排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
局部敏感哈希LSH算法是有效的高维数据索引方法,如何生成哈希函数是算法的关键部分。LSH算法的哈希函数是基于p-稳态分布随机生成的,为了提高算法性能就需要增加哈希表的数量,但这会增加算法的空间复杂度。改进后的LSH算法(I-LSH)在生成哈希函数时不需要有标记的训练样本,而是仅仅利用数据点的分布信息构造投影方向。实验结果表明,在不显著降低检索性能的情况下,ILSH有效地降低了内存的使用量,适合处理大规模数据。 相似文献
2.
4.
本文首先介绍了深度学习中用于车辆跟踪的神经网络模型,以及通过这些网络模型衍生的基于预训练、在线训练和离线训练的跟踪算法,同时列举了车辆跟踪相关数据集和评价标准,最后对目前车辆检测中待解决的问题、未来待改进的方向进行了分析和讨论。 相似文献
5.
本文为解决因光照强度变化,路面行人机动车以及绿植遮挡导致车道线检测精度不高的问题,提出了一种将增强后的图像与实例分割网络Deeplabv3相结合的车道线和绿植检测方法。首先,使用图像增强网络对待检测图像进行图像增强,提高图像对比度和清晰度,然后,使用一个基于编码器、解码器架构的实例分割网络Deeplabv3进行车道线和绿植检测并进行分割。实验结果表明,该算法提出的方法在道路环境多变和夜晚中能很好的将车道线和绿植的分割,其车道线正检率最高可达98.7%,较直接采用Deeplabv3网络和U-Net网络,检测精度提高了2.6%。 相似文献
1