使用高斯过程和氡变换的血管跟踪和直径估计关键词：视网膜分割，血管跟踪，高斯过程，氡变换，血管分叉检测，直径估计 该脚本跟踪血管的中心点和直径，这是医学图像分析中一个持续的挑战。 我们假设血管的曲率和直径是高斯过程（GP）。 对噪声具有鲁棒性的局部 Radon 变换随后用于计算特征并训练 GP。 通过从训练数据中学习核化协方差矩阵，估计血管方向及其直径。 为了检测分岔，使用多个 GP 并量化它们对应的预测方向之间的差异。 参考资料： Masoud Elhami Asl 等。 “使用高斯过程和氡变换跟踪和估计视网膜血管的直径。” 医学影像杂志 4.3（2017）：034006。 这个算法是许多小时的工作和解决问题的结果。 如果您发现该脚本对您自己的研究有用，请引用上述论文。 Masoud Elhami Asl 开发并拥有版权 (2017)

GPy火炬 新闻：GPyTorch v1.3 GPyTorch v1.3刚刚发布。 GPyTorch是使用PyTorch实现的高斯进程库。 GPyTorch旨在轻松创建可扩展，灵活和模块化的高斯过程模型。 在内部，GPyTorch与许多现有的GP推理方法不同，它使用诸如预处理共轭梯度之类的现代数值线性代数技术执行所有推理操作。 实施可扩展的GP方法非常简单，就像通过我们的LazyTensor接口或内核很多现有的LazyTensors为内核矩阵及其派生词提供矩阵乘法例程LazyTensors 。 与基于Cholesky分解的求解器相比，这不仅可以轻松实现流行的可扩展GP技术，而且通常还可以显着提高GPU计算的利用率。 GPyTorch提供（1）显着的GPU加速（通过基于MVM的推理）； （2）用于可伸缩性和灵活性（ ，， ， ，...）的最新算法进步的最新实现； （3）易于与深

它设计用于轻松创建灵活和模块化的高斯过程模型

matlab的egde源代码deepGP v.1.0 适用于深度高斯过程的Matlab代码（Damianou和Lawrence，AISTATS 2013） 依赖关系图： （1）vargplvm-贝叶斯GPLVM / VGPDS / MRD工具箱： （2）GPmat-尼尔·劳伦斯（Neil Lawrence）的GP matlab工具箱： （3）Netlab v.3.3： （4）Isomap.m： （5）L2_distance.m： （6）keep.m： L2_distance ---- Isomap ---- GPmat ---- vargplvm ---- deepGP // Netlab ---------------- 入门： 请检查deepGP / html / index.html以获得此软件包的简短概述。 查看deepGP / matlab / README.txt以获得快速手册。 请查看deepGP / matlab / tutorial.m中的入门演示。

非线性函数的高斯过程回归示例； 包括噪声 GPR 和无噪声 GPR

贝叶斯优化 具有高斯过程的贝叶斯全局优化的纯Python实现。 PyPI（点）： $ pip install bayesian-optimization 来自conda-forge频道的Conda： $ conda install -c conda-forge bayesian-optimization 这是基于贝叶斯推理和高斯过程的受约束的全局优化程序包，它试图在尽可能少的迭代中找到未知函数的最大值。 该技术特别适合于高成本功能的优化，在这种情况下，勘探与开发之间的平衡很重要。 快速开始 请参阅以下内容，快速浏览贝叶斯优化程序包的基础知识。 可以在文件夹中找到更多详细信息，其他高

MATLAB 中的深高斯过程

6.高斯过程回归实现.md

Gaussian Processes for Machine Learning, Gaussian Processes for Machine Learning,Gaussian Processes for Machine Learning,高斯过程回归源码（含实验数据）

《Gaussian Process for Machine Learning》一书的配套MATLAB工具箱。