在前版的基础上，增加新功能，BUG维护等等。主要功能为，针对PDF文件的焊口快速标注功能，便捷标记，记录操作方便修改等

深度语义角色标签 该存储库包含用于训练和使用Deep SRL模型的代码，该代码在以下内容中进行了描述： 如果您使用我们的代码，请按以下方式引用我们的论文： @inproceedings {he2017deep， title = {深层语义角色标签：什么起作用，下一步是什么}， 作者= {他，鲁恒和李，肯顿和刘易斯，迈克和Zettlemoyer，卢克}， booktitle = {计算语言学协会年会论文集}， 年= {2017} } 入门 先决条件： python应该使用Python2。您可以使用virtualenv进行模拟。 点安装numpy pip install theano ==

SliderWithTickLabels WPF控件 这是对Slider 的扩展。 我创建此扩展的目的是允许滑块在刻度线上带有标签。 我对原始Slider所做的最明显的添加是两个属性， TickLabelTemplate ，您可以在其中选择创建自己的标签模板（您甚至可以创建复杂的对象，例如其中包含多个子元素的面板）和GeneratedTicks ，保留刻度值（在不事先知道刻度的情况下，很难生成标签）。 其他属性和控件的其余部分与原始控件相同。 最后但并非最不重要的一点是：标签遵循TickPlacement属性，就像刻度线本身一样。 用法 只需引用文件，它将立即提供给您的XAML编辑器。 例子 下面是有关如何使用SliderWithTickLabels控件的简单示例。 我试图使它们尽可能简单。 当然，您可以进行更精细的构造以满足您的需求。 示例中的custom名称空间定义为xmlns:

labelme：用Python实现的图像可视化标记工具 labelme：带有 Python 的图像注释工具 Labelme 是一种图形图像注释工具，其灵感来自 http://labelme.csail.mit.edu。 它是用 Python 编写的，并使用 Qt 作为其图形界面。 要求 Ubuntu / macOS / Windows Python2 / Python3 PyQt4 / PyQt5 安装 有选项： 平台 agonistic 安装：Anaconda、Docker 平台特定安装：Ubuntu、macOS Anaconda 需要安装 Anaconda，然后在下面运行：conda create --name=labelme python= 2.7 source activate labelme conda install pyqt pip install labelme Docker 你需要安装docker，然后运行如下： wget https://raw.githubusercontent.com/wkentaro/labelme/master/scripts/label

在利用概率包标记技术对无线传感器网络(WSN)恶意节点的追踪定位中,标记概率的确定是关键,直接影响到算法的收敛性,最弱链,节点负担等方面。该文分析并指出了基本概率包标记(BPPM)和等概率包标记(EPPM)方法的缺点,提出了一种层次式混合概率包标记(LMPPM)算法,可以克服以上算法的不足。该算法对无线传感器网络进行分簇,将每个簇看成一个大的"簇节点",整个网络由一些大的"簇节点"构成,每个"簇节点"内部又包含一定数量的传感器节点。在"簇节点"之间采用等概率包标记法,在"簇节点"内部采用基本概率包标记法。实验分析表明,该算法在收敛性、最弱链方面优于BPPM算法,在节点计算与存储负担方面优于EPPM算法,是在资源约束条件下的一种整体优化。

环形编码标记物数据集，YOLO数据集，已完成train，valid，test三个文件夹数据图片的标注，可用于实现编码标记物数据的训练。ss环形编码标记物数据集，YOLO数据集，已完成train，valid，test三个文件夹数据图片的标注，可用于实现编码标记物数据的训练 环形编码标记物数据集，YOLO数据集，已完成train，valid，test三个文件夹数据图片的标注，可用于实现编码标记物数据的训练

Android人脸检测 使用设备摄像头和最新的Firebase ML Kit进行实时人脸检测，检测“ n”张脸并用矩形框标记它们，显示幸福度以及脸部界标（眼睛，耳朵，鼻子等）

FRETSCAL 筛选含有 CFP 和 YFP 标记蛋白的细胞图像，以确定两种荧光团之间的能量转移 (FRET) 程度。 FRETSCAL 的图形用户界面 (GUI) 允许用户指定用于识别图像中感兴趣区域 (AOI) 的标准。 标准包括信号背景比、信号强度与高斯分布的拟合、AOI 之间的最小距离、AOI 的大小、强度限制和周围背景区域的位置。 FRETSCAL 生成 AOI 的裁剪 TIFS，包括用户指定的围绕 AOI 的区域作为上下文。 用户可以筛选 AOI，根据目视检查和图像统计选择保留或丢弃 AOI。 最终输出是一个文本文件，其中包括强度数据和 FRET 指数 FretR 的计算。 FretR 可用作标记蛋白质之间距离的估计值。 FRETSCAL 附带用户手册和示例图像集。

我很难弄清楚如何在最新版本的 MATLAB 中调整图中的标记（图标）大小。 这个函数就是这样做的。 只需在图例命令之后调用该函数并为其指定您想要的标记大小。

当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。