Web攻击检测与分类识别数据集（自己整理所得）

在这项工作中，我们正在尝试对X射线或CT扫描图像进行分割，以检测颈椎病。 这项工作用于通过机器学习算法实现对X射线图像的颈椎病的检测。 该任务基于对子宫颈图像骨骼中疾病的早期检测，然后使用FCM分类器进行分类以找到准确性参数。 在这里，作为宫颈图像的数据集用于此医学成像相关研究。 这已成为全世界的主要疾病之一。 此处，噪声添加和滤波过程使用中值滤波完成，而分割使用阈值，基于形态学，基于FCM的分割方法完成，特征的提取也使用Kirsch模板和形态学闭合完成。 在这里，FCM方法用于查找更多的群集区域。 在这种情况下，通过自适应方法产生的性能比从宫颈图像检测和分类疾病的准确性高出70％。 同样，该方法提供了更少的执行时间段以准确地识别疾病。

某业务平台平均每月捕获到Web攻击数量超过2亿，涉及常见注入攻击，代码执行等类型。传统威胁检测手段通过分析已知攻击特征进行规则匹配，无法检测未知漏洞或攻击手法。如何快速准确地识别未知威胁攻击并且将不同攻击正确分类，对提升Web攻击检测能力至关重要。利用机器学习和深度学习技术对攻击报文进行识别和分类已经成为解决该问题的创新思路，有利于推动AI技术在威胁检测分析场景的研究与应用。

基于神经网络的冷轧带钢表面缺陷检测与分类技术研究

9番茄病害检测与分类（准确度94％） 番茄是印度饮食中不可分割的一部分，这就是为什么在2020财年印度番茄产量超过2100万吨的原因。 但是，如果番茄田受到恶意疾病的保护，甚至会进一步推高这一数字，这将给农民造成金钱和时间方面的严重损失。 为了解决这个问题，我创建了一个深度学习模型，该模型能够识别健康的番茄植物和9种最有害和流行的番茄病，这些病包括细菌斑，早疫病，晚疫病，叶霉病，棕褐色斑病，蜘蛛螨，目标点，黄叶卷曲病毒和番茄花叶病毒。 使用的图书馆 张量流 凯拉斯 脾气暴躁的 大熊猫 Matplotlib 脾气暴躁的 球状 介绍 我创建了一个深度学习模型，该模型可以有效地识别九种番茄疾病。 该模型以常规图层为核心进行特征提取，并使用密集图层进行分类任务。 对模型进行了10个时期的训练，批次大小为574。用于模型训练的数据集是从Kaggle（ ）下载的。 数据可视化 健康 九种疾病

DCASE实用程序 声音场景和事件的检测和分类的实用程序的集合 该实用程序集合用于声音场景和事件的检测和分类（DCASE）。 这些实用程序最初是为DCASE挑战基准系统（ 和）创建的，并捆绑到一个独立的库中，以便在其他研究项目中重复使用。 该实用程序的主要目标是简化研究代码，使其更具可读性，并且更易于维护。 大多数已实现的实用程序都与音频数据集有关：处理元数据和各种形式的其他结构化数据，并为来自各种来源的音频数据集提供标准化的用法API。 文献资料 有关详细说明，手册和教程，请参见 。 安装说明 PyPI上提供了最新的稳定版本，您可以使用pip进行安装： pip install dcase_util 执照 在下发布的代码。

编写了一个 Matlab 代码来分割肿瘤并使用 SVM 将其分类为良性或恶性。 使用的特征是DWT+PCA+Statistical+Texture 怎么跑？？ 1.解压Brain_Tumor_Code文件夹放在Matlab路径下，添加数据集2. 运行 BrainMRI_GUI.m 并在 GUI 中单击并选择图像3.对图像进行分割，观察分类结果4. 评估准确性代码大致基于以下论文（包括），请引用并感谢作者： [1] Zhang，Yudong和Lenan Wu。 “通过主成分分析和核支持向量机的 MR 脑图像分类器。” 电磁学研究进展 130 (2012): 369-388。 注意：头骨区域的分割是一项持续的任务，一旦结束将上传更好的代码随时欢迎提出意见和建议 提前致谢 马努BN

CIFAR-10 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 10 个类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，每个类别有 6000 张图片，类别之间的交集为空。

CSC句子级别检测 基于BERT的中文拼写错误检测句子分类方法

基于卷积神经网络的车辆检测与分类