cvpr2019_金字塔特征注意网络以进行显着性检测 赵婷和吴相干撰写的CVPR 2019论文“用于显着性检测的金字塔特征注意网络”的源代码。 （ ） 下载显着性地图 为了方便起见，我们提供了本文中使用的基准数据集的显着性图。 Google： 百度：提取：9yt5 设置 安装依赖项： Tensorflow (-gpu) Keras numpy opencv-python matplotlib 用法： train: python train.py --train_file=train_pair.txt --model_weights=model/vgg16_no_top.h5 test: jupyter notebook run dome.ipynb 结果 如果您认为这项工作有帮助，请引用 @inproceedings{zhao2019pyrami

面向高维数据的分层特征选择算法软件工程研究.docx

用于特征选择任务的简单遗传算法（GA），可以选择潜在特征以提高分类精度。 说明了 GA 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

包含5大类特征筛选方法，12小类特征筛选方法的原理以及python实现代码。

提出了一种基于遗传算法的大数据特征选择算法。该算法首先对各维度的特征进行评估，根据每个特征在同类最近邻和异类最近邻上的差异度调整其权重，基于特征权重引导遗传算法的搜索，以提升算法的搜索能力和获取特征的准确性；然后结合特征权重计算特征的适应度，以适应度作为评价指标，启动遗传算法获取最优的特征子集，并最终实现高效准确的大数据特征选择。通过实验分析发现，该算法能够有效减小分类特征数，并提升特征分类准确率。

relie特征选择代码，可用于前期数据预处理。MATLAB代码，包含数据，可直接使用

关于数据预处理，特征选择的主要技术原理，包括特征离散化，特征交叉，单特征/多特征AUC，残差分析，方差选择法，卡方检验，互信息特征选择，逻辑回归计算特征重要度，距离相关系数，衡量数据分布的箱线图介绍等。

提出了一种基于随机森林的封装式特征选择算法RFFS，以随机森林算法为基本工具，以分类精度作为准则函数，采用序列后向选择和广义序列后向选择方法进行特征选择。在 UCI数据集上的对比实验结果表明，RFFS算法在分类性能和特征子集选择两方面具有较好的性能。

这是我们为基于BBPSO的特征选择而开发的Matlab工具箱，称为MIBBPSO。 该程序的详细信息可以在论文“Feature Selection Using Bare-Bones Particle Swarm Optimization with Mutual Information”中找到，该论文已提交给Pattern Recognition杂志。 在这个工具箱中，主函数被命名为“main”。