摘要：为了提高视频中动作识别的准确率和速度,提出一种基于深度神经网络和投影树的高效率动作识别算法。采用三维Harris角点检测时空域中发生显著变化的局部结构,划分动作识别的主要区域和次要区域;设计两种Siamese神经网络以及相应的损失函数,考虑连续帧间的局部一致性,学习视频的主要区域特征;为兴趣点的特征建立投影树,提高查询的匹配速度。基于公开数据集的仿真实验结果表明,该算法实现了较好的无监督学习效果,并且具有较高的效率。

摘要：通过对Spark并行计算框架以及投影树算法的分析,提出基于Spark的投影树频繁项集挖掘算法(projection tree algorithm based on Spark,PTBS)。为解决重复遍历数据集带来的损耗,改变数据的存储结构;利用广播变量对频繁二项集的产生进行改进,降低运算量,减少集群节点间通信的消耗;将Apriori先验性质添加到候选项集的筛选过程中,减少节点间的通信量。将算法与Spark平台所具备的特殊性能相结合,得到基于Spark的投影树关联规则挖掘算法,实验结果表明,该算法具备良好的可扩展性,适宜于处理大规模数据。