Remote_Sensing_Satellite_Map_Segmentation 使用Segnet，SLIC和CRF对轻云和厚云的像素进行分类。

# 中文命名实体识别 基于条件随机场（Conditional Random Field, CRF)的NER模型 ## 数据集 数据集用的是论文ACL 2018[Chinese NER using Lattice LSTM](https://github.com/jiesutd/LatticeLSTM)中收集的简历数据，数据的格式如下，它的每一行由一个字及其对应的标注组成，标注集采用BIOES，句子之间用一个空行隔开。 ``` 美 B-LOC 国 E-LOC 的 O 华 B-PER 莱 I-PER 士 E-PER 我 O 跟 O 他 O 谈 O 笑 O 风 O 生 O ``` 该数据集就位于项目目录下的`data`文件夹里。 ## 运行结果 具体的输出可以查看`output.txt`文件。 ## 环境 首先安装依赖项： pip3 install -r requirement.txt 安装完毕之后，直接使用 python3 main.py > output.txt 即可训练、评估以及测试模型，评估模型将会打印出模型的精确率、召回率、F1分数值以及混淆矩阵

目标分割DeepLab v1ABSTRACT1、 INTRODUCTION2、 RELATED WORK3、 CONVOLUTIONAL NEURAL NETWORKS FOR DENSE IMAGE LABELING3.1 利用空洞算法实现高效的密集滑动窗口特征提取3.2 利用卷积网控制感受野大小，加速密集计算4、 DETAILED BOUNDARY RECOVERY : FULLY-CONNECTED CONDITIONAL RANDOM FIELDS AND MULTI-SCALE PREDICTION4.1 全连通条件随机域CRF精确定位4.2 多尺度预测Reference 原文：Se

站点 小号ELF-细心BiLSTM-ÇRF瓦特第I和T ransferredËmbeddings为因果关系提取。 arXiv论文链接： : 免费访问链接： : （论文中的表6似乎没有被正确编辑...） 强调 提出了一种新颖的因果关系标记方案以服务于因果关系提取 嵌入的嵌入大大减轻了数据不足的问题 自我注意机制可以捕获因果关系之间的长期依赖关系 实验结果表明，该方法优于其他基准 抽象的 从自然语言文本中提取因果关系是人工智能中一个具有挑战性的开放性问题。 现有方法利用模式，约束和机器学习技术来提取因果关系，这在很大程度上取决于领域知识，并且需要相当多的人力和时间来进行特征工程。 在本文中，我们基于新的因果关系标记方案，将因果关系提取公式指定为序列标记问题。 在此基础上，我们提出了一种以BiLSTM-CRF模型为骨干的神经因果提取器，称为SCITE（自注意力BiLSTM-CRF传递嵌

anaGo anaGo是一个在Keras中实现的用于序列标记（NER，PoS标记等）的Python库。 anaGo可以解决序列标记的任务，例如命名实体识别（NER），词性标记（POS标记），语义anaGo anaGo是用于序列标记（NER，PoS标记等）的Python库，在Keras中实现。 anaGo可以解决序列标记任务，例如命名实体识别（NER），词性标记（POS标记），语义角色标记（SRL）等。 与传统的序列标签求解器不同，anaGo不需要定义任何语言相关的功能。 因此，我们可以轻松地将anaGo用于任何语言。 作为anaGo的示例，下图显示了英语的命名实体识别：

本地代码推荐BiLSTM+CRF（经调试效果佳）：瑞金医院MMC人工智能辅助构建知识图谱--初赛实体识别【1】 码源。链接：https://blog.csdn.net/sinat_39620217/article/details/124801116?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22124801116%22%2C%22source%22%3A%22sinat_39620217%22%7D&ctrtid=nDIo1

力求把CRF的原理吃透，在网上找了很多这方面的例子，然而发现大都是采用标准模版给的例子，自己尝试着理解之后给出了自己的例子

基于CRF 和规则相结合的地理命名实体识别方法

基于CRF 的先秦汉语分词标注一体化研究

手写的java crf模板，支持unigram与bigram两种模板输入，其中train集需要两列（在材料中也有），test集需要一列文字