采用精确背景补偿，实现动态背景下动态目标检测，通过KNN匹配、比率筛选、对称约束三层筛选提取良好匹配点对，结合自适应外点滤除算法，实现对复杂环境的精确补偿。
2025/10/28 13:51:16
14KB
1
本文为opencv基于knn的手写数字字符识别,开发环境为vs2013+opencv2.4.13，欢迎下载学习
2025/10/19 19:47:24
2.44MB
1
基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与MinPts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。
根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。
通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。
对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92s。
根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。
通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。
对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92s。
2025/10/18 21:46:30
143KB
1
本数据集是用于文本聚类的中文文本数据，数据集不大属于小型数据集，主要是为了验证本人在博客上写的代码，拿到立马就可使用实现可参考本人的博客
2025/9/4 14:13:36
1022KB
1
此数据集包含1000张图片，总共分为10类。
分别是人，沙滩，建筑，大卡车，恐龙，大象，花朵，马，山峰，食品十类。
每类100张，可用于验证机器学习中的KNN,kmeans,贝叶斯，SVM等机器学习算法。
可以为计算机性能较差的机器学习爱好者提供浅层研究的数据集。
分别是人，沙滩，建筑，大卡车，恐龙，大象，花朵，马，山峰，食品十类。
每类100张，可用于验证机器学习中的KNN,kmeans,贝叶斯，SVM等机器学习算法。
可以为计算机性能较差的机器学习爱好者提供浅层研究的数据集。
2025/7/14 6:18:29
28.47MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB