使用步骤 1.安装labelme,使用 pip install labelme 命令即可。 2.在labelme环境下输入 labelme命令,打开labelme软件,对图片进行标记,具体方法就是用多边形将所有水体部分圈起来命名为water,并保存文件(json格式)。 3.将main.m文件内fname和imagename改为对应的json文件名和image文件名,之后使用matlab运行main.m文件,稍等片刻,即可看到训练过程,训练结束后可以看到ac率和预测后图像和原始图像的对比。 labelme的GitHub地址: 文件中包含两个测试样例,image1和image2,分别是单通道的遥感水体图像,分辨率为79317301和一个从网上下载的RGB水体图像,分辨率为500333.
2022-10-13 21:04:42 32.63MB MATLAB
1
文本分类中地特征提取和分类算法综述.pdf
2022-05-17 09:01:07 379KB 分类 文档资料 数据挖掘 人工智能
从别人的java源码中提取方法掌纹识别 该项目主要完成掌纹特征提取和分类任务。 数据集包含99个人的掌纹图片,其中每个人的3张掌纹图片分布在训练集中,其他3张掌纹图片分布在测试集中。 在该项目中,我尝试了使用SIFT提取特征的传统方法以及使用KNN进行分类的方法,其准确率达到了97.31%,还尝试了卷积神经网络方法(例如ResNet),获得了83.16%的准确性。 另外,我还尝试使用高斯滤波器,Gabor滤波器等。 处理掌纹图像并从掌纹图像中提取纹理,但是这些方法并没有提高掌纹识别的准确性。 参考博客:
2022-04-09 23:50:15 12.55MB 系统开源
1
研究对象为白天短时睡眠时记录下来的多导睡眠生理数据,主要是为了提取睡眠过程中出现的睡眠各阶段的特征,并实现自动分期。首先,同步采集了白天20-30 min的短时睡眠过程中的脑电图(EEG)等生理数据;然后利用快速傅里叶变换(FFT)对采集到的数据进行频谱分析,提取睡眠各阶段的频域特征;最后采用支持向量机对短时睡眠数据进行自动分期。实验结果表明: FFT结合支持向量机(SVM)在短时睡眠阶段的研究中能够得到较好的分期结果。因此,通过对短时睡眠过程中浅睡眠各阶段的特征和分类结果的分析,能够为短时睡眠提供客观评
2021-11-23 22:47:31 315KB 工程技术 论文
1
pyAudioProcessing 一个基于Python的库,用于将音频数据处理为特征并构建机器学习模型。 入门 克隆项目并进行设置 git clone git@github.com:jsingh811/pyAudioProcessing.git pip install -e . 通过运行获取需求 pip install -r requirements/requirements.txt 选择项 功能选项: 您可以选择mfcc , gfcc或gfcc,mfcc功能从音频文件中提取。 分类器选项: 您可以在svm , svm_rbf , randomforest , logisticregression , knn , gradientboosting和extratrees 。 每个使用网格搜索的代码都包含超参数调整。 例子 使用gfcc功能和svm分类器的命令行示例。 训练: pyth
2021-11-23 08:04:50 21.98MB Python
1
毕业论文 图像的特征提取和分类 图像的特征提取和分类 图像的特征提取和分类 图像的特征提取和分类 图像的特征提取和分类
2021-05-09 16:27:47 2.02MB 图像 特征提取和分类 毕业 论文
1