数据挖掘技术与应用

数据挖掘技术与应用

深度学习作为一个新的机器学习方向，被应用到计算机视觉领域上成效显著.为了解决分布式的尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）算法效率低和图像特征提取粗糙问题，提出一种基于深度学习的SIFT图像检索算法.算法思想：在Spark平台上，利用深度卷积神经网络（Convolutional Neural Network，CNN）模型进行SIFT特征抽取，再利用支持向量机（Support Vector Machine，SVM）对图像库进行无监督聚类，然后再利用自适应的图像特征度量来对检索结果进行重排序，以改善用户体验.在Corel图像集上的实验结果显示，与传统SIFT算法相比，基于深度学习的SIFT图像检索算法的查准率和查全率大约提升了30个百分点，检索效率得到了提高，检索结果图像排序也得到了优化.

基于OpenCV实现口罩检测功能，可以实时检测人脸是否佩戴口罩，并使用QT设计GUI界面。需要环境：openVINO（加速）、OpenCV4、QT5

sex_classifier_dlib_transfer_learning 使用dlib人脸识别模型作为特征提取器的性别分类器的简单演示 通过使用dlib人脸识别模型，我们可以使用sklearn ML框架进行转移学习以对人脸性别进行分类。 由于缺乏公开的亚洲性别数据集，该过渡数据集全是亚洲人。 但是，我有很多私人照片，因此我不会共享数据集。 如果您自己被trainig迷住了，则可以使用Google照片搜寻器下载图像并标记自己的名字 如果您想使用，我还提供了简单的预训练模型。 这是评估指标 precision recall f1-score su

该系统将Bag of words 模型用于大批量图像检索，基于OpenCV C 语言库提取图像的SIFT 特征，然后使用Kmeans 算法进行聚类，再将其表示成 Bag of words 矢量并进行归一化，实现大批量图像检索，并用 caltech256 数据集进行实验。实验表明，该系统该系统采用的方法是有效的。

迁移学习旨在利用大量已标签源域数据解决相关但不相同的目标域问题. 当与某领域相关的新领域出现时, 若重新标注新领域, 则样本代价昂贵, 丢弃所有旧领域数据又十分浪费. 对此, 基于SVM算法提出一种新颖的迁移学习算法—–TL-SVM, 通过使用目标域少量已标签数据和大量相关领域的旧数据来为目标域构建一个高质量的分类模型, 该方法既继承了基于经验风险最小化最大间隔SVM的优点, 又弥补了传统SVM不能进行知识迁移的缺陷. 实验结果验证了该算法的有效性.

用于两个图像的拼接，也可以用于多个图像的拼接，每次拼接两张图像，在将拼接后的图像与另一张图像进行拼接，拼接图像必须有重叠部分

对于计算机视觉的初学者，在项目学习中通常进行源代码的学习，本次代码是sift通过vs2010编译器进行的部分测试。

人工智能课程作业，工具为 jupyter notebook，使用SVM对手写体数字图片分类，其中包含运行代码，运行截图，内容涵盖完整。