深度哈希 DeepHash是一种轻量级的深度学习哈希库，它实现了最新的深度哈希/量化算法。 我们将根据我们发布的持续实施更具代表性的深度哈希模型。 具体来说，我们欢迎其他研究人员根据我们的框架在该工具包中提供深层哈希模型。 我们将宣布对该项目的贡献。 实施的模型包括： DQN：，曹Yue，龙明生，王建民，韩涵，温庆福，AAAI人工智能大会（AAAI），2016 DHN：，韩涵，龙明生，王建民，曹跃，AAAI人工智能大会（AAAI），2016 DVSQ：，曹悦，龙明胜，王建民，刘诗辰，IEEE计算机视觉与模式识别会议（CVPR），2017 DCH： ，曹悦，龙明生，刘斌，王建民，IEEE计算机视觉与模式识别会议（CVPR），2018 DTQ： ，刘斌，曹岳，龙明生，王建民，王敬东，ACM多媒体（ACMMM），2018 注意：DTQ和DCH已更新，而DQN，DHN，DVSQ可能已

MFFA 多重分形趋势波动分析MFDFA是一种与模型无关的方法，可以揭示随机过程或自回归模型的自相似性。 DFA由Peng等人首先开发。 1和后来扩展到研究Kandelhardt等人的多重分形MFDFA 。 2 。 在最新版本中，还添加了移动窗口系统，特别适用于短时间序列，最近对DFA的扩展（称为扩展DFA ）和经验模式分解的额外功能（作为去趋势方法）。 安装 要安装MFDFA，您只需使用 pip install MFDFA 在您喜欢的编辑器上，只需将MFDFA导入为 from MFDFA import MFDFA 有一个附加的库fgn可以生成分数高斯噪声。 MFDFA库 MFDFA基础仅取决于numpy ，尤其是numpy的polynomial 。 在版本0.3中，添加了一种基于方法，以替代依赖于PyEMD时间序列趋势变化方法。 使用MFDFA库 一维分数阶Ornstein-U

加入对比学习的语义相似度计算Similarity.zip

使用简单算法完成语义相似度计算STS数据集

在这里，我们提供对深度图相似性学习的现有文献的全面回顾。我们为方法和应用提出了系统的分类法。最后，我们讨论该问题的挑战和未来方向。

这是蛋白质相似性网络-PSIN。 在这里，节点是人类蛋白质，只有在它们具有相当大的序列相似性时它们才被连接。 我们发现该网络对于区分已批准的药物目标和有问题的药物目标特别有用。 在这里，您还可以找到用于此目的的完整程序集和数据集。 免费帮助进一步测试和开发此项目。 非常感谢您的帮助和专业知识！ 如有任何疑问，请随时通过论坛或电子邮件与我们联系。 请参阅原始手稿：Lopes，TJS等。 （2015）-“根据目标药物的特征识别有问题的药物”-药理学前沿doi：10.3389 / fphar.2015.00186

In this paper, we introduce a method to detect co-saliency from an image pair that may have some objects in common. The co-saliency is modeled as a linear combination of the single-image saliency map (SISM) and the multi-image saliency map (MISM). The first term is designed to describe the local attention, which is computed by using three saliency detection techniques available in literature. To compute the MISM, a co-multilayer graph is constructed by dividing the image pair into a spatial pyra

提出了一种基于低秩矩阵逼近（LRMA）和加权核范数最小化（WNNM）正则化的去噪算法，以消除磁共振图像的Rician噪声。 该技术将来自嘈杂的3D MR数据的相似的非局部立方块简单地分组到一个补丁矩阵中，每个块按字典顺序矢量化为一列，计算该矩阵的奇异值分解（SVD），然后是LRMA的闭式解通过用不同的阈值硬阈值不同的奇异值来实现。 去噪块是从低秩矩阵的此估计中获得的，整个无噪声MR数据的最终估计是通过聚合所有彼此重叠的去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两次迭代的正则化框架中实现了上述去噪过程，然后利用基于单像素补丁的简单非局部均值（NLM）滤波器来降低WNNM算法的去噪强度。均匀面积。 所提出的降噪算法与相关的最新技术进行了比较，并在合成和真实3D MR数据上产生了非常有竞争力的结果。

Distrubutional Similarity vs. PU Learning for Entity Set Expansion这篇论文，本人做的演讲PPT.

最近更新 尝试探索的使用。 Mmodel堆叠，TBC .. 更新 注意：此处显示了此项目的更新。但是报告中的模型结果将在2020年12月3日保持不变。 尝试使用句子BERT（Siamese BERT）来改进Model 3，这不比具有暹罗BiLSTM功能的BERT好。 2020.12.15 已尝试ESIM。 2020.12.15 有关重复问题对识别项目的文档 Author: YUAN Yan Zhe, yanzheyuan23@sina.com written on **DEC 3rd, 2020** Collaborators: WEN Ze @WENZe79, YU Jia Hui @YUJIAHUII 项目说明 在自然语言处理（NLP）领域中，文本相似性是一个热点。测量某些NLP子区域中的句子或短语之间的相似性尤其重要，例如对话系统和信息检索。 Quora Question P