均值移动(Mean Shift)是模式识别和计算机视觉领域中的重要方法,是近几年计算机视觉研究领域中的热点之一,在聚类分析、图象分割、目标跟踪和信息融合等方面都有着广泛的应用。本课题将深入分析均值移动方法与优化理论的本质联系,分析并提出具有更高精度和速度的带宽选择方法,深入分析动态均值移动方法,提出高效的聚类算法(包括变带宽选择策略和新的聚类收敛准则),分析和比较静态与动态均值移动方法,研究如何进
{{i.achievement_title}}
数据更新时间:2023-05-31
监管的非对称性、盈余管理模式选择与证监会执法效率?
黄河流域水资源利用时空演变特征及驱动要素
栓接U肋钢箱梁考虑对接偏差的疲劳性能及改进方法研究
气载放射性碘采样测量方法研究进展
基于全模式全聚焦方法的裂纹超声成像定量检测
城市人群移动聚集与结构动态模式分析方法
贝叶斯博弈关于信息结构的比较静态分析及应用
高频公交线路运行区间重叠下的车辆静态调度与动态控制方法
静态、动态及网络的网络的智能学习、优化与重建