在基于图像的轨道检测系统中，光照变化和表面反射特性容易影响轨道表面缺陷的分割效果。本文提出了一种基于背景减法的轨道表面缺陷图像分割算法。其次，为了提高精度，结合相关系数和欧几里得距离来测量像素邻域之间的相似度。然后，利用相似度测量结果确定邻域平均尺度，多尺度建立背景图像模型。最后，通过差分图像的图像差分和设定阈值实现轨道表面缺陷的分割。该方法充分利用了轨道图像中像素邻域之间的相似度信息，并建立了背景图像的精确模型。 因此，该方法可以有效减少照明不均匀的影响和轨道表面的反射特性，同时突出图像中的缺陷区域。实验结果表明，该方法具有良好的效果。对块状缺陷和线性缺陷的分割都产生了影响，这些缺陷在图像中离散分布。

孪生LSTM网络(Siamese-LSTM) 本项目是基于孪生LSTM网络+注意力机制+曼哈顿距离(Manhattan distance)实现的句对相似度计算。 中文训练数据为蚂蚁金服句对数据，约4万组，正负样本比例1:3.6；英文训练数据来自Kaggle上的Quora句对数据，约40万组，正负样本比例1:1.7。新增一组翻译数据：使用Google Translator将Quora数据翻译成中文。 资料 参考文献 中国大陆可能无法访问《How to predict...Manhattan LSTM》一文，请直接查看本项目中附件之参考博客 其它数据 英文词向量： 英文词向量： 中文词向量： 工程参考 Original author's GitHub 一些网络设计思路 使用 训练 $ python3 train.py $ type cn for Chinese Data or en for

语义文本相似度 Anant Maheshwari Simeng Sun Danni Ma Yezheng Li 抽象的 语义文本相似度（STS）衡量句子的含义相似度。 该任务的应用包括机器翻译，摘要，文本生成，问题解答，简短答案分级，语义搜索，对话和会话系统。 我们开发了具有多种功能的支持向量回归模型，包括使用基于比对的方法和基于语义组合的方法计算的相似度得分。 我们还使用BiLSTM和卷积神经网络（CNN）训练了句子的语义表示。 在测试数据集中，我们系统输出的人类评级之间的相关性高于0.8。 介绍 此任务的目的是测量给定句子对之间的语义文本相似性（它们的含义，而不是它们在语法上是否看起来相似）。 尽管进行这样的评估对人类来说是微不足道的，但是构建模仿人类水平性能的算法和计算模型却代表了一个困难而深刻的自然语言理解（NLU）问题。 范例1： 中文：小鸟在水盆里洗自己。 英文释义：这只鸟

句子相似度 仅内置库的句子相似度。 构建Docker映像 sh build.sh 在本地运行容器 sh run.sh 测试一些cURL请求 测试一些请求。 一个例子是req.ipynb

句子相似度算法 1. 基于bm25的句子相似度算法 准确率很低 2. 基于hownet的句子相似度算法 在，准确率很低 3. 基于词向量余弦距离的句子相似度算法 基于gensim的n_similarity函数实现、自己实现 4. 基于word2vec+LSTM的句子相似度算法 准确率: 93% 5. mpcnn 别人实现的两个基于论文《Multi-Perspective Sentence Similarity Modeling with Convolutional Neural Networks》的句子相似度算法

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汇总彼此重叠的所有去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两个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）滤波器来减少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。

该论文介绍特征相似度用来评价图像质量，比较经典的算法，是各类先进算法的参考对象，值得学习。

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

，用于计算两个字符串之间的归一化距离或相似度分数。 0.0 分表示两个字符串绝对不相似，1.0 表示绝对相似（或相等）。 介于两者之间的任何内容都表示两个字符串的相似程度。 例子 在这个简单的例子中，我们想要计算McDonalds和MacMahons之间的相似度得分。 我们正在选择算法。 SimilarityStrategy strategy = new JaroWinklerStrategy (); String target = " McDonalds " ; String source = " MacMahons " ; StringSimilarityService service = new StringSimilarityServiceImpl (strategy); double score = service . score(source, target); // Sc

句子相似度簇 sensim_cluster使用Levenshtein距离计算文本数据（来自文件）的相似度，并对结果进行聚类（分层聚类）。 聚类结果以树状图显示。 用法 准备数据文件 在下面运行该程序 # -*- coding: utf-8 -*- import sys from sensim_cluster . sensim_cluster import SensimCluster from matplotlib import pyplot as plt from scipy . cluster . hierarchy import dendrogram cluster = SensimCluster ( 'YOUR_DATAFILE_PATH' ) ids = cluster . get_ids () result = cluster . ward () mod_ids = [ id [