针对双边滤波器灰度相似权函数易受噪声影响且在图像细节区域滤波存在盲目性的问题，提出一种新的图像三边滤波器用以过滤高斯噪声。通过局部结构张量奇异值分解估计图像的几何结构信息， 获得能够刻画图像内容差异的特征信息。在此基础上，设计基于图像特征分类的灰度相似权函数，同时通过引入结构相似权的方式将鲁棒的特征信息耦合到双边滤波器框架下，以保持更多的图像细节。利用三边加权提供更可靠的像素相似性度量方式，并采用局部自适应滤波参数选取方法进一步提高算法的滤波性能。实验结果表明，该滤波器在去除噪声的同时能够较好地保持图像的边缘、纹理等结构信息。

该代码实现两幅图像之间的配准，相似性测度采用的是均方误差，优化算法使用的是常规梯度下降法。

特里斯坦·乌塞尔两条曲线之间的 Frechet 距离2013 年 5 月，2020 年 6 月更新 f = frechet(X1,Y1,X2,Y2) f = frechet(X1,Y1,X2,Y2,res) (X1,Y1) 是第一条曲线的有序 x 和 y 坐标。 (X2,Y2) 是第二条曲线的有序 x 和 y 坐标。 组成两条曲线的点数不必相同。 'res' 是一个可选的正参数，用于设置跨越任意两点之间的最小成对距离和任意两点之间的最大成对距离的线性间隔距离的数量。 通常，请先尝试不设置“ res”，因为这样可以确保提供最高精确度的答案。 如果计算时间太长，请尝试为初学者设置 'res=1000'。 不使用“res”时，脚本会检查成对距离 (O(N^2)) 的所有唯一值的阈值。 这对于由（例如）1000 个点组成的曲线可能没问题，但不是 100,000。 此函数估计 Freche

提出了曲线形态相似性的定义与度量问题.介绍了一种曲线的划分方法,得到一个曲线的比值样本,基于统计学原理,给出了曲线相似性的定义与度量方法.并通过算例验证了该相似性度量方法的可行性.

多元时间序列由于多元性和变量间的相关性而趋于复杂 。简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的 Froenius加权平方范数为度量工具,提出了基于 haar小波变换的多元时间序列间相似性匹配方法 。实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度 。

Siamese：孪生神经网络在tf2（tensorflow2）当中的实现 目录 实现的内容 该仓库实现了孪生神经网络（Siamese network），该网络常常用于检测输入进来的两张图片的相似性。该仓库所使用的主干特征提取网络（backbone）为VGG16。 所需环境 tensorflow-gpu==2.2.0 注意事项 训练Omniglot数据集和训练自己的数据集可以采用两种不同的格式。需要注意格式的摆放噢！ 文件下载 训练所需的vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5可在百度网盘中下载。 链接: 提取码: 9ij5 我一共会提供两个权重，分别是vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5和Omniglot_vgg.h5。 其中: Omniglot_vgg.h5是Omni

以图像匹配概率和匹配精度为准则，对几种经典的相似性度量进行了比较研究。得出绝对差(AD)与平均绝对差(MAD)算法等价；平方差(SD)、平均平方差(MSD)、积相关(Prod)与归一化积相关(Nprod)算法等价的结论。当图像信噪比较低时，Prod/Nprod/SD/MSD算法优于AD/MAD算法；否则，后者优于前者。相似性度量的比较研究可为实际应用中图像配准或景象匹配问题中相似性度量的选择提供重要的参考依据。

该脚本模拟了Tomas Milokov的“利用机器翻译的语言之间的相似性”中的实验。 用法： 使用gensim在word2vec中训练两个模型，一个在目标语言中，一个在源语言中。 加载两者，然后运行脚本以查看准确性@ 5和准确性@ 1。 有关完整的实验详细信息，请参见论文。 这是Mostafa Chatillon在中的脚本的净化后的注释版本。

提出了一种基于二维正交投影图像的三维模型相似性比较算法。首先计算三维模型的二维正交投影图像，然后提取二维正交投影图像的边缘轮廓夹角特征，并比较这些二维正交投影图像的相似性，最后通过二维正交投影图像的轮廓相似性来获取三维模型的相似性。实验验证了该算法的可行性，并且其对于三维模型检索所要求的平移、旋转和缩放不变性具有较好的鲁棒性。

提升链路预测精度是复杂网络研究的基础问题之一，现有的基于节点相似的链路预测指标没有充分利用网络节点的重要性，即节点在网络中的影响力。针对以上问题提出基于节点重要性的链路预测算法。该算法在基于局部相似性链路预测算法的共同邻居( CN) 、Adamic-Adar( AA) 、Ｒesource Allocation( ＲA) 相似性指标的基础上，充分利用了节点度中心性、接近中心性及介数中心性的信息，提出考虑节点重要性的 CN、AA、ＲA 链路预测相似性指标。在 4 个真实数据集上进行仿真实验，以 AUC 值作为链路预测精度评价指标，实验结果表明，改进的算法在 4 个数据集上的链路预测精度均高于共同邻居等对比算法，能够对复杂网络结构产生更精确的分析预测.