组织病理学-染色颜色归一化
深度卷积高斯混合模型，用于组织病理学H＆E图像中的污点色归一化。 TensorFlow GPU实施。
概述
污点颜色变化会降低计算机辅助诊断（CAD）系统的性能。 在组织病理学图像中的训练集和测试集之间存在严重的颜色差异的情况下，包括深度学习模型在内的当前CAD系统会遭受这种不良影响。 污点色归一化被称为补救措施。
方法
可以将色标归一化模型定义为一种生成模型，该模型可以通过在输入图像上应用以创建输入图像的不同颜色副本，从而以某种方式将转换后的图像包含特定的色度分布。 我们提出的方法包括两个阶段：（1）通过考虑图像内容结构的形状和外观来拟合高斯混合模型（GMM）。 为此，利用了卷积神经网络（CNN）的可视化表示和建模。 （2）将估计的分布转换为从次要（模板）图像计算出的任意分布。
特征
完全不受监督的端到端学习算法
归一化图像中色彩恒定性的最佳性能
缺少关于图像
2021-08-20 16:15:16
25.51MB
1
gmm的matlab代码gmm聚类
简单可视化如何将EM算法用于高斯混合模型聚类。
您将需要使用matlab来运行代码。
修改datapath变量以使用另一个数据集，并修改变量K更改群集数。
特色作品：
交互式绘图，您可以在其中选择分布以生成数据
2021-08-16 09:45:40
40KB
1
PDF文档对应于网易公开课上吴恩达教授主讲的机器学习（网址：http://open.163.com/special/opencourse/machinelearning.html）中高斯混合模型（GMM）与EM算法相关内容，补充了Jessen不等式的证明，以及GMM的似然函数最大化的参数的公式推导
2021-08-12 16:35:12
902KB
1
软件定义网络（SDN,software defined network）作为一种新兴的网络架构，其安全问题一直是SDN领域研究的热点，如SDN控制通道安全性、伪造服务部署及外部分布式拒绝服务（DDoS,distributed denial of service）攻击等。针对SDN安全中的外部DDoS攻击问题进行研究，提出了一种基于深度学习混合模型的DDoS攻击检测方法——DCNN-DSAE。该方法在构建深度学习模型时，输入特征除了从数据平面提取的21个不同类型的字段外，同时设计了能够区分流类型的5个额外流表特征。实验结果表明，该方法具有较高的精确度，优于传统的支持向量机和深度神经网络等机器学习方法，同时，该方法还可以缩短分类检测的处理时间。将该检测模型部署于控制器中，利用检测结果产生新的安全策略，下发到OpenFlow交换机中，以实现对特定DDoS攻击的防御。
2021-08-02 22:05:11
1.91MB
1