该研究采用灰度共生矩阵（GLCM）和局部二值模式（LBP）纹理特征提取进行 2D 对象旋转和纹理变化下的目标检测。使用 k 最近邻（KNN）、随机森林（RF）和投票集成（VE）对特征进行分类，其中 VE 方法表现最佳，准确率为 93.9%，F1 得分为 93.8%。该研究探讨了 GLCM 和 LBP 特征向量以及 VE 方法在目标检测中的应用，提高了检测准确性。

May, 2024

基于物体分类的识别方法研究中，对象的变化是一个挑战。本研究提出了一种分类方法，使用投票和组合分类器，结合随机森林、K-NN、决策树、SVM 和朴素贝叶斯分类方法。测试结果表明，投票方法和组合分类器的准确率分别为 92.4% 和 99.3%。研究结果显示，使用组合分类器和投票方法可以提高对象分类准确性，增加了集成学习方法的有效性。

Sep, 2023

通过应用灰度共生矩阵来提取深度神经网络中的表面统计信息，以改善其在未知领域中的分类精度表现，并通过逆梯度方法和依靠灰度共生矩阵的正交子空间来进一步提升性能。

Mar, 2019

该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类，实验结果表明该算法在精度、召回率和准确度方面均优于支持向量机和 K - 最近邻分类器。

Apr, 2023

本文提出了一个用于角点检测的新启发式方法，并使用机器学习从中派生出特征检测器，该检测器可以在少于 5％的处理时间内完全处理实况视频。通过实验比较，该检测器在可重复性和效率方面都表现出色，效果显著优于现有的特征检测器。

Oct, 2008

该研究提出了一种兼容性特定的挖掘方法来搜索一致的邻居，在提取并聚合更可靠的特征方面，使用了一种具有层次结构的神经网络 NM-Net。

Mar, 2019

本论文提出了一种新的纯以 GCN 为基础的 GMC 方法，叫做卷积几何矩阵完成（CGMC），通过新设计的图卷积网络在用户 / 物品之间进行图推荐，实验结果显示 CGMC 在准确性和速度方面优于其他最先进的方法，包括 RMGCNN。

Mar, 2018

基于多层细粒度匹配策略，本文提出了一种名为 KTGP-ORB 的新型特征匹配方法，通过利用特征描述符在汉明空间中的局部外观相似性来建立初始对应关系，结合局部图像运动平滑性约束，使用 GMS 算法增强初始匹配的准确性，并最终采用 PROSAC 算法优化匹配，基于欧几里得空间中的全局灰度信息实现精确匹配。实验结果表明，在具有光照变化和模糊的复杂场景中，KTGP-ORB 方法相比 ORB 算法平均减小了 29.92% 的误差。

Feb, 2024

利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。

Dec, 2017

提出了一种 2D-3D 融合策略，将 3D 几何特征和 2D 纹理特征相结合，实现场景分类任务中的多模态融合，并通过多领域图卷积和最近体素池化等策略提高性能。实验结果表明，该方法在 RGB-D 室内场景分类任务中优于当前的技术水平。

Sep, 2020