最新刊期
2017 年 第 22 卷 第 9 期
- 摘要：基于小波域的多尺度分块压缩感知重构算法忽略了高频信号在重构过程中的作用，丢失了大量的边缘与细节信息。针对上述问题，提出一种自适应多尺度分块压缩感知算法，不仅合理利用低频信息还充分利用图像的高频信息，在图像细节复杂度提高的情况下保证图像重构质量的提高。 首先进行3层小波变换，得到一个低频信号和9个高频信号，分别进行小波逆变换后分成大小相同互不重叠的块，对低频部分采用2维邻块边缘自适应加权滤波的方法进行处理，对高频部分采用纹理自适应分块采样，最后利用平滑投影Landweber（SPL）算法对其进行重构。 与已有的分块压缩感知算法、基于边缘和方向的分块压缩感知算法和基于纹理和方向的分块压缩感知算法相比，本文算法在不同的采样率下，性能均有所提升，代表细节信息的高频信号得到充分重建，改进的算法所得到的重建图像具有较高的分辨率，尤其对细节较为丰富的图像进行重建后具有较高的峰值信噪比；2维邻块边缘自适应加权滤波有效的去除了重建图像的块效应，且重建时间平均减少了0.3 s。 将三层小波变换后的高频分量作为纹理部分，利用自适应多尺度分块重建出图像的轮廓与边缘；将低频分量直接视为平坦部分，邻块边缘自适应加权滤波重建出图像细节，不仅充分利用了图像的高低频信息，还减少了平坦块检测过程，使得重建时间有效缩短。经实验验证，本文算法重建图像质量较好，尤其是对复杂图像明显消除了块效应，边缘和纹理细节较清晰。因此主要适用于纹理细节较复杂的人脸图像、建筑图像和遥感图像等。关键词：小波域;自适应多尺度分块压缩感知;纹理;邻块边缘自适应加权滤波;SPL算法3187|434|3更新时间：2024-05-08
- 摘要：针对基于样本块的Criminisi图像修复算法易发生置信项迅速下降趋于零，使优先权计算公式失效，导致修复顺序错乱造成的修复效果失真问题，以及在搜索匹配块时存在的搜索范围过大，效率过低，易出现匹配到不符合视觉效果的纹理块问题，提出一种基于优先权改进和块划分的图像修复算法。 首先重新定义优先权中的置信项，用样本块中的棋盘距离替代原计算公式，保证优先权一直发挥作用，从而减少因修复顺序不合理造成的错误匹配；其次根据图像纹理信息将其自适应划分为不同大小的图像块，使待修复样本块只在具有相似特征的图像块区域内搜索匹配。 实验结果表明，新定义的优先权，保证了修复算法的正常进行，改善了修复图像的视觉效果；由图像自适应块划分引导匹配过程，可使匹配在更少的候选块中进行，提高了算法速度。将本文方法与3种全局搜索匹配方法和1种局部搜索匹配方法进行修复结果对比分析，本文方法的修复结果视觉完整性较好，而且修复时间小于其中3种算法。 通过改进Criminisi算法优先权中的置信项，避免因其趋于零导致的修复顺序错乱造成的错误累积情况的发生；同时通过改进待修复匹配块的搜索范围，对整幅图像进行自适应块划分，使搜索只在相似块中进行，不仅减少了时间，而且提高了匹配的准确性。本文方法对于自然图像中大面积目标物体移除方面有较好的应用，可获得较满意的修复效果。关键词：图像修复;置信项;优先权;块划分;纹理特征4026|533|9更新时间：2024-05-08
- 摘要：针对目前低照度图像增强算法存在噪声敏感、易饱和等现象，提出了一种基于雾天退化模型的低照度图像间接增强算法。 首先将低照度图像反转成为拟雾图；拟雾图与真实雾天图像有所不同，一是通常具有大面积明亮区域，二是大气光值较高。对于大面积明亮区域，暗原色先验理论并不适用，不容易精确估计相应透射率，因此，提出利用卷积神经网络求解透射率的方法；又针对全局大气光值易出现饱和现象，提出使用局部大气光值代替全局大气光值，从而得到大气光图；之后，利用导向滤波对透射率图和大气光图进行修正；最后基于大气散射模型还原出无雾图像，再次反转无雾图像得到低照度图像的增强结果。 设计了3组实验，第1组实验为各算法的主观对照，第2组实验从客观指标上对各算法进行比较分析，第3组为实验透射率与大气光值的组合对照实验。结果表明，无论是与Retinex和MSRCR（multi-scale retinex with color restoration）为代表的直接增强算法比较，还是与基于He算法的间接增强等算法相比，本文算法在平均梯度、信息熵、峰值信噪比上均表现良好，且本文算法峰值信噪比平均比次优结果高了2.6 dB，相对应的方差较小，可以有效提高视觉效果，不仅有效提升了低照度图像的亮度，又避免了明显的颜色失真、曝光过度等现象。 通过定性及定量的实验结果表明，本文算法不仅提高了视觉效果，且场景适应能力较强，能很好地增强室内和室外的低照度图像，且本文算法运行时间中等，若结合cuda技术，还可用于监控视频的实时增强。关键词：低照度图像增强;大气散射模型;卷积神经网络;透射率;大气光图4449|594|13更新时间：2024-05-08
- 摘要：压缩采样匹配追踪（CoSaMP）算法虽然引入回溯的思想，但其原子选择需要大量的观测值且在稀疏度估计不准确时，会降低信号重构精度，增加重构时间，降低重构效率。为提高CoSaMP算法的重构精度，改善算法的重构性能，提出了一种基于广义逆的分段迭代匹配追踪（StIMP）算法。 为保证迭代时挑选原子的精确性和快速性，对观测矩阵广义逆化，降低原子库中原子的相干性；原子更新结合正交匹配追踪（OMP）算法筛选原子的准确性与CoSaMP算法的回溯性，将迭代过程分为两个阶段：第1阶段利用OMP算法迭代/2次；第2阶段以第1阶段OMP算法迭代所得的残差和原子为输入，并采用CoSaMP算法继续迭代，同时改变原子选择标准，从而精确快速地重构出稀疏信号。 对于1维的高斯随机信号，无论在不同的稀疏度还是观测值下，相比于OMP、CoSaMP、正则化正交匹配追踪（ROMP）算法和傅里叶类圆环压缩采样匹配追踪（FR-CoSaMP）算法，StIMP算法更加稳健，且具有更高重构成功率；对于2维图像信号，在各个采样率下，StIMP算法的峰值信噪比（PSNR）均高于其他重构算法，在采样率为0.7时，StIMP算法的平均PSNR值比OMP、CoSaMP、ROMP和FR-CoSaMP算法分别高2.14 dB、1.20 dB、3.67 dB和0.90 dB，平均重构时间也较OMP、CoSaMP和FR-CoSaMP算法短。 提出了一种改进的重构算法，对1维高斯随机信号和2维图像信号均有更好的重构效率和重构效果，与原算法和现有的主流图像重构方法相比，StIMP算法更具高效性和实用性。关键词：图像重构;正交匹配追踪;压缩采样匹配追踪;分段迭代;广义逆3369|383|0更新时间：2024-05-08
图像处理和编码
- 摘要：指纹匹配是自动指纹识别系统研究的核心内容之一，匹配算法的好坏直接影响识别系统的效能。目前，大多数点模式匹配算法都依赖于指纹方向场的求取，由于输入的指纹图像存在平移、旋转和尺度变化，因此同一个手指在不同时间获得的指纹图像的方向场是不同的，这不仅增加了计算量，也影响了指纹识别的精度。针对上述问题，提出了无方向的三角形匹配算法。 提出的三角形匹配算法是以平面中任意点与一个确定的三角形之间的位置结构稳定性为理论基础的。首先，分别在待识指纹图像和模板指纹图像中确定基准三角形；其次，将各个特征点与基准三角形三个顶点的距离组成有序三数组；最后，利用数组的相等程度对指纹相似度进行匹配判断。 采用国际标准测试库FVC2004进行综合性能比对实验，实验结果表明，与其他几种匹配算法相比，本文方法在识别精度上提高了27.97%~33.81%，在比对时间上降低了3%~5%，在不同旋转角度下误匹配率平均降低了约86.63%，对噪声、平移、旋转和形变有足够的适应能力，具有较高的容错能力和鲁棒性。 无方向的三角形匹配算法是一种全局模式的算法，该算法不受指纹图像方向及其位置的影响，实现过程简单，识别精度高，平均比对时间少，适用于处理不同类型的图像数据。关键词：指纹识别;点模式匹配;三角形匹配;无方向;基准三角形;适应性和鲁棒性3577|395|4更新时间：2024-05-08
- 摘要：由于受到光照变化、表情变化以及遮挡的影响，使得采集的不同人的人脸图像具有相似性，从而给人脸识别带来巨大的挑战，如果每一类人有足够多的训练样本，利用基于稀疏表示的分类算法（SRC）就能够取得很好地识别效果。然而，实际应用中往往无法得到尺寸大以及足够多的人脸图像作为训练样本。为了解决上述问题，根据基于稀疏表示理论，提出了一种基于联合判别性低秩类字典以及稀疏误差字典的人脸识别算法。每一类的低秩字典捕捉这类的判别性特征，稀疏误差字典反映了类变化，比如光照、表情变化。 首先利用低秩分解理论得到初始化的低秩字典以及稀疏字典，然后结合低秩分解和结构不相干的理论，训练出判别性低秩类字典和稀疏误差字典，并把它们联合起来作为测试时所用的字典；本文的方法去除了训练样本的噪声，并在此基础上增加了低秩字典之间的不相关性，能够提高的低秩字典的判别性。再运用范数法（同伦法）求得稀疏系数，并根据重构误差进行分类。 针对Extended Yale B库和AR库进行了实验。为了减少算法执行时间，对于训练样本利用随机矩阵进行降维。本文算法在Extended Yale B库的504维每类32样本训练的识别结果为96.9%。在无遮挡的540维每类4样本训练的AR库的实验结果为83.3%，1 760维的结果为87.6%。有遮挡的540维每类8样本训练的AR库的结果为94.1%，1 760维的结果为94.8%。实验结果表明，本文算法的结果比SRC、DKSVD（Discriminative K-SVD）、LRSI（Low rank matrix decomposition with structural incoherence）、LRSE+SC（Low rank and sparse error matrix+sparse coding）这4种算法中识别率最高的算法还要好，特别在训练样本比较少的情况下。 本文所提出的人脸识别算法具有一定的鲁棒性和有效性，尤其在训练样本较少以及干扰较大的情况下，能够取得很好地识别效果，适合在实际中进行应用。关键词：低秩类字典;稀疏误差字典;结构不相干;人脸识别2289|347|4更新时间：2024-05-08
- 摘要：针对现实场景中跟踪目标的快速运动、旋转、尺度变化、遮挡等问题，提出了基于卷积特征的核相关自适应目标跟踪的方法。 利用卷积神经网络提取高、低层卷积特征并结合本文提出的核相关滤波算法计算并获得高底两层卷积特征响应图。采用Coarse-to-Fine方法对目标位置进行估计，在学习得到1维尺度核相关滤波器估计尺度的基础上实时更新高低两层核相关滤波器参数，以实现自适应的目标跟踪。 实验选取公开数据集中的典型视频序列进行跟踪，测试了算法在目标尺度发生变化、遮挡、旋转等复杂场景下的跟踪性能并与多种优秀的跟踪算法在平均中心误差、平均重叠率等指标上进行了定量比较，在Singer1、Car4、Jogging、Girl、Football以及MotorRolling视频图像序列上的中心误差分别为8.71、6.83、3.96、3.91、4.83、9.23，跟踪重叠率分别为0.969、1.00、0.967、0.994、0.967、0.512。实验结果表明，本文算法与原始核相关滤波算法相比，平均中心位置误差降低20%，平均重叠率提高12%。 采用卷积神经网络提取高低两层卷积特征，高层卷积特征用于判别目标和背景，低层卷积特征用于预测目标位置并通过Coarse-to-Fine方法对目标位置进行精确的定位，较好地解决了由于目标的旋转和尺度变化带来的跟踪误差大的问题，提高了跟踪性能并能够实时更新学习。在目标尺度发生变化、遮挡、光照条件改变、目标快速运动等复杂场景下仍表现出较强的鲁棒性和适应性。关键词：目标跟踪;卷积特征;相关滤波器;核函数;判别模型3553|465|2更新时间：2024-05-08
图像分析和识别
- 摘要：为了解决图像显著性检测中存在的边界模糊，检测准确度不够的问题，提出一种基于目标增强引导和稀疏重构的显著检测算法（OESR）。 基于超像素，首先从前景角度计算超像素的中心加权颜色空间分布图，作为前景显著图；由图像边界的超像素构建背景模板并对模板进行预处理，以优化后的背景模板作为稀疏表示的字典，计算稀疏重构误差，并利用误差传播方式进行重构误差的校正，得到背景差异图；最后，利用快速目标检测方法获取一定数量的建议窗口，由窗口的对象性得分计算目标增强系数，以此来引导两种显著图的融合，得到最终显著检测结果。 实验在公开数据集上与其他12种流行算法进行比较，所提算法对具有不同背景复杂度的图像能够较准确的检测出显著区域，对显著对象的提取也较为完整，并且在评价指标检测上与其他算法相比，在MSRA10k数据集上平均召回率提高4.1%，在VOC2007数据集上，平均召回率和F检验分别提高18.5%和3.1%。 本文提出一种新的显著检测方法，分别利用颜色分布与对比度方法构建显著图，并且在显著图融合时采用一种目标增强系数，提高了显著图的准确性。实验结果表明，本文算法能够检测出更符合视觉特性的显著区域，显著区域更加准确，适用于自然图像的显著性目标检测、目标分割或基于显著性分析的图像标注。关键词：显著检测;全局颜色对比;稀疏重构;误差传播;目标增强2785|392|0更新时间：2024-05-08
- 摘要：目前基于深度卷积神经网络（CNN）和长短时记忆（LSTM）网络模型进行图像描述的方法一般是用物体类别信息作为先验知识来提取图像CNN特征，忽略了图像中的场景先验知识，造成生成的句子缺乏对场景的准确描述，容易对图像中物体的位置关系等造成误判。针对此问题，设计了融合场景及物体类别先验信息的图像描述生成模型（F-SOCPK），将图像中的场景先验信息和物体类别先验信息融入模型中，协同生成图像的描述句子，提高句子生成质量。 首先在大规模场景类别数据集Place205上训练CNN-S模型中的参数，使得CNN-S模型能够包含更多的场景先验信息，然后将其中的参数通过迁移学习的方法迁移到CNN-S中，用于捕捉待描述图像中的场景信息；同时，在大规模物体类别数据集Imagenet上训练CNN-O模型中的参数，然后将其迁移到CNN-O模型中，用于捕捉图像中的物体信息。提取图像的场景信息和物体信息之后，分别将其送入语言模型LM-S和LM-O中；然后将LM-S和LM-O的输出信息通过Softmax函数的变换，得到单词表中每个单词的概率分值；最后使用加权融合方式，计算每个单词的最终分值，取概率最大者所对应的单词作为当前时间步上的输出，最终生成图像的描述句子。 在MSCOCO、Flickr30k和Flickr8k 3个公开数据集上进行实验。本文设计的模型在反映句子连贯性和准确率的BLEU指标、反映句子中单词的准确率和召回率的METEOR指标及反映语义丰富程度的CIDEr指标等多个性能指标上均超过了单独使用物体类别信息的模型，尤其在Flickr8k数据集上，在CIDEr指标上，比单独基于物体类别的Object-based模型提升了9%，比单独基于场景类别的Scene-based模型提升了近11%。 本文所提方法效果显著，在基准模型的基础上，性能有了很大提升；与其他主流方法相比，其性能也极为优越。尤其是在较大的数据集上（如MSCOCO），其优势较为明显；但在较小的数据集上（如Flickr8k），其性能还有待于进一步改进。在下一步工作中，将在模型中融入更多的视觉先验信息，如动作类别、物体与物体之间的关系等，进一步提升描述句子的质量。同时，也将结合更多视觉技术，如更深的CNN模型、目标检测、场景理解等，进一步提升句子的准确率。关键词：图像描述;卷积神经网络;长短时记忆网络;场景类别;物体类别3606|359|10更新时间：2024-05-08
- 摘要：目标在跟踪过程中，各种因素的干扰使得跟踪结果存在不确定性。因此，将跟踪过程中所提取样本的可靠性融入跟踪模型中，有助于克服低可靠性样本对跟踪算法的影响。为此，基于最近的结构化支持向量机（SSVM）跟踪算法，提出一种包含样本置信度的加权间隔结构化支持向量机跟踪模型（WMSSVM），以增强SSVM跟踪算法性能。 首先，基于打分和位置重合率估计样本可靠性；其次，建立WMSSVM模型处理具有不同置信度的跟踪样本训练问题，并采用对偶坐标下降优化算法求解跟踪模型。 在包含100个视频的OTB100跟踪数据集上进行测试，提出的WMSSVM跟踪器与基准跟踪器Scale-DLSSVM相比，在精准度和成功率两个指标上分别提高了1%和2%。与最近的跟踪算法相比，提出的方法也表现出更好的性能。 本文首次将样本的可靠性融入结构化支持向量机跟踪模型，并提出一种基于加权间隔的结构化支持向量机跟踪模型及其优化求解方法，在包含100个视频序列的跟踪数据集上验证了提出方法的有效性，本文提出的算法能够适应复杂场景下的跟踪任务，并在背景混杂、目标形变、遮挡、运动模糊、目标出界、快速位移等类别的视频中表现出优异的性能。关键词：目标跟踪;结构化支持向量机;样本置信度;判别式分类器2767|332|0更新时间：2024-05-08
- 摘要：目前对线阵相机的几何参数标定方法比较少，而且已有标定方法都需要特殊、高精度要求的设备，为此提出一种基于二轴转台测角法的线阵相机标定方法，通过简单的设备高精度求取线阵相机的内参数和畸变参数。 通过简化面阵相机成像模型，建立线阵相机成像模型且推导出参数计算公式，提出测角法标定流程并设计了专门的标定板，利用图像边缘检测得到标定板黑白条纹的边缘点坐标，结合二轴转台的角度信息，代入成像模型中，主要采用最小二乘法和迭代优化算法，求取线阵相机的内参和畸变参数。同时指出了该方法的适用性和标定精度依赖于转台精度、镜头视场角和感光器件分辨率。 对3只不同焦距的镜头进行标定实验，分析了内参数和畸变参数迭代优化过程，焦距的标定精度优于5 μm、主点的标定精度优于3 μm，与其他文献中高成本方法进行相比，处于同一数量级。 提出一种新的线阵相机几何参数标定方法，该方法利用低成本二轴转台和黑白条纹标定板即可高精度标定出线阵相机几何参数。该方法的适用性依赖转台精度、镜头视场角和感光器件分辨率，对于步长为0.012 9°的转台和分辨率为1 436的线阵相机，最多只能标定焦距为16 mm的镜头，而焦距更长的镜头需要更高精度的转台。关键词：线阵相机;几何参数标定;二轴转台;测角法;黑白条纹标定板3586|470|0更新时间：2024-05-08
图像理解和计算机视觉
- 摘要：Landsat-8传感器采用线阵推扫式成像，通过分景处理获得标准景产品。面对大范围遥感数据需求，长条带数据具有更高的应用价值。长条带数据的一般获取方法是通过拼接标准景正射产品的方式，该方法处理效率不高，并且当条带中某景由于云覆盖量较多无法生产正射产品时，将无法通过多景拼接的方式生成相应的长条带正射产品。针对此方法存在的问题，本文提出一种Landsat-8长条带影像的正射校正方法。 以长条带影像为整体，通过控制点匹配、长条带几何精校正和正射校正3个部分，直接生成长条带级别的正射校正产品。在长条带几何精校正过程中，提出了Landsat-8的基于轨道约束的长条带平差模型及控制点优化选取方法。 在15景的条带长度范围内，本文方法生成的长条带正射产品的几何精度在12 m以内，满足Landsat-8正射产品的精度要求，且处理效率相较于标准景拼接方式提升1倍左右；对于云覆盖较多的景，利用连续3景进行长条带正射校正，可以得到与标准景正射产品几何精度相当的长条带正射产品。 本文提出的长条带处理方法，在一定长度范围内，能够得到满足Landsat-8正射产品的精度要求的长条带正射产品，处理效率得到较大提高，且能够有效克服传统方法中云覆盖情形对长条带产品获取的限制。关键词：Landsat-8;长条带影像;正射校正;轨道约束5124|320|0更新时间：2024-05-08
- 摘要：为进一步提高遥感影像的分类精度，将卷积神经网络（CNN）与条件随机场（CRF）两个模型结合，提出一种新的分类方法。 首先采用CNN对遥感图像进行预分类，并将其类成员概率定义为CRF模型的一阶势函数；然后利用高斯核函数的线性组合定义CRF模型的二阶势函数，用全连接的邻域结构代替常见的4邻域或8邻域；接着加入区域约束，使用Mean-shift分割方法得到超像素，通过计算超像素的后验概率均值修正各像素的分类结果，鼓励连通区域结果的一致性；最后采用平均场近似算法实现整个模型的推断。 选用3组高分辨率遥感图像进行地物分类实验。本文方法不仅能抑制更多的分类噪声，同时还可以改善过平滑现象，保护各类地物的边缘信息。实验采用类精度、总体分类精度OA、平均分类精度AA，以及Kappa系数4个指标进行定量分析，与支持向量机（SVM）、CNN和全连接CRF相比，最终获得的各项精度均得到显著提升，其中，AA提高3.28个百分点，OA提高3.22个百分点，Kappa提高5.07个百分点。 将CNN与CRF两种模型融合，不仅可以获得像元本质化的特征，而且同时还考虑了图像的空间上下文信息，使分类更加准确，后加入的约束条件还能进一步保留地物目标的局部信息。本文方法适用于遥感图像分类领域，是一种精确有效的分类方法。关键词：遥感图像分类;深度学习;卷积神经网络;条件随机场;势函数;区域约束5313|483|11更新时间：2024-05-08
遥感图像处理
- 摘要：火灾场景数值仿真对消防救援和应急疏散具有重要意义。火灾场景仿真需要对室内外地物及环境进行精细建模和大量数值计算，而传统地图和空间分析无法满足日趋复杂的建筑物消防场景表达。为此本文基于室内外地图研究基础，构建面向社区安全的火灾场景数值仿真模型。 通过传统制图技术建立社区地物分布模型，利用室内制图技术建立建筑物内部场景，利用3维建模技术重建社区室内外3维模型，引入火灾数值模拟方程进行仿真计算。根据社区建筑物分布和其内部结构复杂程度的差异，提出分区域变尺度的网格划分方法，以提高计算效率。 通过对红树湾社区进行"精细"、"粗糙"和"分区域变尺度"3种不同方法的仿真实验，分析火灾模型的计算速度、温度场及烟气扩散情况。与精细网格方法相比，分区域变尺度方法和粗糙网格方法的计算速度是其8倍和24倍，烟气最低能见度误差为2 m和13.5 m，分区域变尺度方法相较于粗糙网格方法与精细网格方法的温度变化曲线更加吻合。分区域变尺度方法的模拟精度更接近于精细网格方法，同时效率得到提升。 本文提出的火灾场景仿真模型将室内制图应用扩展到社区消防研究，实验结果表明，所提出的分区域变尺度网格划分方法能够在保证数值模拟精度的前提下提高仿真效率，具有重要的应用价值。关键词：火灾场景仿真;室内制图;分区域变尺度网格;3维建模;数值模拟2552|382|1更新时间：2024-05-08
- 摘要：掌握警情的时空分布规律，通过机器学习算法建立警情时空预测模型，制定科学的警务防控方案，有效抑制犯罪的发生，是犯罪地理研究的重点。已有研究表明，警情时空分布多集中在中心城区或居民密集区，在时空上属于非平衡数据，这种数据的非平衡性通常导致在该数据上训练的模型成为弱学习器，预测精度较低。为解决这种非平衡数据的回归问题，提出一种基于KMeans均值聚类的Boosting算法。 该算法以Boosting集成学习算法为基础，应用GA-BP神经网络生成基分类器，借助KMeans均值聚类算法进行基分类器的集成，从而实现将弱学习器提升为强学习器的目标。 与常用的解决非平衡数据回归问题的Synthetic Minority Oversampling Technique Boosting算法，简称SMOTEBoosting算法相比，该算法具有两方面的优势：1）在降低非平衡数据中少数类均方误差的同时也降低了数据的整体均方误差，SMOTEBoosting算法的整体均方误差为2.14E-04，KMeans-Boosting算法的整体均方误差达到9.85E-05；2）更好地平衡了少数类样本识别的准确率和召回率，KMeans-Boosting算法的召回率约等于52%，SMOTEBoosting算法的召回率约等于91%；但KMeans-Boosting算法的准确率等于85%，远高于SMOTEBoosting算法的19%。 KMeans-Boosting算法能够显著的降低非平衡数据的整体均方误差，提高少数类样本识别的准确率和召回率，是一种有效地解决非平衡数据回归问题和分类问题的算法，可以推广至其他需要处理非平衡数据的领域中。关键词：非平衡数据;Synthetic Minority Oversampling Technique算法;Boosting算法;KMeans聚类算法;警情时空预测2563|374|1更新时间：2024-05-08
地理信息技术
- 地址：北京市海淀区北四环西路19号中科院电子所主楼223室 邮编：100190
- 联系电话：010-58887035/58887030/58887418 Email：jig@aircas.ac.cn
- 技术支持由北京北大方正电子有限公司提供 京ICP备05080539号-4
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0