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
一种基于多层设计空间缩减策略的近似高维优化方法
新型树启发式搜索算法的机器人路径规划
药食兼用真菌蛹虫草的液体发酵培养条件优化
现代优化理论与应用
高分五号卫星多角度偏振相机最优化估计反演:角度依赖与后验误差分析
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