一种基于支持向量机的场景标注方法

来源 :软件导刊 | 被引量 : 0次 | 上传用户:calmisen
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对复杂场景中难以标注对象轮廓的问题,提出一种基于支持向量机的场景标注方法。首先采用结构森林法生成边缘概率,再运用分水岭算法将边缘概率转化成初始图像块。为避免过分分割,减少训练开支,利用UCM算法并选取适当的阈值提高图像块对轮廓的精确度,最后通过支持向量机训练分割的图像块进行场景标注。实验表明,在处理复杂的户外场景标注时,基于支持向量机的场景标注方法在像素精确度上表现良好,在对象轮廓上标注效果较好。
其他文献
移动学习研究的重点是学习资源建设与内容推荐。介绍了移动学习特点及移动学习资源、学习主体等要素,在此基础上,以高校为研究对象,采用调研方式获取大学生用户需求信息,完善
针对图像去噪的问题,提出了一种自适应范数及正则化参数的图像重建方法。首先,考虑到退化图像不仅含有高斯噪声,而且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的标准差;其次,由于在图像重建过程中,噪声分布会发生变化,为此,构造基于统计量的高斯和拉普拉斯权重函数,整合L_1、L_2范数,设计一种自适应加权函数;最后,结合自适应正则化参数方法,设计了一种自适应L_1、L_2范数及正则
为了合理安排电力系统的中期运行计划,针对月负荷曲线的特点,提出一种基于小波变换、无偏灰色预测模型和RBF(径向基函数)神经网络的月度电力负荷混合预测方法。首先,基于小波变换将月负荷历史数据进行分解,表明月度负荷具有连续增长和周期性波动的特征分量。其次,针对各分量不同变化规律,分别采用不同的预测法进行预测:针对连续增长的分量,采用无偏灰色预测模型进行预测;针对周期性波动的分量,采用RBF神经网络法进
大数据时代,对大规模数据的分析和处理提出了更高要求。非负矩阵分解作为一种高效方法被广泛应用于数据降维和特征提取,有效减少了大规模数据的复杂运算,但存在计算过程繁琐的弊
传统数据库处理分析大量历史数据的性能有限,无法达到满意效果。针对该问题,通过对商立方体的研究,提出等价区间的概念,并利用区间之间的独立性,使商立方体能更好地适应分布
信息化的推进加快了慕课的发展,在慕课学习过程中积累了大量的学习者学习行为数据,合理利用这些行为数据可进一步提升学习者的学习效果。运用社会网络分析方法对《微课设计与
仿射传播聚类算法是一种比较新的基于质心的聚类算法,在图像分割领域得到了广泛应用。仿射传播聚类算法最终聚类数目会受到偏向参数P(Preference)的影响,得到的聚类数目往往偏多,影响分割质量。鉴于此,提出一种改进的仿射传播聚类的图像分割算法,该算法将仿射传播聚类算法与CURE层次聚类算法相结合,CURE算法能够对仿射传播聚类算法的分割结果进行优化。实验验证表明,改进后的算法图像分割效果更好。
针对信用评价中最为常见的不平衡小样本数据集问题,以及不同误分类造成的损失代价不同问题,在传统SVM模型基础上,提出采用过采样的SMOTE算法解决数据不平衡问题。在核SVM模型的
为了更好地反映学生在学习过程中对知识的掌握、理解情况和学习能力,通过对不同学科不同教师的教学方法进行分析,将过程控制应用于教学中,建立教学过程模型和作业评价模型。使用
BCJR算法是一种最优译码算法,但是计算量大、译码复杂;SOVA算法译码简单,但是性能稍差。针对这两种算法的缺点,在连续相位调制信号系统中,提出一种基于减少搜索T—BCJR与SOVA算法