LoFTR：与变压器互不影响的无检测器局部特征 | LoFTR：与变压器互不干扰的本地特征匹配*，*， *，，CVPR 2021 代码发布ETA 我们计划在接下来的一周内发布仅推理的代码和预训练的模型，敬请期待。 用于数据预处理，培训和验证的整个代码库正在进行重大重构，并将于6月左右发布。 如果您希望收到代码发布的通知，请订阅。 同时，在中欢迎对该文件进行。 引文 如果您发现此代码对您的研究有用，请使用以下BibTeX条目。 @article{sun2021loftr, title={{LoFTR}: Detector-Free Local Feature Matching with Transformers}, author={Sun, Jiaming and Shen, Zehong and Wang, Yuang and Bao, Hujun and Zhou, Xiao

Feature phone的MTK编译环境在Win10下安装，内含说明文档。

基于MATLAB的MIDI音乐文件处理工具包操作指南，提取MIDI格式的相关特征

OpenType功能冻结器 使用 ，您可以将某些OpenType功能“冻结”为一种字体。 然后，这些功能会“默认情况下处于启用状态”，因此，即使在不支持OpenType功能的应用程序中（例如LibreOffice，OpenOffice和Windows XP），以前只能通过OpenType功能访问的字符（例如小写字母，旧式数字或本地化形式）现在也可以访问。或在不支持特定功能的应用中（例如Microsoft Office（如果使用小写字母））。 注意：该工具实际上通过应用指定的GSUB功能来重新映射字体的cmap表。 如果字形都没有任何cmap条目，则替换将不起作用。 仅支持单个和替代替换。

SourceAFIS for Java SourceAFIS是一种指纹识别引擎，可获取一对人类指纹图像并返回其相似度分数。 它可以进行1：1比较以及高效的1：N搜索。 这是SourceAFIS算法的Java实现。 文档： ， ， ， 下载：请参阅页面 资料来源： ， 问题： ， 许可证： FingerprintTemplate probe = new FingerprintTemplate ( new FingerprintImage ( Files . readAllBytes( Paths . get( " probe.jpeg " )), new FingerprintImageOptions () .dpi( 500 ))); FingerprintTemplate candidate = new FingerprintTemplate ( n

自动编码器降维 自动编码器可用于特征提取和降维。 它们也可以与受限玻尔兹曼机器结合使用深度学习应用程序，例如“深层信念网络”。 它具有“编码器”和“解码器”两个阶段，“编码器”将逐步压缩输入，在压缩过程中选择最重要的功能。 解码器与编码器相反，它可以尽可能地重新创建输入。 要求 Python 3.6及更高版本 TensorFlow 1.6.0及更高版本 脾气暴躁的 Matplotlib 执行 该实现使用MNIST数据集来重建输入。 由于MNIST图像的形状为28 * 28，因此输入为784。我们的模型将是3层，每层减少特征，并在解码器阶段重建inut， Encoder Decoder [784] -> [256] -> [128] -> [64] -> [128] -> [256] -> [784] 此实现的最

深度神经网络自监督视觉特征学习综述 为了在计算机视觉应用中学习得到更好的图像和视频特征，通常需要大规模的标记数据来训练深度神经网络。为了避免收集和标注大量的数据所需的巨大开销，作为无监督学习方法的一个子方法——自监督学习方法，可以在不使用任何人类标注的标签的情况下，从大规模无标记数据中学习图像和视频的一般性特征。本文对基于深度学习的自监督一般性视觉特征学习方法做了综述。首先，描述了该领域的动机和一些专业性术语。在此基础上，总结了常用的用于自监督学习的深度神经网络体系结构。接下来，回顾了自监督学习方法的模式和评价指标，并介绍了常用的图像和视频数据集以及现有的自监督视觉特征学习方法。最后，总结和讨论了基于标准数据集的性能比较方法在图像和视频特征学习中的应用。 https://ieeexplore.ieee.org/document/9086055 https://www.zhuanzhi.ai/paper/0e9852bb57c7fe00cc59723fc0ee899f 引言 由于深度神经网络具有学习不同层次一般视觉特征的强大能力，它已被作为基本结构应用于许多计算机视觉应用，如目标检测[1]、[2]、[3]、语义分割[4]、[5]、[6]、图像描述[7]等。从像ImageNet这样的大规模图像数据集训练出来的模型被广泛地用作预训练模型和用于其他任务的微调模型，主要有两个原因:(2)在大规模数据集上训练的网络已经学习了层次特征，有助于减少在训练其他任务时的过拟合问题;特别是当其他任务的数据集很小或者训练标签很少的时候。 深度卷积神经网络(ConvNets)的性能在很大程度上取决于其能力和训练数据量。为了增加网络模型的容量，人们开发了不同类型的网络架构，收集的数据集也越来越大。各种网络，包括AlexNet [9]， VGG [10]， GoogLeNet [11]， ResNet [12]， DenseNet[13]和大规模数据集，如ImageNet [14]， OpenImage[15]已经被提出训练非常深的ConvNets。通过复杂的架构和大规模的数据集，ConvNets的性能在许多计算机视觉任务[1]，[4]，[7]，[16]，[17]，[18]方面不断突破先进水平。 然而，大规模数据集的收集和标注是费时和昂贵的。ImageNet[14]是pre-training very deep 2D convolutional neural networks (2DConvNets)中应用最广泛的数据集之一，包含约130万张已标记的图像，覆盖1000个类，而每一幅图像由人工使用一个类标签进行标记。与图像数据集相比，视频数据集由于时间维度的原因，其采集和标注成本较高。Kinetics数据集[19]主要用于训练ConvNets进行视频人体动作识别，该数据集由50万个视频组成，共600个类别，每个视频时长约10秒。许多Amazon Turk工作人员花了大量时间来收集和注释如此大规模的数据集。 为了避免费时和昂贵的数据标注，提出了许多自监督方法来学习大规模无标记图像或视频的视觉特征，而不需要任何人工标注。一种流行的解决方案是提出各种各样的前置任务让网络来解决，通过学习前置任务的目标函数来训练网络，通过这个过程来学习特征。人们提出了各种各样的自监督学习任务，包括灰度图像着色[20]、图像填充[21]、玩图像拼图[22]等。藉口任务有两个共同的特性:(1)图像或视频的视觉特征需要被ConvNets捕捉来解决前置任务;(2)监控信号是利用数据本身的结构(自我监控)产生的。 自监督学习的一般流程如图1所示。在自监督训练阶段，为ConvNets设计预定义的前置任务，并根据数据的某些属性自动生成前置任务的伪标签。然后训练卷积神经网络学习任务的目标函数。当使用前置任务进行训练时，ConvNet的较浅的块集中于低级的一般特征，如角、边和纹理，而较深的块集中于高级任务特定的特征，如对象、场景和对象部分[23]。因此，通过藉由任务训练的ConvNets可以学习内核来捕获低级特征和高级特征，这对其他下游任务是有帮助的。在自监督训练结束后，学习到的视觉特征可以作为预训练的模型进一步转移到下游任务中(特别是在数据相对较少的情况下)，以提高性能和克服过拟合。通常，在有监督的下游任务训练阶段，仅从前几层传递视觉特征。

Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》--- 介绍 此工具箱提供 30 种类型的 EEG 功能 A_Main文件显示了如何使用生成的样本信号应用特征提取方法。 输入 X : 信号 (1 x样本) opts : 参数设置（有些方法有参数：参考） 输出 feat ：特征向量（您可以使用其他名称，如f2等） 用法 采用主函数jfeeg进行特征提取。 您可以通过将'me'更改为来切换方法 如果你想提取平均能量（ ME ），那么你可以写 feat = jfeeg('me', X); 如果你想提取 hjorth 活动（ HA ），那么你可以写 feat = jfeeg('ha', X); 示例 1：提取 3 个正常特征（不带参数） % Generate a sample random signal X fs = 500; %

差影法matlab代码 主动脉分割与特征提取系统页面展示部分代码 系统最终效果 主动脉病例预览模块 该部分是主动脉病例预览模块的效果，包括分页显示病例，点击病例后可以显示对应的病例CT的第一帧，并在拖动进度条的时候对该病例的CT的所有数据实现预览。 主动脉分割展示模块 显示三个部分的内容，分别是主动脉CTA原图像帧，对应帧的分割热图，最终判断的结果 主动脉特征提取模块 该图是主动脉分割后的3D的体数据和对应中心线提取结果和主动脉的走向的获取。 该图是主动脉的形态特征即长短轴长度的统计 该图是主动脉的影像值特征即像素均值方差的统计 系统运行需求 python==3.6.0 django==2.0 Pillow==6.2.1 numpy==1.17.4 matlab==R2018a 系统运行方法 可用conda创建python36的环境，然后conda activate python36 在python36的环境里进行进入myechartsite目录，运行python manage.py runserver 在本地浏览器中输入：

心音分割：基于LSTM神经网络和傅里叶同步压缩变换的心音分割