基于半监督的图卷机异常识别DGCN（DGL）项目代码

近年来谱聚类算法被广泛应用于图像分割领域，而相似性矩阵的构造是谱聚类算法的关键步骤。 针对传统谱聚类算法计算复杂度高难以应用到大规模图像分割处理的问题，提出了基于半监督的超像素谱聚类彩色图像分割算法。该算法利用超像素将彩色图像进行预分割，利用用户提供的少量标记信息构造预分割区域的基于半监督的模糊相似性测度，利用该相似性测度构造预分隔区域的相似性矩阵并通过规范切图谱划分准则对预分割区域进行划分得到最终的图像分割结果。由于少量标记信息和模糊理论的引入，提高了传统谱聚类的分割性能，对比实验也表明该算法在分割效果和计算复杂度上都有较大的改善。

（python）论文“时变转速下基于改进图注意力网络的轴承半监督故障诊断”源码

GCN开山之作精读，主观翻译和详细公式推导，半监督图节点学习问题 最近在阅读GCN网络的文献《SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS》，有一些收获，想分享给大家，希望对大家有帮助。我会主观翻译前半部分内容，并把我当时陷入思考的句子进行解释，解释部分用中文中括号标注【】，之后我会向大家详细推导一下各个数学公式和理解。本人学术能力不高，如有错误，还望批评指正。建议具备一些图和深度学习理论基础者拜读。在word中编辑的，因此都是图片，见谅。

需要进行人体异常行为识别的视频一般都是未标记的序列图像,传统的有监督的识别方法往往不能较好地反映其行为的特征,识别率不高.提出了一种基于半监督学习的人体异常行为识别方法,首先使用基于DTW距离的self-training进行标记数据扩充,然后用此扩充的序列图像样本集合训练对应的HMM,最终进行异常行为识别.实验结果证明该方法有效且识别率较高.

scNym-用于单细胞分类的半监督对抗神经网络 scNym是一个神经网络模型，用于根据单细胞分析数据（例如scRNA-seq）预测细胞类型，并从这些模型中得出细胞类型表示形式。 尽管细胞类型分类是主要的用例，但是这些模型可以将单个细胞概况映射到任意输出类别（例如实验条件）。 我们已经在Genome Research的最新论文中详细描述了scNym 。 如果您发现此工具有用，请引用我们的工作。 我们也有一个研究网站，介绍scNym简报- 用于单细胞分类的半监督对抗神经网络。 雅各布·金梅尔（Jacob C.Kimmel）和大卫·凯利（David R.Kelley）。 基因组研究。 2021. doi： ： BibTeX @article{kimmel_scnym_2021, title = {Semi-supervised adversarial neural networ

详细地表述了半监督学习的适用范围，以及算法和注意事项。

颜色分类leetcode SuSi：Python 中的监督自组织地图 用于无监督、监督和半监督自组织映射 (SOM) 的 Python 包 描述 我们展示了 Python 的 SuSi 包。 它包括用于无监督、监督和半监督任务的全功能 SOM： SOMClustering：用于聚类的无监督 SOM SOMRegressor：（半）监督回归 SOM SOMClassifier：（半）监督分类 SOM 执照： 作者： 引文： 查看和在文件中 文档： 安装： 纸： 安装 点 pip3 install susi conda conda install -c conda-forge susi 可以在 中找到更多信息。 例子 可以在 中找到代码示例的集合。 可以在此处找到作为 Jupyter Notebook 的代码示例： 常见问题 我应该如何设置 SOM 的初始超参数？ 有关超参数的更多详细信息，请参见 。 如何优化超参数？ SuSi 超参数可以优化，例如，使用 ，因为 SuSi 包是根据几个 scikit-learn 指南开发的。 引文 包含两个参考的 bibtex 文件在 . 纸： FM R

基于分歧的半监督学习 基于分歧的半监督学习

利用半监督降维算法预测蛋白质亚细胞位置