已閱讀1頁,還剩87頁未讀, 繼續(xù)免費閱讀
版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、隨著互聯(lián)網(wǎng)的廣泛應用,越來越多的人們選擇在網(wǎng)絡上獲取和分享信息,互聯(lián)網(wǎng)提供給他們海量的娛樂、工作、生活信息。然而在人類享受互聯(lián)網(wǎng)的便利同時,有害內(nèi)容大量地在互聯(lián)網(wǎng)上出現(xiàn),并呈現(xiàn)泛濫的局勢。這些對健康不益的信息對人類社會的發(fā)展產(chǎn)生了極大的不利,尤其對青少年的身心健康造成了嚴重的傷害。因此,對互聯(lián)網(wǎng)中有害信息的過濾與識別工作的重要意義是明顯的。
在這樣的實際背景下,本文使用圖像識別與內(nèi)容信息融合的方法,對基于互聯(lián)網(wǎng)的毒品有關圖像與
2、網(wǎng)頁的分類與識別工作。本文的工作內(nèi)容包括:
以整體特征為依據(jù)的吸毒所用工具的識別。吸毒所用工具帶有明顯的外部形狀特征,因此在識別時可以使用外部形狀特征對其進行分類與識別。通過對不同類別的外部形狀描述算子的比較和分析,本文使用金字塔型的梯度直方圖來對吸毒所用工具進行形狀的描述,并運用支持向量機作分類器,經(jīng)過實驗取得了較好的識別效果。
以局部特征為依據(jù)的大麻分類與識別。因為大麻屬于一種植被,并且能夠表現(xiàn)出多種類型的形狀和
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于多示例學習的圖像檢索算法研究.pdf
- 基于多示例學習的圖像檢索方法研究.pdf
- 基于正示例與多示例多標記的圖像檢索.pdf
- 多示例學習在基于內(nèi)容圖像檢索中的研究.pdf
- 圖像檢索的歸并多示例學習算法.pdf
- [學習]網(wǎng)絡信息檢索基礎-網(wǎng)絡信息檢索
- 基于特征學習的多示例多標記學習研究.pdf
- 基于主動學習的多示例多標簽學習算法研究.pdf
- 基于多示例多標簽學習的圖像分類標注.pdf
- 基于SVDD的單-多示例學習研究.pdf
- 基于示例加權支持向量機的多示例學習算法研究.pdf
- 基于多示例多標記學習的自然場景圖像分類.pdf
- 基于多示例學習的圖像分析方法研究.pdf
- 基于代表示例選擇與SVDD的多示例學習算法研究.pdf
- 基于本體的網(wǎng)絡信息檢索.pdf
- 基于Markov網(wǎng)絡的信息檢索模型.pdf
- [學習]網(wǎng)絡信息資源及其檢索
- 基于SVDD的多示例學習方法的研究.pdf
- [學習]網(wǎng)絡信息檢索基礎知識
- 多示例學習算法研究.pdf
評論
0/150
提交評論