基于置信度策略优化的SuperGlue口腔特征匹配算法研究

随着深度学习技术的不断进步,特征匹配算法在计算机视觉领域的重要性日益凸显。传统的SuperGlue算法在特征匹配准确度上已经表现出了优异性能,但在处理低光照和纹理复杂的口腔图像时,其效率和准确性仍有提升的空间。针对上述问题,文中提出一种基于置信度策略优化的SuperGlue口腔特征匹配算法。首先,通过引入一个置信度评分机制,可以更准确地评估特征点对之间的匹配可能性,让算法聚焦于更可能正确的匹配点对;其次,提出动态置信度阈值调整策略,根据口腔图像对的特性和特征点分布自动调整阈值,以达到匹配数量与质量平衡的目的。经过一系列实验验证,改进后的算法在效率和准确性方面都取得了显著提升,尤其是在特征点多样性和图像质量不一的情况下,展现了更好的鲁棒性。设计算法的成功实现,为口腔视觉领域中的特征匹配问题提供了一种新的解决思路,具有重要的理论价值和实际应用前景。

嵌入用户评分偏好置信度的社会化推荐算法

提出一种嵌入用户评分偏好置信度的社会化推荐算法Conf-SMF,将用户评分偏好与拓展后的社会信任关系结合起来,有效提高了推荐质量。在FilmTrust、CiaoDVD和Epinions 3个公开数据集上进行实验,实验结果表明:提出的算法相比TrustMF、CUNE-MF推荐算法,在3个数据集上预测误差最大分别降低5.79%、4.58%;14.13%、12.84%;10%、8.77%。另外,所提出的算法对“冷启动”用户与“活跃”用户的预测评分性能也有所提高。