双任务一致性
本文的代码：通过双任务一致性进行半监督医学图像分割（ ）
@article{luo2021semi,
title={Semi-Supervised Medical Image Segmentation through Dual-task Consistency},
author={Luo, Xiangde and Chen, Jieneng and Song, Tao and Wang, Guotai},
journal={AAAI Conference on Artificial Intelligence},
year={2021}
}
要求
一些重要的必需软件包包括：
版本> = 0.4.1。
TensorBoardX
的Python == 3.6
一些基本的python软件包，例如Numpy，Scikit-image，SimpleITK，S
2021-09-07 14:29:05
100.02MB
1
具有交叉一致性训练 (CCT) 的半监督语义分割
,
本 repo 包含 CVPR 2020 论文的官方实现：Semi-Supervised Semantic Segmentation with Cross-Consistecy Training，它采用了传统的半监督学习的一致性训练框架进行语义分割，扩展到弱监督学习和在多个域。
强调
(1) 语义分割的一致性训练。 我们观察到，对于语义分割，由于任务的密集性，集群假设更容易在隐藏表示而不是输入上强制执行。
(2) 交叉培训。 我们为半监督语义分割提出了 CCT（Cross-Consistency Training），我们在其中定义了许多新的扰动，并展示了对编码器输出而不是输入执行一致性的有效性。
(3) 使用来自多个域的弱标签和像素级标签。 所提出的方法非常简单灵活，并且可以很容易地扩展到使用来自多个域的图像级标签和像素级标签。
要求
2021-09-07 10:43:11
1.57MB
1
FlexRay Communications System Protocol Conformance Test Specification Version 3.0.1
2021-09-02 20:41:19
3.89MB
1
频响函数matlab代码Python
的相位一致性
在给定频率下计算相位一致性的函数
关于方法
一些背景
该函数计算不同测量中感兴趣频率的相位相干性。
相位相干值表示相位在不同测量中的一致性。
相位相干值介于
0
和
1
之间：1
表示完美的相位相干性，0
表示没有相位相干性。
这种方法通常用于脑电图
(EEG)
分析，以确定跨试验在特定频率下神经React的相位一致性。
例如，研究人员经常选择在呈现的刺激频率下研究相位一致性。
请注意，相同的方法有时被称为锁相值
(PLV)——尽管
PLV
的一些实现使用时间序列滤波器而不是在频域中进行分析，如这里使用的那样。
该方法在以下论文中描述：
Picton,
TW,
John,
MS,
Dimitrijevic,
A.,
&
Purcell,
D.
(2003)。
人类听觉稳态React：Respuestas
auditivas
de
estado
estable
en
humanos。
国际听力学杂志，42（4），177-219。
方法的扩展
该方法可用于检查除神经数据以外的时间序列数据中的模式。
入门
先决条件
代码是使用
Python
2021-09-02 15:17:02
6KB
1