针对DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法内存占用率较高的问题,文中将改进的DBSCAN聚类算法与Spark平台并行聚类计算理论相结合,对海量数据采用分而治之的办法进行聚类处理,大幅减小了算法...针对DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法内存占用率较高的问题,文中将改进的DBSCAN聚类算法与Spark平台并行聚类计算理论相结合,对海量数据采用分而治之的办法进行聚类处理,大幅减小了算法对内存的占用率。实验仿真结果表明,所提出的并行计算方法能够有效缓解内存不足的问题,并且该方法也能够用来评价DBSCAN聚类算法在Hadoop平台下的聚类分析效果,还能对两种聚类方法进行对比分析,从而获得较好的计算性能;且其比在Hadoop平台上的计算加速度提高了24%左右,因此可以用以评价DBSCAN聚类算法在聚类处理方面的优劣。展开更多
文摘针对DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法内存占用率较高的问题,文中将改进的DBSCAN聚类算法与Spark平台并行聚类计算理论相结合,对海量数据采用分而治之的办法进行聚类处理,大幅减小了算法对内存的占用率。实验仿真结果表明,所提出的并行计算方法能够有效缓解内存不足的问题,并且该方法也能够用来评价DBSCAN聚类算法在Hadoop平台下的聚类分析效果,还能对两种聚类方法进行对比分析,从而获得较好的计算性能;且其比在Hadoop平台上的计算加速度提高了24%左右,因此可以用以评价DBSCAN聚类算法在聚类处理方面的优劣。
文摘现有基于深度学习的面部表情识别模型不能有效地应对面部遮挡部分的干扰,无法准确捕捉面部未遮挡部分的特征,会导致识别准确率降低。为此,提出一种新型融合注意力机制的遮挡面部表情识别框架FER-AM(facial expression recognition framework based on attention mechanism),应用局部特征网络提取面部表情的局部关键特征,设计全局特征网络学习整个面部表情中的互补信息,采用注意力机制处理面部遮挡部分如眼镜、口罩和围巾等。在RAF-DB、AffectNet、CK+(Cohn Kanade)及FED-RO数据集进行大量实验,结果表明:FER-AM的7种表情分类性能均优于基于深度学习的代表性人脸面部表情识别模型,识别准确率达到88.1%。
