带标签的训练样本的有限且昂贵的可用性导致以基于数据增强的监督学习的形式定义高光谱分类任务的方法的发展。 但是，大多数方法只是隐式地利用各向同性邻域中的频谱空间信息，而不是显式指示各向异性或操纵邻域系统。 在本文中，我们应用导向模板来估计局部方向的同质区域，并利用更有价值的光谱空间环境。 通过使用最佳的导向模板匹配方法，我们提出了一种数据扩充和精炼方法，以改善带有有限标记样本的任何光谱空间分类器的性能。 实验表明，该方法对许多光谱空间分类器都非常有效。

matlab 阈值分割代码角毛藻 Chaetoceros 图像分割的无监督像素分类。 笔记 一个新的 Chaetoceros 图像数据集和我们工作的所有分割结果可以从以下位置下载： 参考 [1] L.-C. Chen、G. Papandreou、I. Kokkinos、K. Murphy 和 AL Yuille，“Deeplab：具有深度卷积网络、多Kong卷积和全连接 crfs 的语义图像分割”，arXiv：1606.00915，2016 年。 [2] H. Zheng、H. Zhao、X. Sun、H. Gao 和 G. Ji，“毛角藻显微图像的自动刚毛分割”，显微镜研究与技术，卷。 77，没有。 9，第 684-690 页，2014 年。 [3] J. Canny，“边缘检测的变分方法”，AAAI 人工智能会议论文集，1983 年，第 54-58 页。 [4] N. Otsu，“灰度直方图的阈值选择方法”，IEEE Transactions on Systems, Man, and Cyber​​netics, vol. 9，没有。 1，第 62-66 页，2007 年。 [5]

Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention 使用带有注意力机制的变分自编码器进行能量时间序列数据的无监督异常检测

Keras梯形网络的半监督学习 这是Keras中Ladder Network的实现。 阶梯网络是半监督学习的模型。 请参阅A Rasmus，H Valpola，M Honkala，M Berglund和T Raiko题为“进行”的论文。 此实现已在我们的论文《的正式代码中。 该代码可以发现和博客文章，可以发现 仅使用100个带标签的示例，该模型即可在MNIST上实现98％的测试准确性。 该代码仅适用于Tensorflow后端。 要求 Python 2.7 + / 3.6 + Tensorflow（1.4.0） 麻木 keras（2.1.4） 请注意，其他版本的tensorflow / keras也应该起作用。 如何使用 加载数据集 from keras . datasets import mnist import keras import random # get the da

绝对经典的神经网络ppt，看了收获很大，风格也很好，内容讲得很透彻，初学神经网的一定要好好看看～

motion_detection_cpc 此存储库提供了使用语音作为输入的情感识别系统的代码。 通过使用对比预测编码（CPC）训练的自我监督表示，可以提高性能。 使用CPC时，结果的准确度从71％的基线提高到80％，这是30％的相对显着误差降低。 博客在这里： : 初始设置 安装依赖项 virtualenv -p python3.7 venv source venv/bin/activate make deps 下载资料 wget https://zenodo.org/record/1188976/files/Audio_Speech_Actors_01-24.zip $HOME/RAVDESS/Audio_Speech_Actors_01-24.zip unzip $HOME/RAVDESS/Audio_Speech_Actors_01-24.zip 创建训练，验证和测试数据

PositionRank PositionRank是ACL 2017论文关键字方法中描述的关键字提取方法。 该方法通过基于图的算法来搜索关键词，并通过共生词的位置信息对PageRank进行偏置。 如果为其他语言创建令牌生成器，则不仅可以使用英语学术文档，还可以使用任何其他语言的文档。 >> > from position_rank import position_rank >> > from tokenizer import StanfordCoreNlpTokenizer >> > title = "PositionRank: An Unsupervised Approach to Ke

2019-Recursive cascaded networks for unsupervised medical image registration-ICCV文献精读

20页综述，共计171篇参考文献。对于有监督学习方法，本文从三个方面介绍：backbone选择，网络blocks的设计以及损失函数的改进；对于弱监督学习方法，本文从数据增广，迁移学习和交互式分割来介绍。

WTS WTS：使用分割模型对遥感土地覆盖分类的弱监督学习框架 介绍 这是WTS监督学习框架用于使用分割模型进行遥感土地覆盖分类的实现，其中SRG算法指的是 。 引用该存储库 如果您发现此代码对您的研究有用，请考虑将其引用： @article{wts, title={WTS: A weakly towards strongly supervised learning framework for remote sensing land cover classification using segmentation models}, author={Wei Zhang, Ping Tang, Thomas Corpetti and Lijun Zhao}, booktitle={Remote Sensing}, pages={},