搜索资源列表
onTextCategorization
- 本文比较研究了在中文文本分类中特征选取方法对分类效果的影响。考察了文档频率DF、信息增 益IG、互信息MI、V2分布CHI 四种不同的特征选取方法。采用支持向量机(SVM) 和KNN两种不同的分类 器以考察不同抽取方法的有效性。实验结果表明, 在英文文本分类中表现良好的特征抽取方法( IG、MI 和 CHI)在不加修正的情况下并不适合中文文本分类。文中从理论上分析了产生差异的原因, 并分析了可能的 矫正方法包括采用超大规模训练语料和采用组合的特征抽取方法。最后通过实验验证组合特征
peopledetect
- 利用HOG特征和支持向量机训练的到人体检测分类器，实现对人体的检测-HOG features and support vector machine training to the human detection classifier, the detection of the human body
Tppcca-svmh
- 本程序源码用于对训练样本提取独立主元，作为样本特征，并送入SVM分类器中训练图像的预处理中不取对对数，也无须做幅度归一，由ICA的应用条件决定的。预处理后的图像以向量的形式按行排列 可直接使用。 -The program source for independent main training samples extracted as sample characteristics, and fed into the SVM classifier training image preproce
001
- 指纹分类是针对大型指纹库的一个重要的索引方式, 可以有效地提高指纹匹配的效率. 指纹类型的不同表现为指纹纹 理结构的差异, 而指纹的方向场则可以有效地描述纹理结构的差异. 同一类型指纹不同区域上方向角结构的差异以及相邻区域 间方向角结构的联系可以视作一个马尔可夫随机场. 本文利用嵌入式隐马尔可夫模型对指纹方向场进行建模分析, 通过合理地 抽取指纹的类型特征, 构造观察向量、进行建模训练, 然后利用训练好的马尔可夫模型进行匹配, 最终提出并实现了一种新的鲁 棒性强且精度较高的指纹分
Igohd
- 图像梯度方向直方图描述子:，该方法使用梯度方向直方图（Histogram of Oriented Gradients,简称HOG） 特征来表达人体，提取人体的外形信息和运动信息，形成丰富的特征集，然后使 用支持向量机线性SVM 分类器对这些特征集进行训练。-Image gradient orientation histogram descr iptor
ECG-classification
- 心电图是一种经胸腔的以时间为单位记录心脏的电生理活动，并通过皮肤上的电极捕捉并记录下来的诊疗技术，能警示人体心脏健康状况。我们对十种不同心脏状况的心电图（ECG）数据进行实验，在对原始数据进行了一系列预处理后，利用PCA和ICA进行特征提取降维得到新的特征空间，并利用支持向量机进行训练，最后对未分类心电数据进行分类标记并评价其性能。-Electrocardiography (ECG) is a transthoracic interpretation of the electrical acti
svc
- 模式识别中的svm支持向量机方法源代码。输入训练点特征及类别，程序将求解出基于样本类别的分类条件。-Pattern recognition svm SVM method source code. Input point feature and class training program will solve the classification based on the type of sample conditions.
svm1
- 支持向量机是针对多种数据需要分类的问题，通过训练数据特征，然后再在其基础上面进行测试识别。-Support vector machine is needed for a variety of data classification problem, characterized by the training data, then the basis of the above test its recognition.
MAERJIANCE
- 场景图像中文本占据的范围一般都较小，图像中存在着大范围的非文本区域。因此，场景图像文本定位作为一个独立步骤越来越受到重视。这包括从最先的CD和杂志封面文本定位到智能交通系统中的车牌定位、视频中的字幕提取，再到限制条件少，复杂背景下的场景文本定位。与此同时文本定位算法的鲁棒性越来越高，适用的范围也越来越广泛。文本定位的方式一般可以分为三种，基于连通域的、基于学习的和两者结合的方式。基于连通域的流程一般是首先提取候选文本区域，然后采用先验信息滤除部分非文本区域，最后根据候选文本字符间的关系构造文本
HOG
- 将这330个3780维的HOG特征当做测试样本，用支持向量机（SVM）分类器来判别出，这些窗口的HOG特征是否有行人，有行人的用矩形框标记起来。HOG行人特征及所对应的SVM分类器的参数，在opencv中已经训练好了，我们只需要得到HOG特征，然后调用SVM即可得到判别结果(The 330 Hera features of 3780 dimensions are used as test samples, and the support vector machine (SVM) classifi