基于Python+PyEcharts的数据可视化应用

在大数据时代背景下,如何从海量的数据中快速获取有价值的信息,从而发现数据中蕴藏的规律,显得格外重要。本文基于第七次全国人口普查的部分数据,利用Python语言结合PyEcharts可视化工具包实现了数据的可视化展示。谨以此,为数据可视化学习者提供参考与借鉴。

基于局部抑制线性编码的图像快速识别方法

传统的图像识别方法如ScSPM、LLC都是在SIFT的基础上提取特征,忽略了人工特征的局限性,且单张图像识别耗时略长。考虑到这些不足,提出了一种基于局部抑制线性编码的图像快速识别方法。该方法首先直接利用局部抑制线性编码提取图像局部特征描述子;然后用线性空间金字塔匹配(LSPM)对特征描述子进行计算;最后将计算结果输入到线性支持向量机(LSVM)中进行训练和测试。在3个常用的图像数据集上的实验结果表明,该方法在类别不多的情况下具有很好的识别准确率,同时大大减少了单张图像识别耗时,从而验证了该方法在图像识别上的有效性。

基于深度学习特征的图像检索方法

针对图像高维特征占用巨大存储空间的问题,考虑到其中一些特征存在高度相关性,提出一种基于深度学习特征的图像检索方法。利用卷积神经网络,提取基于深度学习的图像特征;通过分析特征本身存在的相关性,采用主成分分析算法,对特征降维的同时尽量降低信息的损失;在此基础上对特征进行哈希编码,利用编码做快速图像检索。Caltech101和Caltech256数据集上的实验结果表明,相比直接使用原始深度特征进行编码检索,所提方法的检索性能更好。

基于卷积神经网络和哈希编码的图像检索方法

在图像检索中,传统的基于人工特征的检索方法并不能取得很好的效果。为此提出一种结合卷积神经网络和以前最好水准的哈希编码策略的图像检索方法。鉴于近几年卷积神经网络在大量的计算机视觉任务上的巨大进步,该方法首先使用在ILSVRC数据集上预训练过的VGGNet-D网络模型对实验图像数据集提取卷积特征来得到图像的深层表示,再采用以前最好水准的哈希策略将这些深层表示进行编码,从而得到图像的二进制码,最后再进行快速图像检索。在两个常用的数据集Caltech101和Caltech256上的实验结果表明,本文方法的5个策略相比于以前最好水准的相应的图像检索策略在"精度-召回率"和"平均正确率值-编码位数"两个指标上能获得更优异的性能,证明了本文方法在图像检索上的有效性。

基于深度学习的油画分类网络模型

针对既有的深度学习网络结构模型在油画数据集上取得的分类结果较差的问题,提出了一种基于深度学习的油画分类网络模型。利用AlexNet网络抑制过拟合的Dropout算法和GoogleNet网络加深网络深度和宽度的Inception模块,构建一种层数和训练用时相对较少的网络模型。实验结果表明,新网络模型的油画分类准确率比AlexNet和GoogleNet高。

基于Python的古诗文数据爬取与可视化分析

本文利用爬虫技术爬取了古诗文网(https://www.gushiwen.cn/)收录的关于思乡的古诗文数据。然后,对爬取的数据进行清洗和存储。接着,采用Python语言结合PyEcharts数据可视化库对古诗文内容和诗人所在的朝代(时代)进行可视化。最后,筛选出了思乡诗中出现频率较高的词汇,分析了哪个朝代(时代)盛产思乡类的诗文。用计算机相关技术分析古诗文数据,旨在为新兴科技的研究融入人文情怀和传统文化,为传统文化的研究提供新的思路和视角,为课程思政的实践提供案例参考。