Similarity Assessment of UML Sequence Diagrams Using Dynamic Programming. In Advances in Visual Informatics, Halimah Badioze Zaman, Peter Robinson, Alan F. Smeaton, Timothy K. Shih, Sergio Velastin, Tada Terutoshi, Azizah Jaafar, and Nazlena Mohamad Ali (Eds.). Springer International Publishing, Cham, 270–278
时间: 2023-06-20 07:04:13 浏览: 62
该论文是在视觉信息学方面的进展中发表的,主要讨论了使用动态规划来评估 UML 序列图的相似性。书中的编辑包括 Halimah Badioze Zaman、Peter Robinson、Alan F. Smeaton、Timothy K. Shih、Sergio Velastin、Tada Terutoshi、Azizah Jaafar 和 Nazlena Mohamad Ali。该论文发表于 Springer International Publishing 出版的书籍中,该书籍的标题为 Advances in Visual Informatics。该论文的页码为 270-278。
相关问题
Using standard cosine similarity across track and box embeddings results in an M × N appearance cost matrix中文解释
在“使用标准余弦相似度对轨迹和框嵌入进行计算,得到一个 M × N 外观成本矩阵”的语境中,M 和 N 分别表示轨迹和框的数量。外观成本矩阵是一个 M × N 的矩阵,用于计算轨迹和框之间的相似度或距离。
在这种情况下,通过计算轨迹和框之间的余弦相似度,可以得到一个 M × N 的矩阵,其中每个元素表示相应轨迹和框之间的相似度分数。余弦相似度是一种常用的度量方法,用于衡量向量之间的相似程度,它基于向量的方向而不是大小。
这个外观成本矩阵可以用于目标跟踪、目标检测或其他相关任务中的匹配过程。通过在外观成本矩阵中选择最佳匹配来确定轨迹和框之间的关联,从而实现跟踪或检测任务的完成。具体的匹配算法和阈值选择会根据具体应用而有所不同。
为什么一个四维tensor经过F.cosine_similarity变成三维了
在 PyTorch 中,`F.cosine_similarity` 函数计算的是两个输入张量之间的余弦相似度。当一个四维张量经过 `F.cosine_similarity` 函数处理后变成三维,这是因为该函数默认会在指定的维度上进行计算,并返回一个降维后的结果。
如果输入的张量是四维的,例如大小为 (N, C, H, W),其中 N 表示样本数,C 表示通道数,H 表示高度,W 表示宽度,那么使用 `F.cosine_similarity` 函数计算时,默认会在维度 1 上进行计算,即通道维度。
以下是一个示例:
```python
import torch
import torch.nn.functional as F
# 创建一个四维张量
x = torch.randn(2, 3, 4, 5)
# 计算余弦相似度
similarity = F.cosine_similarity(x, x)
print(similarity.shape) # 输出: torch.Size([2, 4, 5])
```
在这个示例中,输入的四维张量经过 `F.cosine_similarity` 函数处理后变成了一个三维张量,大小为 (2, 4, 5)。其中,2 是样本数,4 和 5 分别是余弦相似度在通道维度上和空间维度上的大小。