基于远监督的中文关系抽取

针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性损失中,并且联合视差图平滑性损失、图像重构损失、视差图一致性损失作为训练的总损失。实验结果表明,经过在KITTI数据集上的训练,该模型在KITTI和Make3D数据集上相比其他单目深度估计方法具有更高的准确性和实时性,基本满足无人机自主飞行对深度估计准确性和实时性的要求。

Cluster_2D_Visualization.m 是一个生成随机（均匀）分布数据点的脚本，运行 kMeans.m 和 MATLAB 的内置 kmeans 函数，测量和比较它们的性能（即计算时间），并可视化最终的集群和数据的分布直方图中聚类中的点。 kMeans.m 实现 k-means（无监督学习/聚类算法）。 技术细节： 初始质心是从所有数据点的集合中随机选择的（每个数据点最多一次）。 停止条件是不对任何集群进行任何更改。 clustering_app.mlapp 打开一个带有 GUI 的应用程序，您可以在其中随机生成数据点并将它们聚类。 您可以重新点击所有按钮以查看点生成和聚类算法中的随机性。 clustering_app.mlappinstall 在 MATLAB 编辑器中安装 MATLAB 应用程序。

在当今时代，检测和预测任何疾病非常重要，为什么要这样做，因为每个人都忙于日常生活，没有人关心自己的健康，也没有人遵循适当的饮食，这种鲁leads的行为会导致多种疾病。 在所有疾病中，心脏病是一种非常严重的疾病。 心脏病的主要原因之一是吸烟，饮酒和缺乏运动等。WHO（世界卫生组织）记录说，有3100万人死于CVD（心血管疾病）。 因此，有必要在心脏病发作之前对心脏病进行预测。 有大量来自医疗保健行业和医院的数据，但是像医生或医学专家这样的人却无法分析这些数据，因此机器学习可以分析大量数据并提供更好的结果。 过去几年的研究人员发现，机器学习在分析数据方面非常有效，因此我们提出了几种机器学习算法，例如人工神经网络（ANN），随机森林（RF），逻辑回归，K近邻（KNN） ），朴素贝叶斯（NB），支持向量机（SVM），决策树（DT）等来预测心脏病。 并且在本文中，我们获得了各种机器学习算法的结果，并进行了比较。

上海大学-智能系统控制（计算机专业课）-智能系统控制实验八-RBF网络逼近仿真实例与RBF网络监督控制实例-matlab实现及报告 包含源代码 实验代码 实验分析 实验结果 结论 可直接运行

基于眼底图像监督学习的整体视网膜血管分割

数据集名称：成人自闭症谱系筛查数据 摘要：自闭症谱系障碍（ASD）是一种与显着的医疗费用有关的神经发育疾病，早期诊断可以显着减少这些疾病。 不幸的是，等待ASD诊断的时间很长，而且程序的成本效益也不高。 自闭症的经济影响和全世界ASD病例数量的增加表明，迫切需要开发易于实施和有效的筛查方法。 因此，迫切需要进行时间高效且可访问的ASD筛查，以帮助卫生专业人员并告知个人是否应进行正式的临床诊断。 全球ASD病例数的快速增长需要与行为特征相关的数据集。 但是，这样的数据集很少，因此很难进行全面的分析以提高ASD筛选过程的效率，敏感性，特异性和预测准确性。 目前，与临床或筛查有关的自闭症数据集非常有限，并且大多数都是自然遗传的。 因此，我们提出了一个与成人自闭症筛查有关的新数据集，其中包含20个特征，可用于进一步分析，特别是在确定有影响力的自闭症特征和改善ASD病例分类方面。 在此数据集中，我们

matlab的egde源代码Matlab监督下降法的实现 用于面对齐的监督下降方法（SDM）的简单Matlab实现。 我提供了培训和测试模块以及300W数据集的LFPW子集的一种经过训练的模型。 您可以找到我的实现的原始文件： Xiong et F.De la Torre，监督下降法及其在人脸对准中的应用，CVPR 2013。 ================================================== ========================= 依赖关系： Vlfeat库： libLinear： 使用的数据集： [300瓦] 如何使用： 从上面的链接下载300-W数据（即LFPW），并将其放入“ ./data”文件夹，然后在setup.m中将数据集路径更正为数据集文件夹 mkdir -p数据 例如： options.trainingImageDataPath\n='./data/lfpw/trainset/'; options.trainingTruthDataPath\n='./data/lfpw/trainset/'; options.testingI

颜色分类leetcode SuSi：Python 中的监督自组织地图 用于无监督、监督和半监督自组织映射 (SOM) 的 Python 包 描述 我们展示了 Python 的 SuSi 包。 它包括用于无监督、监督和半监督任务的全功能 SOM： SOMClustering：用于聚类的无监督 SOM SOMRegressor：（半）监督回归 SOM SOMClassifier：（半）监督分类 SOM 执照： 作者： 引文： 查看和在文件中 文档： 安装： 纸： 安装 点 pip3 install susi conda conda install -c conda-forge susi 可以在 中找到更多信息。 例子 可以在 中找到代码示例的集合。 可以在此处找到作为 Jupyter Notebook 的代码示例： 常见问题 我应该如何设置 SOM 的初始超参数？ 有关超参数的更多详细信息，请参见 。 如何优化超参数？ SuSi 超参数可以优化，例如，使用 ，因为 SuSi 包是根据几个 scikit-learn 指南开发的。 引文 包含两个参考的 bibtex 文件在 . 纸： FM R

弱监督的CNN分割的正则损失（rloss） （Caffe和Pytorch） 为了使用弱监督（例如，涂鸦）训练CNN进行语义分割，我们提出了规则化的损失框架。 损失包括两个部分，即涂抹时的部分交叉熵（pCE）损失和正则化损失（例如DenseCRF）。 如果您在此处使用代码，请引用以下论文。 “关于弱监督的CNN分割的规则损失” ，（ ，（ ，（ ，（ ） 在2018年9月于德国慕尼黑举行的欧洲计算机视觉会议（ECCV）上。 DenseCRF丢失 要包括CNN的DenseCRF损失，请添加以下损失层。 它有两个底部斑点，第一个是RGB图像，第二个是软分割分布。 我们需要为XY（bi_xy_std）和RGB（bi_rgb_std）指定高斯内核的带宽。 layer { bottom: "image" bottom: "segmentation" propagate_