pyadiomics v3.0.1 建立状态 Linux 苹果系统 视窗 Python中的Radiomics功能提取 这是一个开源python软件包，用于从医学成像中提取Radiomics功能。 借助此软件包，我们旨在建立放射分析的参考标准，并提供经过测试和维护的开源平台，以轻松，可重复地提取放射特征。 通过这样做，我们希望提高对放射功能的认识并扩大社区。 该平台支持2D和3D中的特征提取，并且可用于计算感兴趣区域的每个特征的单个值（“基于段”）或生成特征图（“基于体素”）。 不适用于临床。 如果您发布使用此软件包的任何作品，请引用以下出版物： van Griethuysen，JJM，Fedorov，A.，Parmar，C.，Hosny，A.，Aucoin，N.，Narayan，V.，Beets-Tan， RGH，Fillion-Robin，JC，Pieper，S.，Aerts，HJWL（2017）。 计算射线学表型的计算机放射学系统。 癌症研究，77（21），e104-e107。 加入社区！ 请加入的。 要素类 当前支持以下要素类： 一阶统计 基于形状（2D和3D）

方面提取 尝试进行方面提取任务的模型 如何执行范例 具有POS标签的LSTM CRF 将lstm_crf_pos_run.py ， word2id.pickle和best_model_lstm_crf_pos.pt文件放在同一目录中。 使用引号内的句子作为命令行参数运行lstm_crf_pos_run.py 。 （Python 2.7） 例如： python lstm_crf_pos_run.py "I like itallian pizza"

一篇关于卷积自编码的论文，写的非常好，此处上传仅仅是为了通过我博客想下载的朋友。

表格检测和表格提取 功能： 检测表单页面中的所有表格。 在它周围创建边界框。 将其分割并提取表格的单元格。 脚步： 灰度图像 二进制阈值 使用垂直内核和cv2.getStructuringElement获取所有垂直线 同样，使用水平内核和cv2getStructuringElement获取所有水平线 使用cv2.addWeighted组合所有水平线和垂直线 执行一些形态变换，如cv2.erode以获得清晰的线条和更好的结果。 查找轮廓并提取矩形/表格单元格。 先决条件 Python v3.6 OpenCV v3.4 import cv2 Numpy v1.16 import numpy as np 操作系统import os

特征提取 4 眼运动 用于以原始 (x,y) 坐标表示的眼球运动的 Matlab 特征提取模块 有关眼动数据集，请参阅 EMVCC (emvic.org)。

Spike Extraction Tool 工具箱的独立版本

BERT属性提取 基于bert的知识图谱属性撤销 将BERT用于KnowledgeGraph中的属性提取有两种方法，即微调和特征提取。 知识图谱百度百科人物词条属性撤除，使用基于伯特的微调微调和特征提取特征提取方法进行实验。 先决条件 Tensorflow >=1.10 scikit-learn 预训练模型 ：简体中文和繁体中文，12层，隐藏768、12头，110M参数 正在安装 没有 数据集 该数据集是根据百度百科字符条目构建的。 筛选出不包含实体和属性的语料库。 实体和属性是从名称实体识别获得的。 标签是从“百度百科”信息框中获取的，大多数标签是手动标签的，因此有些标签不是很好。 例

SLAM navigation using an Lidar 2D sensor for sensing the walls and extract corners using Split and Merge Algorithms and LSM for line estimation.

【关于 NLP】 那些你不知道的事 作者：杨夕 项目地址： 个人介绍：大佬们好，我叫杨夕，该项目主要是本人在研读顶会论文和复现经典论文过程中，所见、所思、所想、所闻，可能存在一些理解错误，希望大佬们多多指正。 NLP 面经地址： 目录 【关于 信息抽取】 那些的你不知道的事 【关于 实体关系联合抽取】 那些的你不知道的事 【关于 命名实体识别】那些你不知道的事 【关于 关系抽取】那些你不知道的事 【关于 文档级别关系抽取】那些你不知道的事 【关于 知识图谱 】 那些的你不知道的事 【关于 实体链指篇】 那些的你不知道的事 【关于 实体消歧 】 那些的你不知道的事 【关于KGQA 】 那些的你不知道的事 【关于Neo4j 】 那些的你不知道的事 【关于 细粒度情感分析】 那些的你不知道的事 【关于 主动学习】 那些的你不知道的事 【关于 对抗训练】 那些的你不知道的事 【关于 GCN in

深度学习的实现，代码内容详细，有不懂之处欢迎大家多多交流