监督学习到强化学习-四种深度学习方式原理知多少 深度学习原理.doc
2022-04-15 13:17:32 20KB 学习 深度学习 人工智能
文献:Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation(半监督方法:不确定性感知自增强模型) 原文:https://arxiv.org/abs/1907.07034 代码:https://github.com/yulequan/UA-MT
2022-04-14 21:05:50 554KB 医学图像分割 深度学习 MICCAI
1
监督的高光谱超分辨率耦合解混网中的交叉注意 ,, ,,和 论文代码:。 图。1。 受频谱分解技术启发的拟议的无监督超光谱超分辨率网络的图示,即具有交叉注意的耦合解混网(CUCaNet) ,该网络主要由两个重要模块组成:交叉注意和空间光谱一致性。 训练 请简单地运行./Main_CAVE.py演示,以在两个HSI(伪造的和真实的食物,图表和玩具)上重现我们的HSISR结果(将与在Windows OS上实现的Python 3.7使用)。 之前:有关必需的软件包,请参阅详细的.py文件。 参数:可以更好地调整权衡参数train_opt.lambda_* ,并且网络超参数灵活。 结果:请查看登录到./checkpoints/CAVE_*name*/precision.txt的五个评估指标(PSNR,SAM,ERGAS,SSIM和UIQI)以及保存在./Results/CAVE/的输出.m
2022-04-14 10:41:42 45.26MB Python
1
上下文编码器:[CVPR 2016]使用GAN通过图像修复进行无监督特征学习
1
异常检测工具包(ADTK)异常检测工具包(ADTK)是用于无监督/基于规则的时间序列异常检测的Python软件包。 由于异常的性质在不同情况下会有所不同,因此模型可能无法正常工作异常检测工具包(ADTK)异常检测工具包(ADTK)是用于无监督/基于规则的时间序列异常检测的Python软件包。 由于异常的性质在不同情况下会有所不同,因此模型可能无法普遍适用于所有异常检测问题。 正确选择和组合检测算法(检测器),特征工程方法(变压器)和集成方法(聚合器)是建立有效的异常检测模型的关键。 此套餐提供
2022-04-12 15:54:57 7.19MB Python Deep Learning
1
机器学习实战项目——无监督聚类&PCA tSNE降维.zip
2022-04-12 09:07:52 1.32MB 机器学习 无监督学习 聚类算法 PCA降维
【达摩老生出品,必属精品,亲测校正,质量保证】 资源名:基于有导师监督的Kohonen网络的分类算法_Kohonen_分类算法_matlab 资源类型:matlab项目全套源码 源码说明: 全部项目源码都是经过测试校正后百分百成功运行的,如果您下载后不能运行可联系我进行指导或者更换。 适合人群:新手及有一定经验的开发人员
对某市的遥感影像的处理 资源大小3.6GB(含压缩包) 文件主要包括: 1. 遥感数据(原始数据), 2.根据数据特点灵活选择图像的裁剪、合成、辐射校正、几何校正、滤波后的结果文件; 3. 选取特征点进行监督分类; 4. 有经纬度、图标和比例尺的专题地图; 5. 分类结果评价。 6.课程设计报告
代码包实现了图像分割措施并复制了论文中的所有结果: 图像分割和对象提议技术的监督评估Jordi Pont-Tuset和Ferran Marques,TPAMI,2015年。 图像分割监督评估的度量和元度量Jordi Pont-Tuset和Ferran Marques,CVPR,2013年。 包含更新的评估以及所有技术的可浏览结果。 版本历史: v3.0 :泛化到Pascal上下文,Pascal VOC,SBD。 v2.1 :修复了2.0以上的错误。 稳定释放。 v2.0 :Beta版本,包括PAMI论文上的所有实验。 它包括以下改进: 通过输入转换器轻松评估任何类型的格式。 轮廓检测器也可以包含在精度/召回曲线中。 最新的预计算结果列表(直到ICCV 2015)。 从BSR中删除了依赖性。 v1.1 :稳定的版本,v1.0上的错误修复,仍处于CVPR级别。 v1.0
2022-04-11 00:03:53 93.28MB C++
1
(1) 1.打开将要分类的影像File¬——open image file选择相应的波段,合成后裁剪感兴趣区
2022-04-10 16:01:23 6.94MB i监督分类
1