当对大量的标记数据集合(如ImageNet)进行训练时，深度神经网络展示了它们在特殊监督学习任务(如图像分类)上的卓越表现。

SOLD² - Self-supervised Occlusion-aware Line Description and Det

基于半监督学习的遥感图像分类研究_徐庆伶.pdf ,pdf,论文

无监督学习中用于数据分类的算法，包括原始数据。

摘要为进一步提高多聚焦图像的融合质量提出一种基于监督学习的全卷积神经网络多聚焦图像融合算法该算法旨在运用神经网络学习源图像不同聚焦区域的互补关系即选择源图像中不

推进国家治理体系和治理能力现代化；推动新型工业化、信息化、城镇化、农业现代化四化同步发展，发展更高层次的开放型经济。推进国家治理体系和治理能力现代化，信息是国家治理的重要依据，要发挥其在这个进程中的重要作用。

udeconv - 无监督 Wiener-Hunt 反卷积 xEap = udeconv(data, ir, ...) [xEap, gnChain, gxChain] = udeconv(data, ir, ...) 通过“ir”返回“data”的反卷积。 该算法是一个随机迭代过程（Gibbs 采样器），允许自动调整正则化参数，请参阅下面的参考资料。 维数没有具体限制。 调用 [xEap, gnChain, gxChain, xStd] = udeconv(...) 允许以每次迭代的 fft 成本计算 xEap 周围的协方差矩阵的对角线。 如果您使用这项工作，请在下面添加对参考文献的引用。 与八度兼容。 参数 数据——数据 ir——冲动React 可选 Optionnals 参数的形式为 (..., 'key', val, ...)。 'criterion', val --

该代码是以下论文的实现：MM Abdelsamea、G. Gnecco、MM Gaber，基于 SOM 的无监督图像分割的 Chan-Vese 模型，软计算，Springer 2015（印刷中）。

监督学习中的损失函数常用来评估样本的真实值和模型预测值之间的不一致程度，一般用于模型的参数估计。受应用场景、数据集和待求解问题等因素的制约，现有监督学习算法使用的损失函数的种类和数量较多，而且每个损失函数都有各自的特征，因此从众多损失函数中选择适合求解问题最优模型的损失函数是相当困难的。研究了监督学习算法中常用损失函数的标准形式、基本思想、优缺点、主要应用以及对应的演化形式，探索了它们适用的应用场景和可能的优化策略。本研究不仅有助于提升模型预测的精确度，而且也为构建新的损失函数或改进现有损失函数的应用研究提供了一个新的思路。

wwwwww