相似性指數(shù)＝F(NTC)/G(NCC)×NS(其中，NTC是第一和，NCC是第二和，NS是公共片段的個數(shù)，函數(shù)F和函數(shù)G是將特定整數(shù)值與正實(shí)數(shù)值相關(guān)聯(lián)的單調(diào)增函數(shù))。

摘要： 本發(fā)明公開了一種基于相似性和不相似性融合排序優(yōu)化的行人重識別方法，行人重識別是一種針對特定行人的檢索問題，本發(fā)明的主要思想是正確檢索的行人目標(biāo)應(yīng)該跟查詢行人的極正樣本相似，并且跟查詢行人的極負(fù)樣本不相似。同時我們將與極正樣本相似的那些行人定義為疑正樣本，與極負(fù)樣本相似的樣本為疑負(fù)樣本，通過提高疑正樣本的排名，同時降低疑負(fù)樣本的排名，來達(dá)到通過排序優(yōu)化的方式來提升行人重識別的效果。此外，融合多種方法的結(jié)果來加強(qiáng)這種相似性和不相似性關(guān)系。本發(fā)明通過對相似性和不相似性的排序結(jié)果進(jìn)行融合，進(jìn)而提升多攝像頭下同一行人匹配的準(zhǔn)確性。

摘要： 本發(fā)明公開了一種案件相似性對比模型的訓(xùn)練方法及案件相似性對比方法，所述訓(xùn)練方法包括：利用神經(jīng)網(wǎng)絡(luò)構(gòu)建案件相似性對比模型；獲取歷史案件，并按照歷史案件中所包含的物體的相似性構(gòu)建訓(xùn)練樣本集，所述訓(xùn)練樣本集包括正樣本和負(fù)樣本，所述正樣本為所包含的物體與基準(zhǔn)目標(biāo)物體的相似性高于第一預(yù)設(shè)閾值的案件中物體的圖像，所述負(fù)樣本為所包含的物體與基準(zhǔn)目標(biāo)物體的相似性低于所述第一預(yù)設(shè)閾值的案件或隨機(jī)選取的歷史案件中物體的圖像；利用所述訓(xùn)練樣本集訓(xùn)練所述案件相似性對比模型。通過本發(fā)明技術(shù)方案能夠自動篩選出具有相似性的案件。

摘要： 本發(fā)明提出的一種基于語義相似性分析的技術(shù)文件相似性排查方法，從待分析的兩份文件中各抽取一個關(guān)鍵詞形成詞語組合，結(jié)合羅列出的所有詞語組合的相似度計(jì)算待分析的兩份文件相似性評估值；詞語組合的相似度為其包含的兩個關(guān)鍵詞之間的相似度。本發(fā)明提出的一種基于語義相似性分析的技術(shù)文件相似性排查方法，在計(jì)算待分析的兩份文件之間的文本相似度時，根據(jù)關(guān)鍵詞組合進(jìn)行分析，使得相似度的計(jì)算更加清晰明確。

摘要： 本發(fā)明提出了一種基于相似性和相似性可信度的協(xié)同過濾推薦算法及裝置，該算法在概率矩陣分解模型的基礎(chǔ)上，通過相似性關(guān)系約束潛在特征向量的夾角余弦，并通過相似性可信度影響約束權(quán)重。由于相似性可信度的約束，該算法有效減弱了評分稀疏性問題對相似性關(guān)系的影響，強(qiáng)化了模型對重要相似性關(guān)系的學(xué)習(xí)能力，從而緩解了評分稀疏性問題。相關(guān)實(shí)驗(yàn)表明該算法的推薦效果明顯優(yōu)于當(dāng)前其它同類算法。接下來的工作就是將此算法運(yùn)用于實(shí)際的推薦系統(tǒng)中，彌補(bǔ)傳統(tǒng)推薦系統(tǒng)在實(shí)際應(yīng)用中的數(shù)據(jù)稀疏性問題及其帶來的推薦效果不佳的問題。

摘要： 本發(fā)明公開了一種計(jì)算多類別數(shù)據(jù)集不同類別間相似性矩陣的改進(jìn)方法，當(dāng)計(jì)算多類別樣本集的相似性矩陣(不同類別兩兩之間的相似性以及每個類別內(nèi)部元素的相似性)時，依次選擇每個類別樣本集的中心作為坐標(biāo)原點(diǎn)計(jì)算相似性矩陣，最后將得到的多個相似性矩陣平均值作為最終的相似性矩陣。本發(fā)明克服了傳統(tǒng)方法只選取一個坐標(biāo)原點(diǎn)的缺點(diǎn)，可以有效避免上述三點(diǎn)問題。本發(fā)明有很強(qiáng)的魯棒性，對各種特殊情況都適用。最后，本發(fā)明在腦數(shù)據(jù)分析中的表征相似性分析中有很重要的應(yīng)用價值。

摘要： 本發(fā)明公開了一種基于復(fù)雜網(wǎng)絡(luò)結(jié)點(diǎn)相似性的計(jì)算事件相似性的方法和系統(tǒng)，其方法包括：獲取事件信息，并提取所述事件信息的關(guān)鍵詞；計(jì)算任意兩個事件信息中相同關(guān)鍵詞的比例；根據(jù)所述任意兩個事件信息中相同關(guān)鍵詞的比例構(gòu)建事件網(wǎng)絡(luò)；計(jì)算事件網(wǎng)絡(luò)中任意兩個節(jié)點(diǎn)的相似性；將相似性大于合并閾值的兩個節(jié)點(diǎn)對應(yīng)的事件信息進(jìn)行合并。本發(fā)明能夠有效地計(jì)算事件信息的相似度，并將相似性大于合并閾值的兩個事件信息進(jìn)行合并，此外，本發(fā)明降低了事件相似性計(jì)算過程中的計(jì)算量，提高事件相似性計(jì)算的準(zhǔn)確率。

摘要： 本發(fā)明公開了一種基于相似性和不相似性融合排序優(yōu)化的行人重識別方法，行人重識別是一種針對特定行人的檢索問題，本發(fā)明的主要思想是正確檢索的行人目標(biāo)應(yīng)該跟查詢行人的極正樣本相似，并且跟查詢行人的極負(fù)樣本不相似。同時我們將與極正樣本相似的那些行人定義為疑正樣本，與極負(fù)樣本相似的樣本為疑負(fù)樣本，通過提高疑正樣本的排名，同時降低疑負(fù)樣本的排名，來達(dá)到通過排序優(yōu)化的方式來提升行人重識別的效果。此外，融合多種方法的結(jié)果來加強(qiáng)這種相似性和不相似性關(guān)系。本發(fā)明通過對相似性和不相似性的排序結(jié)果進(jìn)行融合，進(jìn)而提升多攝像頭下同一行人匹配的準(zhǔn)確性。