最小熵迁移对抗散列方法

散列算法具有高效的存储和查询特性,被广泛应用于大规模的图像检索.大多数现有的深度散列方法都基于独立同分布的假设,即训练集(源域)和测试集(目标域)的分布一致.然而在现实应用中,源域和目标域往往存在较大的差异,即跨域检索.因此有些研究工作开始将跨域识别的方法引入到跨域检索中,以增强所学散列函数的泛化性.现有跨域检索方法仍存在散列码的判别力不足和域不变能力不足2个问题.提出语义保持模块和最小熵损失来解决这2个问题.语义保持模块是1个分类子网络,该模块可以充分利用源域的类别标注信息,并将该语义信息传递给散列学习子网络使得学习到的散列码包含更多的语义信息,即增强判别力.此外,对于无标注的目标域,熵表征目标域样本的分类响应的集中程度,理想的散列码经过语义保持模块后得到的分类响应应该集中于某一个类别,即最小熵状态.引入最小熵损失促使目标域样本与源域样本在类别响应这一空间上分布更加对齐,进而使得散列码更具域不变性.通过引入语义保持模块和最小熵损失,在现有方法的基础上构建了端到端的跨域检索网络,并在2个数据集上进行了大量实验,与领域内现有主要模型进行了详尽的对比,实验证明所提模型取得了更优的性能.

基于散列的STL拓扑信息重建方法

STL 文件拓扑信息的重建 ,是 STL 文件正确性检验和修复等工作的前提 ,是在产品反求的基础上进行产品再设计的基础。针对现有方法计算复杂 ,计算量大等问题 ,本文首次将半边结构用于 STL 拓扑信息重建过程 ,提出了一种基于散列的 STL 拓扑信息重建新方法 ,该方法可以快速有效地实现 STL

关联规则挖掘算法中散列方法改进的研究

针对散列方法的局限性,本文在该算法的基础上应用了逐层散列与分割的技术来挖掘数据库中的关联规则。针对传统Hash函数选择中的除留余数方法的不健壮性做了研究与改进,并通过了实例证明方法的有效性。

基于散列和计数方法的网络流频繁项挖掘算法

在分析基于计数的流频繁项挖掘算法的优缺点后,针对网络流的实际特性,提出了基于散列方法和计数方法的网络流频繁项挖掘(CBFTSFIM)算法.算法首先采用改进的计数型布鲁姆过滤器(CBF)在不用保存网络流信息的情况下过滤掉部分非频繁项流,使得需要进一步处理的流数目大为减少;然后采用基于时间和流长约束的频繁项挖掘(TSFIM)算法实现流频繁项提取.实际流量数据测试表明:CBFTSFIM算法具有非常高的空间利用率,其在流频繁项提取、流长统计效果上明显优于空间节约计数(SS)等算法.

二叉树CreateBTree算法的改进

在分析二叉树的 Create BTree算法的基础上 ,利用线性探测再散列方法对 Create B-Tree算法的中序遍历序列进行预处理来改进 Create BTree算法 ,使得改进后的 Create BTree算法在最差情况下 ,时间复杂度由 O(N 2 )降为 O(N )。