摘要：为解决自然场景下检测多个交通标志准确率低、特征提取网络复杂等问题,提出一种基于改进Faster R-CNN的交通标志检测算法。将原算法的特征提取网络替换为更深层的密集卷积网络,充分利用跨层密集连接方式,促进层之间信息流和梯度流的传递,实现特征复用;利用瓶颈层和过渡层减少特征维度,降低模型的复杂度。与原算法相比,使用该方法的准确率提高了5.8%,参数量减少了约94.2%,实验结果表明,该方法可以提高交通标志的检测精度并降低网络复杂度。

摘要：为降低K值的不确定性和初始聚类中心的随机性对聚类结果的影响,提出一种基于优化Canopy算法和均值计算法的改进K-means算法——CK-means+。优化Canopy算法,降低距离阈值T不确定性对最终输出K值的影响,通过Canopy算法和均值计算法得到K值和初始中心点。在UCI数据集上,结合Spark框架并行化,实验结果表明,相较其它算法,CK-means+算法效率更高,可以更好适应大规模数据应用场景。