搜索资源列表
isoak1Java
- a molecular graph kernel based on iterative graph similarity and optimal assignments -a molecular graph kernel based on iterative graph similarity and optimal assignments
An-Efficient-Method-of-Texture-Synthesis-Based-on-
- 提出一种带边界匹配的基于 Graph Cut 的快速纹理合成算法.通过将纹理样本以不同的位移贴到输出图中完成合成 ,重叠区域的像素取值由 Graph Cut 确定.引入边界图辅助位移搜索 ,以增强合成结果的边界连续性 在预处理过程中计算 2 个相同样本在所有相对位移下的匹配误差 ,选取一部分误差最小的位移组成 “优选位移” 集合 ,合成过程中的块间相对位移仅从此集合中选取 ,大大地提高了合成速度.-This paper proposes an efficient method for tex
Graphic
- 基于图模型的图像分割并行算法研究与实现,该方案通过网格划分来实现相似度矩阵的并行计算同时考虑到相似度矩阵的稀疏性和矩阵向量乘运算的内在并行性, 在该方案中本文设计并行算法来求解特征值问题在环境下的实验结果表明, 该并行方案是提高图模型分割方法实时性的有效途径.-Image segmentation based on graph model of parallel algorithm and implementation of the program through the mesh to ach
SimilarityCompare
- 本程序用于计算两个矢量图形的相似程度。 对于图形形状相似性问题，本程序满足了五个基本要求： 1.对于任意两个图形的相似程度必须得出一个量化的结果，在此称为图形相似度。 2.对图形形状的检测必须忽略 大小、旋转、轴对称、连线顺序的影响。 3.对于相同的图形，形状相似度必须为1；对于不相同的图形，形状相似度必须小于1。 4.两个图形的形状相似度必须与其相似程度成严格单调性，即对于同一个基准图形，越相似的图形相似度越高，越不相似的图形相似度越低。 5.必须能在可接受的时间与空间
kmltoolbox_v1.4
- 基于这个类的工具箱允许你创建在“Google地球”，许多不同的地块，由自动创建所需的基于XML的KML文件，而无需用户交互。 有了它，您可以创建： - 线图，散点图 - 二维和三维轮廓 - 2D和3D多边形 - 颤动地块 - 写在一个特定点的文本 - 将三维模型 - 覆盖图像 - 为图像传输更复杂的数字 - 文件夹，子文件夹，... 总相似图 - 动画三维模型到一个预定义的轨迹 安装到您的MATLAB路径工具箱，工具
123
- 通过图模型表示本体中概念以及概念之间的语 义关系，用来将一个概念和一个文档扩展为一个语义模糊集，并计算模糊集合之间的相似度。-Between the concept and the concept of language in the body through the graph model Justice relationship, to a conceptual and a document extension is a semantic fuzzy set, and calcula
Fgloble_graphi
- 图挖掘，图聚类m文件主要包含4个功能：图的生成，图相似度分析析，节点符号化，边权挖掘，详细说明见注释，已通过测试。 -Graph mining site cluster m file contains four main functions: the generation of map, Figure similarity analysis, node symbols, tap the edge of the right described in detail in the Notes, h
networkjulei
- 先基于系统网络扩散，生成每个图中节点对网络的影响，再算相似度，最后使用k均值聚类-First diffusion-based system network, generated for each graph node on the network effect, and then calculate the similarity, and finally use the k-means clustering
EuclideanSimilarityNormalized
- EuclideanSimilarityNormalized
Hyperspectral-Image-Classification-Through-Bilaye
- Hyperspectral image classification with limited number of labeled pixels is a challenging task. In this paper, we propose a bilayer graph-based learning framework to address this problem. For graph-based classification, how to establish the n
histram
- 用于相似颜色图像检索，传统直方图法，巴氏系数法，传统欧式距离法-For the image similarity graph, the traditional histogram Bhattacharyya coefficient method, traditional Euclidean distance method
Interactive---image-segmentation
- 本文提出的超像素渐进合并算法应用了图论的基本框架：一幅图像被映 射成一个加权的无向图，其中超像素被当作图中的顶点，而相邻超像素之间通过边 相连，由超像素间的相似度计算出相应边的权值，通过排序每次合并权值最小的两 个超像素。-Shot into a weighted undirected graph, including super pixels as the vertices in the graph, and the adjacent pixels by boundary betw
LEM-Algorithm
- LEM（拉普拉斯特征映射）算法，拉普拉斯特征映射是基于局部邻域，保持局部结构的流形学习方法。LEM通过一个无向加权图刻画流形上数据点间的近邻关系，图的顶点为原始数据点，图的边对应点之间的近邻关系，边的权值对应近邻点之间的相似程度（也可以是某种距离），LEM在低维嵌入空间中尽量保持图中数据点之间的近邻关系，然后求取嵌入坐标。通俗的说，LEM认为在高维数据空间离得近的点在低维嵌入空间也应该离得近-LEM (Laplace feature mapping) algorithm, Laplace fea
pmfg(1)
- Build the PMFG graph a similarity matrix-Build the PMFG graph a similarity matrix
Node Similarity-based Graph Clustering and Visualization
- The basis of the presented methods for the visualization and clustering of graphs is a novel similarity and distance metric, and the matrix describing the similarity of the nodes in the graph. This matrix represents the type of connections between th
Archetype-Hull-Ranking
- 我们设计一个新奇的规则化框架以学习相似性度量用于无约束人脸验证。我们形式化它的目标函数通过融合鲁棒性对于大规模的个人人脸的内部变化和新奇的相似性度量的辨别力。额外，我们的形式是一个凸优化问题，保证了全局最优解的存在。-we migrate such a geometric model to address face recognition and verification together through proposing a unified archetype hull rankin
simrank
- simrank实现图结构相似度计算，计算各个节点相似度-Simrank to achieve the similarity of the graph structure calculation, calculate the similarity of each node