CN105373804A - 一种基于多维空间快速聚类的人体部位定位方法与系统 - Google Patents
一种基于多维空间快速聚类的人体部位定位方法与系统 Download PDFInfo
- Publication number
- CN105373804A CN105373804A CN201510633625.6A CN201510633625A CN105373804A CN 105373804 A CN105373804 A CN 105373804A CN 201510633625 A CN201510633625 A CN 201510633625A CN 105373804 A CN105373804 A CN 105373804A
- Authority
- CN
- China
- Prior art keywords
- node
- partition tree
- human body
- hyperspace
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多维空间快速聚类的人体部位定位方法与系统,其中,该方法包括:获取人体部位定位的中间结果,并将中间结果以点集的形式导入;根据点集建立多维划分树,划分树中的每个节点与点集的每个点一一对应,并将每个节点均标记为未处理;任意指定点集中的一个被标记为未处理的节点,对该节点进行聚类处理,聚类处理将划分树中的所有节点聚类为多个不同的聚类中心;所有节点都被标记为已处理后,输出已找到的所有聚类中心。本发明可以应用到计算资源有限的嵌入式系统中,进行高准确度的快速计算处理,将识别出来的不同人体部位的点聚合到一起,不依赖事前训练且易于达到全局最优。
Description
技术领域
本发明涉及信息技术领域,特别地,涉及一种基于多维空间快速聚类的人体部位定位方法与系统。
背景技术
在基于计算机学习的人体识别技术中,一种可能的中间结果是,完成了图像中人体部分像素的身体部位的判断,然后需要通过聚类算法,找出各身体部位的中心点,完成骨架的构建。
聚类是指把距离或者相似度接近的点合并到一起。聚类算法有很广阔的应用范围,在计算机视觉、数据挖掘、搜索引擎等方面都可以找到聚类算法的应用。现有的聚类算法包括K-均值算法、CURE算法、最近邻算法、基于网格的STING算法、基于机器学习的人工神经网络算法、以及基于进化理论的算法。
然而,K-均值算法的聚类结果取决于初始聚类中心的选择,对异常数据敏感,容易陷入局部最优;人工神经网络需要大量数据进行训练,且不适用于属性和训练数据差异过大的测试数据;基于进化理论的方法参数选取依赖与经验值,计算的复杂度较高;基于网格的算法的处理时间和网格划分的密度有关,这会导致聚类质量和准确度的降低。现有的这些聚类算法或者需要已知聚类中心的个数,或者速度不够快。而在计算资源有限的系统中,快速算法是非常必要的。
针对现有技术中的聚类算法在有限计算资源下难以避免事前训练、运算耗时长、准确度低、陷入局部最优等问题,目前尚未有有效的解决方案。
发明内容
针对现有技术中的聚类算法在有限计算资源下难以避免事前训练、运算耗时长、准确度低、陷入局部最优等问题,本发明的目的在于提出一种基于多维空间快速聚类的人体部位定位方法与系统,能够在有限的计算资源环境下进行高准确度的快速计算处理,不依赖事前训练且易于达到全局最优。
基于上述目的,本发明提供的技术方案如下:
根据本发明的一个方面,提供了一种基于多维空间快速聚类的人体部位定位方法。
根据本发明的提供的基于多维空间快速聚类的人体部位定位方法包括:
获取人体部位定位的中间结果,并将中间结果以点集的形式导入;
根据点集建立多维划分树,划分树中的每个节点与点集的每个点一一对应,并将每个节点均标记为未处理;
任意指定点集中的一个被标记为未处理的节点,对该节点进行聚类处理,聚类处理将划分树中的所有节点聚类为多个不同的聚类中心;
所有节点都被标记为已处理后,输出已找到的所有聚类中心。
其中,聚类处理将划分树中的所有节点聚类为多个不同的聚类中心,为聚类处理将划分树的所有节点中代表相同人体部位的点聚合到一起,每个人体部位对应一个或多个聚类中心。
并且,对该节点进行聚类处理包括:
将该节点称为A;
判断A是否为叶节点,是则将A的标记从未处理改为已处理并继续执行下一步,否则终止处理;
在划分树中搜索到A距离最短的另一叶节点B,判断A与B之间的距离是否大于预先设定的聚类阈值,是则终止处理,否则继续执行下一步;
在划分树中搜索到B距离最短的另一叶节点C,判断A与C是否为同一叶节点,是则将A与B合并为一叶节点D并交换A与D的名称,否则交换A与B的名称;
对更新名称之后的叶节点A迭代进行聚类处理,并清除B、C、D的节点名称。
并且,将A与B合并为一叶节点D包括:
创建节点D;
将A与B的历史信息记录入D中;
删除A与B;
将D作为叶节点插入划分树中。
并且,删除A,为移除A并以A的兄弟节点替代A的父节点;若A的兄弟节点不是叶节点,则同时更新A的兄弟节点的记录信息。
同时,将D作为叶节点插入划分树中,为从划分树的根节点开始搜索一个已经存在的原有叶节点E,将D与E所对应的两个子点集合并形成的新的子点集,该新的子点集在划分树中对应一个新的非叶节点F,D作为F的子节点插入划分树中。
另外,终止处理为停止对A的聚类处理,继续任意指定点集中的一个被标记为未处理的节点进行聚类处理,并清除A、B、C、D的节点名称。
另外,根据点集建立多维划分树,为根据多维空间中点间的欧氏距离建立多维划分树。
并且,多维划分树为二分树;根据多维空间中点间的欧氏距离建立多维划分树包括:
获取点集占用多维空间中最长的维度,记录该维度的维数与划分点,并根据该维度的维数与划分点将点集分割为两个子点集;
将点集视为多维划分树的根节点,将两个子点集视为根节点的两个子节点;
将两个子点集视为点集如上各自进行分割,多维划分树根节点的两个子节点又各自获得两个子节点;
如此继续分割点集,直到所有子集都只包含一个点,该子集在多维划分树上被视为叶节点。
根据本发明的另一个方面,还提供了一种基于多维空间快速聚类的人体部位定位系统。
根据本发明的提供的基于多维空间快速聚类的人体部位定位系统的技术特征与基于多维空间快速聚类的人体部位定位方法的技术特征相同,不再赘述。
从上面所述可以看出,本发明提供的技术方案通过使用逐个选取叶节点并依次与临近的其他叶节点进行合并以逐渐聚类的技术方案,不需要建立模型、不需要已知聚类中心的个数,直接建立划分树,利用点查询、插入、删除、合并实现可控制结束条件的聚类输出。该方法可以应用到计算资源有限的嵌入式系统中,进行高准确度的快速计算处理,将识别出来的不同人体部位的点聚合到一起,不依赖事前训练且易于达到全局最优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法的流程图;
图2为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,对节点进行聚类处理的方法流程图;
图3为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,待聚类处理的多维划分树折线图;
图4为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,对A点进行迭代处理的多维划分树折线图;
图5为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,删除A点与B点后更新的多维划分树折线图;
图6为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,插入D点后更新的多维划分树折线图;
图7为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,将D2和D6合并后更新的多维划分树折线图;
图8为根据本发明实施例的一种基于多维空间快速聚类的人体部位定位方法中,最终处理结果的多维划分树折线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进一步进行清楚、完整、详细地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于多维空间快速聚类的人体部位定位方法。
如图1所示,根据本发明的实施例提供的一种基于多维空间快速聚类的人体部位定位方法包括:
步骤S101,获取人体部位定位的中间结果,并将中间结果以点集的形式导入;
步骤S103,根据点集建立多维划分树,划分树中的每个节点与点集的每个点一一对应,并将每个节点均标记为未处理;
步骤S105,任意指定点集中的一个被标记为未处理的节点,对该节点进行聚类处理,聚类处理将划分树中的所有节点聚类为多个不同的聚类中心;
步骤S107,所有节点都被标记为已处理后,输出已找到的所有聚类中心。
其中,聚类处理将划分树中的所有节点聚类为多个不同的聚类中心,为聚类处理将划分树的所有节点中代表相同人体部位的点聚合到一起,每个人体部位对应一个或多个聚类中心。
图2示出的是对节点进行聚类处理的方法流程图。如图2所示,对该节点进行聚类处理包括:
步骤S201,将该节点称为A;
步骤S203,判断A是否为叶节点,是则将A的标记从未处理改为已处理并继续执行下一步,否则终止处理;
步骤S205,在划分树中搜索到A距离最短的另一叶节点B,判断A与B之间的距离是否大于预先设定的聚类阈值,是则终止处理,否则继续执行下一步;
步骤S207,在划分树中搜索到B距离最短的另一叶节点C,判断A与C是否为同一叶节点,是则将A与B合并为一叶节点D并交换A与D的名称,否则交换A与B的名称;
步骤S209,对更新名称之后的叶节点A迭代进行聚类处理,并清除B、C、D的节点名称。
并且,将A与B合并为一叶节点D包括:
创建节点D;
将A与B的历史信息记录入D中;
删除A与B;
将D作为叶节点插入划分树中。
并且,删除A,为移除A并以A的兄弟节点替代A的父节点;若A的兄弟节点不是叶节点,则同时更新A的兄弟节点的记录信息。
同时,将D作为叶节点插入划分树中,为从划分树的根节点开始搜索一个已经存在的原有叶节点E,将D与E所对应的两个子点集合并形成的新的子点集,该新的子点集在划分树中对应一个新的非叶节点F,D作为F的子节点插入划分树中。
我们称多维划分树中的连接关系为父子关系,两个相连接的节点中高一级的称为父节点,低一级的称为子节点。根节点是指多维划分树中没有父节点的节点,叶节点是没有子节点的节点。对于二分树而言,每个父节点都必定有且仅有两个子节点,这两个子节点之间互为兄弟节点。
另外,终止处理为停止对A的聚类处理,继续任意指定点集中的一个被标记为未处理的节点进行聚类处理,并清除A、B、C、D的节点名称。
另外,根据点集建立多维划分树,为根据多维空间中点间的欧氏距离建立多维划分树。
并且,多维划分树为二分树;根据多维空间中点间的欧氏距离建立多维划分树包括:
获取点集占用多维空间中最长的维度,记录该维度的维数与划分点,并根据该维度的维数与划分点将点集分割为两个子点集;
将点集视为多维划分树的根节点,将两个子点集视为根节点的两个子节点;
将两个子点集视为点集如上各自进行分割,多维划分树根节点的两个子节点又各自获得两个子节点;
如此继续分割点集,直到所有子集都只包含一个点,该子集在多维划分树上被视为叶节点。
多维空间中A、B两点的欧氏距离计算方法见下式:
下面根据具体实施例进一步阐述本发明的技术方案。
图3示出的是一个待聚类处理的多维划分树。如图3所示,共9个节点:叶节点T1-T5与非叶节点D1-D4。叶节点D1为现在要处理的A点,叶节点D4为距离A最近的B点。
如果距离B最近的C点是叶节点D3,则更新叶节点D1为已处理状态,并将A点指向叶节点D3,重新以叶节点D3为现在要处理的A点进行迭代处理,如图4所示。
如果距离B最近的C点不是叶节点D3,而是叶节点D1,即A点自身,那么首先根据A和B的信息,合并A和B,生产新的待插入叶节点D6,也就是D点,然后根据前述的方法删除叶节点D1(A点)和叶节点D4(B点),A的兄弟节点T4取代父节点T2,B的兄弟节点D5取代父节点T3,多维划分树被更新为如图5所示的结构。
然后将叶节点D6插入多维划分树,从根节点T5开始(根节点写作新的T5而不是旧的T1用来表示其子节点的分支结构发生了改变),根据每个分支的信息,寻找叶节点D6应该插入的位置。假设插入点为叶节点D3,根据叶节点D3和待插入叶节点D6的信息生产新的父节点T6(与T5同理),多维划分树的结构如图6所示。将D6点染色示意为标记已处理,重新以叶节点D6为现在要处理的A点继续迭代处理。
继续假设D2和D6合并为D7,则多维划分树被更新为如图7所示,叶节点更新为D3、D5、D7,非叶节点更新为T7、T8。根据约束条件,比如相邻点最大距离阈值的判断,假设D7,D3和D5相互之间的距离都大于阈值,叶节点的相邻点寻找结束。最终的处理结果如图8所示,所有叶节点已经染色意味着被处理过,最后的输出是三个聚类中心:叶节点D3、D5、D7。
根据本发明的实施例,还提供了一种基于多维空间快速聚类的人体部位定位系统。
根据本发明的提供的基于多维空间快速聚类的人体部位定位系统的技术特征与基于多维空间快速聚类的人体部位定位方法的技术特征相同,不再赘述。
现有的聚类算法包括K-均值算法,CURE算法,最近邻算法,基于网格的STING算法,以及基于机器学习的人工神经网络算法,和基于进化理论的算法。K-均值算法的聚类结果取决于初始聚类中心的选择,容易陷入局部最优解,对异常数据敏感。本发明从任意点开始,所以不会陷入局部最优。人工神经网络需要大量数据来训练,而且不适用于属性和训练数据差异过大的测试数据。本发明不需要训练模型,直接建立划分树即可。基于进化理论的方法参数选取依赖与经验值,计算的复杂度较高,不适合运算资源有限的嵌入式系统,本发明只需要定义想要聚类的点的最大距离就可以了。基于网格的算法的处理时间和网格划分的密度有关,这会导致聚类质量和准确度的降低。本发明也是建立划分,但是该划分只取决于聚类数据的本身的属性,所以不会因划分网格密度而导致聚类质量的下降。
我们在一个Cortex-A9(1.5GHz)的ARM平台上对本发明的技术方案做了测试,对2000个点进行聚类,处理时间是40.94毫秒。
综上所述,借助于本发明的上述技术方案,通过使用逐个选取叶节点并依次与临近的其他叶节点进行合并以逐渐聚类的技术方案,不需要建立模型、不需要已知聚类中心的个数,直接建立划分树,利用点查询、插入、删除、合并实现可控制结束条件的聚类输出。该方法可以应用到计算资源有限的嵌入式系统中,进行高准确度的快速计算处理,将识别出来的不同人体部位的点聚合到一起,不依赖事前训练且易于达到全局最优。本发明不需要专门训练聚类模型,即插即用;不要求特定的数据特性,适合从中等维度到高等维度的任意数据;不需要大量的运算,很适合于计算资源有限的场合,例如移动设备或者嵌入式设备。
所属领域的普通技术人员应当理解:以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多维空间快速聚类的人体部位定位方法,其特征在于,包括:
获取人体部位定位的中间结果,并将所述中间结果以点集的形式导入;
根据所述点集建立多维划分树,所述划分树中的每个节点与所述点集的每个点一一对应,并将所述每个节点均标记为未处理;
任意指定所述点集中的一个被标记为未处理的节点,对该节点进行聚类处理,所述聚类处理将所述划分树中的所有节点聚类为多个不同的聚类中心;
所有节点都被标记为已处理后,输出已找到的所有聚类中心。
2.根据权利要求1所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,所述聚类处理将所述划分树中的所有节点聚类为多个不同的聚类中心,为所述聚类处理将所述划分树的所有节点中代表相同人体部位的点聚合到一起,每个人体部位对应一个或多个聚类中心。
3.根据权利要求2所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,对该节点进行聚类处理包括:
将该节点称为A;
判断A是否为叶节点,是则将A的标记从未处理改为已处理并继续执行下一步,否则终止处理;
在所述划分树中搜索到A距离最短的另一叶节点B,判断A与B之间的距离是否大于预先设定的聚类阈值,是则终止处理,否则继续执行下一步;
在所述划分树中搜索到B距离最短的另一叶节点C,判断A与C是否为同一叶节点,是则将A与B合并为一叶节点D并交换A与D的名称,否则交换A与B的名称;
对更新名称之后的叶节点A迭代进行聚类处理,并清除B、C、D的节点名称。
4.根据权利要求3所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,所述将A与B合并为一叶节点D包括:
创建节点D;
将A与B的历史信息记录入D中;
删除A与B;
将D作为叶节点插入所述划分树中。
5.根据权利要求4所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,所述删除A,为移除A并以A的兄弟节点替代A的父节点;若A的兄弟节点不是叶节点,则同时更新A的兄弟节点的记录信息。
6.根据权利要求4所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,将D作为叶节点插入所述划分树中,为从所述划分树的根节点开始搜索一个已经存在的原有叶节点E,将D与E所对应的两个子点集合并形成的新的子点集,该新的子点集在所述划分树中对应一个新的非叶节点F,D作为F的子节点插入所述划分树中。
7.根据权利要求3所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,所述终止处理为停止对A的聚类处理,继续任意指定所述点集中的一个被标记为未处理的节点进行聚类处理,并清除A、B、C、D的节点名称。
8.根据权利要求3所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,根据所述点集建立多维划分树,为根据多维空间中点间的欧氏距离建立多维划分树。
9.根据权利要求8所述的一种基于多维空间快速聚类的人体部位定位方法,其特征在于,所述多维划分树为二分树;根据多维空间中点间的欧氏距离建立多维划分树包括:
获取所述点集占用多维空间中最长的维度,记录该维度的维数与划分点,并根据该维度的维数与划分点将所述点集分割为两个子点集;
将所述点集视为所述多维划分树的根节点,将两个子点集视为根节点的两个子节点;
将两个子点集视为所述点集如上所述各自进行分割,所述多维划分树根节点的两个子节点又各自获得两个子节点;
如此继续分割点集,直到所有子集都只包含一个点,该子集在所述多维划分树上被视为叶节点。
10.一种基于多维空间快速聚类的人体部位定位系统,其特征在于,使用了如权利要求1-9中任意一项所述的人体部位定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510633625.6A CN105373804B (zh) | 2015-09-29 | 2015-09-29 | 一种基于多维空间快速聚类的人体部位定位方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510633625.6A CN105373804B (zh) | 2015-09-29 | 2015-09-29 | 一种基于多维空间快速聚类的人体部位定位方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105373804A true CN105373804A (zh) | 2016-03-02 |
CN105373804B CN105373804B (zh) | 2018-08-21 |
Family
ID=55375985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510633625.6A Expired - Fee Related CN105373804B (zh) | 2015-09-29 | 2015-09-29 | 一种基于多维空间快速聚类的人体部位定位方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373804B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241200A (zh) * | 2018-08-21 | 2019-01-18 | 国网河北省电力有限公司石家庄供电分公司 | 电力物资聚类信息处理方法及系统 |
CN112130586A (zh) * | 2020-09-29 | 2020-12-25 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
CN114637873A (zh) * | 2022-03-30 | 2022-06-17 | 徐州大工电子科技有限公司 | 基于图像相似性的门窗智能推荐方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129719A (zh) * | 2011-03-17 | 2011-07-20 | 北京航空航天大学 | 基于虚拟人动态模型的人体骨骼提取方法 |
CN103745218A (zh) * | 2014-01-26 | 2014-04-23 | 清华大学 | 一种深度图像中的姿势识别方法及装置 |
-
2015
- 2015-09-29 CN CN201510633625.6A patent/CN105373804B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129719A (zh) * | 2011-03-17 | 2011-07-20 | 北京航空航天大学 | 基于虚拟人动态模型的人体骨骼提取方法 |
CN103745218A (zh) * | 2014-01-26 | 2014-04-23 | 清华大学 | 一种深度图像中的姿势识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
MATTHIAS DANTONE ET AL: "Human Pose Estimation using Body Parts Dependent Joint Regressors", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
孙挺 等: "一种有效的彩色图像分割方法", 《微电子学与计算机》 * |
张艳: "基于深度图像的人手关节点识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄智武 等: "一种基于Divide—and—Merge聚类算法的改进算法", 《现代计算机》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241200A (zh) * | 2018-08-21 | 2019-01-18 | 国网河北省电力有限公司石家庄供电分公司 | 电力物资聚类信息处理方法及系统 |
CN112130586A (zh) * | 2020-09-29 | 2020-12-25 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
CN114637873A (zh) * | 2022-03-30 | 2022-06-17 | 徐州大工电子科技有限公司 | 基于图像相似性的门窗智能推荐方法及系统 |
CN114637873B (zh) * | 2022-03-30 | 2022-12-23 | 徐州大工电子科技有限公司 | 基于图像相似性的门窗智能推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105373804B (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shrikumar et al. | Technical note on transcription factor motif discovery from importance scores (TF-MoDISco) version 0.5. 6.5 | |
JP5427640B2 (ja) | 決定木生成装置、決定木生成方法、及びプログラム | |
CN109508355A (zh) | 一种数据抽取方法、系统及终端设备 | |
CN111324577B (zh) | 一种Yml文件读写的方法及装置 | |
CN113761221B (zh) | 基于图神经网络的知识图谱实体对齐方法 | |
CN113657607B (zh) | 一种面向联邦学习的连续学习方法 | |
CN114202027B (zh) | 执行配置信息的生成方法、模型训练方法和装置 | |
CN105373804A (zh) | 一种基于多维空间快速聚类的人体部位定位方法与系统 | |
CN103714086A (zh) | 用于生成非关系数据库的模式的方法和设备 | |
CN109582543A (zh) | 数据回溯方法和装置 | |
CN114491200A (zh) | 基于图神经网络的异源兴趣点匹配方法和装置 | |
CN103984723A (zh) | 一种针对增量数据对频繁项进行更新数据挖掘方法 | |
CN109977128A (zh) | 基于时态维度的电网规划数据融合方法 | |
CN105631210A (zh) | 一种基于MapReduce的有向图强连通分量分析方法 | |
CN102725754B (zh) | 一种索引数据处理方法及设备 | |
CN110765276A (zh) | 知识图谱中的实体对齐方法及装置 | |
CN104537279A (zh) | 一种序列聚类方法及装置 | |
CN101917282A (zh) | 一种告警屏蔽规则的处理方法、装置及系统 | |
CN108958917A (zh) | 云计算的任务调度方法及系统 | |
CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
CN104166945A (zh) | 一种基于割节点辨识的电网局部拓扑跟踪方法 | |
CN110309139B (zh) | 高维近邻对搜索方法和系统 | |
CN112699922A (zh) | 一种基于区域内距离的自适应聚类方法及系统 | |
CN106649444B (zh) | 一种cae数据库系统获取cad数据的方法及装置 | |
CN112825121A (zh) | 深度卷积神经网络初始化和训练方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180821 Termination date: 20210929 |