自然场景中的文本经常会存在着文本背景复杂,文字排列不规则等因素的影响,导致文本检测的难度大幅度提升。为了进一步提升文本检测精度,在基于分割的检测技术DBNet(Real-time Scene Text Detection with Differentiable Binarization)...自然场景中的文本经常会存在着文本背景复杂,文字排列不规则等因素的影响,导致文本检测的难度大幅度提升。为了进一步提升文本检测精度,在基于分割的检测技术DBNet(Real-time Scene Text Detection with Differentiable Binarization)的基础上,提出了一种改进的用于复杂自然场景的文本检测方法。改进点主要是加强DBNet网络模型的特征提取能力,在特征图融合之前加入下文提取模块CEM模块,通过空洞卷积增大感受野,再加入注意力引导模块AM,增强对小目标文字区域的检测,通过这些改进提高检测网络的精度。改进后的算法在测试集上的准确率达到92.1%,比改进前提升了0.7%。改进后的算法在真实场景的文本检测任务下提升了检测的准确率,表现出该检测算法的优越性。展开更多
伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD(Video On Demand)推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推...伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD(Video On Demand)推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推荐节目的方法难以应对节目冷启动.为此,本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP(Over the First by Adding Preference).首先,利用聚类方法对每个用户实现差异性的收视时段划分,构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵;其次,提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动,从而实现预推荐;最后,通过融合用户偏好、预推荐评分权重与预推荐结果,构建评分预测函数,将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明,采用Precision@N和Recall@N作为评价标准,本文所提方法OFAP明显优于对比算法.展开更多
文摘自然场景中的文本经常会存在着文本背景复杂,文字排列不规则等因素的影响,导致文本检测的难度大幅度提升。为了进一步提升文本检测精度,在基于分割的检测技术DBNet(Real-time Scene Text Detection with Differentiable Binarization)的基础上,提出了一种改进的用于复杂自然场景的文本检测方法。改进点主要是加强DBNet网络模型的特征提取能力,在特征图融合之前加入下文提取模块CEM模块,通过空洞卷积增大感受野,再加入注意力引导模块AM,增强对小目标文字区域的检测,通过这些改进提高检测网络的精度。改进后的算法在测试集上的准确率达到92.1%,比改进前提升了0.7%。改进后的算法在真实场景的文本检测任务下提升了检测的准确率,表现出该检测算法的优越性。
文摘伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD(Video On Demand)推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推荐节目的方法难以应对节目冷启动.为此,本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP(Over the First by Adding Preference).首先,利用聚类方法对每个用户实现差异性的收视时段划分,构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵;其次,提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动,从而实现预推荐;最后,通过融合用户偏好、预推荐评分权重与预推荐结果,构建评分预测函数,将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明,采用Precision@N和Recall@N作为评价标准,本文所提方法OFAP明显优于对比算法.
