将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性，与PCA区别：LDA考虑分类标签，属于有监督分类。 (Linear discriminant analysis (LDA) is a generalization of Fisher s linear discriminant, a method used in statistics, pattern recognition and machine learning to find a linear combination of features that characterizes or separates two or more classes of objects or events. The resulting combination may be used as a linear classifier, or, more commonly, for dimensionality reduction before later classification.)

Monodepth2-TF2 这是在TF2.x中实现的monodepth2模型，该原始论文《挖掘到自我监督的单眼深度预测》。 依存关系 tensorflow==2.3.1 (for gpu) cudatoolkit=10.1, cudnn=7.6.5 表现 我正在使用普通的GTX1060-MaxQ GPU。 用于单图像深度估计的FPS： 使用tf.saved_model.load （我认为这是服务模式） 编码器：〜2ms（500 FPS） 解码器：〜2ms 总体而言：> 200 FPS 使用tf.keras.models.load_model与model.predict() ： 整体：〜100 FPS（细节忘了...） 笔记 它目前仅供个人使用，如果需要任何内容​​，请随时与我联系。 请原谅我没有使用参数解析，所以您不能使用一个命令来运行。 在运行演示时，您需要更改一些路径

食品药品监督试题及参考答案.pdf

自然语言处理，有监督三层贝叶斯概率主题模型--sLDA，源码。

人防工程质量监督档案.doc

-在过去几年中，由于计算机视觉和深度学习方面的各种研究取得了进展，道路缺陷检测的性能得到了显著提高。尽管大规模且注释良好的数据集在一定程度上提高了检测道路缺陷的性能，但在实践中，推导一个能够可靠地适用于各种道路条件的模型仍然是一个挑战，因为考虑到各种道路条件和缺陷模式，构建一个数据集是很困难的。为此，我们提出了一种无监督的检测道路缺陷的方法，即使用Adver  sarial图像到频率变换（AIFT）。AIFT采用无监督方式和对抗式学习来推导缺陷检测模型，因此AIFT不需要对道路缺陷进行注释。我们使用GAPs384数据集、Cracktree200数据集、CRACK500数据集和CFD数据集评估了AIFT的效率。实验结果表明，该方法能够检测各种道路检测，其性能优于现有的先进方法。在本文中，我们提出了一种基于对抗性图像-频率变换的无监督道路缺陷检测方法。实验结果表明，该方法在训练过程中不需要对道路缺陷进行明确的标注，就能检测出各种道路缺陷模式，并且在大多数道路缺陷检测实验中，其性能优于现有的最新方法。

2021年卫生监督稽查评分表.docx

对比学习综述 介绍了对比学习损失InfoNCE的起源 详细介绍了对比学习的起源，发展，从CPC到MAE，从图像到文本SimCSE，再到表格数据Tabular

高速公路建设项目安全生产监督管理办法.pdf

在微博谣言检测中，对微博谣言进行正确标注需要耗费大量的人力和时间，同时数据类别的不平衡也影响了微博谣言的正确识别。为了解决该问题，提出一种基于Co-Forest算法针对不平衡数据集的改进方法，利用SMOTE算法和分层抽样平衡数据分布，并通过代价敏感的加权投票法来提高对未标记样本预测的正确率。该方法只需要对少量训练数据实例进行谣言类别标注即可有效检测谣言。10组UCI测试数据和2组微博谣言的实证实验证明了算法有效性。