-
公开(公告)号：CN111125428B
公开(公告)日：2021-11-05
申请号：CN201911301847.2
申请日：2019-12-17
Applicant: 东北大学
IPC: G06F16/735 , G06F16/9535
Abstract: 本发明提供一种基于评分预测函数拟合结构的时间相关电影推荐方法，涉及计算机推荐技术领域。该方法包括离线建立推荐模型和基于建立的推荐模型生成的数据文件进行在线推荐两部分；首先对用于电影推荐的数据集中的数据进行预处理，建立用户‑电影评分矩阵，并提取电影的评分特征和电影的海报特征作为电影特征；计算用于电影推荐的电影间的相似度，得到电影间的相似度矩阵；然后构建时间相关的电影评分预测函数及其拟合结构，通过训练评分预测函数拟合结构，求解用户相关的时间权重因子，完成推荐模型的建立；最后基于建立的推荐模型生成的数据文件为待推荐用户计算预测评分并产生推荐结果集，将推荐结果集输出并推荐给用户。
-
公开(公告)号：CN112330719A
公开(公告)日：2021-02-05
申请号：CN202011392635.2
申请日：2020-12-02
Applicant: 东北大学
Abstract: 基于特征图分割和自适应融合的深度学习目标跟踪方法，包括：(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；(2)构建基于特征图分割和自适应融合的深度学习网络模型；(3)对深度学习网络模型进行训练，将模型的结构和训练好的模型参数进行磁盘存储，获得目标跟踪模型；(4)对于待跟踪的视频进行处理，得到第1帧对应的模板图像和后续的待跟踪的每一帧对应的与3个尺度相应的搜索区域图像；(5)加载目标跟踪模型，形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频后续每一帧跟踪的目标位置。
-
公开(公告)号：CN112330719B
公开(公告)日：2024-02-27
申请号：CN202011392635.2
申请日：2020-12-02
Applicant: 东北大学
IPC: G06T7/246 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 基于特征图分割和自适应融合的深度学习目标跟踪方法，包括：(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；(2)构建基于特征图分割和自适应融合的深度学习网络模型；(3)对深度学习网络模型进行训练，将模型的结构和训练好的模型参数进行磁盘存储，获得目标跟踪模型；(4)对于待跟踪的视频进行处理，得到第1帧对应的模板图像和后续的待跟踪的每一帧对应的与3个尺度相应的搜索区域图像；(5)加载目标跟踪模型，形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频后续每一帧跟踪的目标位置。(56)对比文件Chuanhao Li等.Partial tracking methodbased on siamese network《.VISUALCOMPUTER》.2020,第37卷(第3期),587–601.
-
公开(公告)号：CN111125428A
公开(公告)日：2020-05-08
申请号：CN201911301847.2
申请日：2019-12-17
Applicant: 东北大学
IPC: G06F16/735 , G06F16/9535
Abstract: 本发明提供一种基于评分预测函数拟合结构的时间相关电影推荐方法，涉及计算机推荐技术领域。该方法包括离线建立推荐模型和基于建立的推荐模型生成的数据文件进行在线推荐两部分；首先对用于电影推荐的数据集中的数据进行预处理，建立用户-电影评分矩阵，并提取电影的评分特征和电影的海报特征作为电影特征；计算用于电影推荐的电影间的相似度，得到电影间的相似度矩阵；然后构建时间相关的电影评分预测函数及其拟合结构，通过训练评分预测函数拟合结构，求解用户相关的时间权重因子，完成推荐模型的建立；最后基于建立的推荐模型生成的数据文件为待推荐用户计算预测评分并产生推荐结果集，将推荐结果集输出并推荐给用户。
-
-
-
Search Results
4
records
(took 0.015 seconds)
