NILMTK：非侵入式负载监控工具包 非侵入式负载监控（NILM）是仅根据整个房屋的功率计读数估算单个设备所消耗的能量的过程。 换句话说，它仅通过一个整个房屋的电表就产生了（估算的）逐项电费单。 NILMTK是一个工具包，旨在帮助研究人员评估NILM算法的准确性。 如果您是Python的新用户，建议对Python生态系统中的 ， 和其他工具进行自我教育。 :warning: NILMTK作者可能需要一些时间才能就查询/问题与您联系。 但是，我们非常欢迎您提出修改，支持！ 记住要检查现有的问题凭单，尤其是未解决的问题凭单。 文献资料 如果您是新用户，请在阅读。 引起我们注意的是，一些用户遵循第三方教程来安装NILMTK。 请始终记住检查此类教程的日期，其中许多教程已经过时，并且无法反映NILMTK的当前版本或推荐/支持的设置。 为什么要使用NILM工具包？ 我们引用解释对NILM工具包的需求：

HDR成像 要求 python3（或更高版本） opencv 3.0（或更高版本） 您将需要使用pip3安装一些软件包： 麻木 matplotlib 用法 $ python HDR-playground.py < input img dir > # for example $ python ./HDR-playground.py taipei taipei.hdr 我还提供了一个jupyter版本（ HDR-playground.ipynb ），其功能与HDR-playground.py相同。 jupyter非常适合开发python程序！ 输入格式 输入目录应具有： 一些.png图像 image_list.txt文件应包含： 文件名 接触 1 /快门速度 这是image_list.txt的示例： # Filename expos

乳房X光造影质量分类 客观的 该项目使用不同的机器学习算法（包括支持向量机，逻辑回归，决策树，朴素贝叶斯，人工神经网络等）将乳腺肿块分类为良性或恶性。 为每条曲线绘制ROC曲线，以识别问题的最佳分类算法。 问题 乳房X线照相术是当今可用的最有效的乳腺癌筛查方法。 然而，由于乳房X线照片解释导致的乳房活检的低阳性预测价值导致大约70％的不必要的活检具有良性结果。 为了减少不必要的乳房活检的数量，最近几年提出了几种计算机辅助诊断（CAD）系统，这些系统可以帮助医生决定对乳房X光检查中发现的可疑病变进行乳房活检或进行而是进行短期随访检查。 数据集 已使用UCI储存库中的“乳腺摄影质量”公共数据集。 （来源： : ）该数据集可用于根据BI-RADS属性和患者的年龄。 属性数量：6（1个目标字段：严重性，1个非预测性：BI-RADS，4个预测性属性） 属性信息： BI-RADS评估：1到5

安装ipython notebook的详细步骤

全景图拼接 要求 python3（或更高版本） opencv 3（4+可能会遇到问题。参考 ） 您将需要使用pip3安装一些软件包： 麻木 matplotlib 用法 $ python main.py < input img dir > # for example $ python ./main.py ../input_image/Xue-Mountain-Enterance/ 输入格式 输入目录应具有： 一些.png或.jpg图像 image_list.txt文件应包含： 文件名 焦距 这是image_list.txt的示例： # Filename focal_length DSC_0184.jpg 830 DSC_0185.jpg 830 DSC_0186.jpg 830 DSC_0187.jpg 830 DSC_0171.jpg 830 DSC_0172.jpg 8

欢迎 PeerJ 预印本的补充材料： 人工/测试图像 版本 1 （）： 测试图片于14年2月26日在IPython notebook中生成，可在下载，也可在直接在。 由于固有的随机采样，重新运行 notebook 会导致不同的图像。 笔记本 对比度增强 粒子分类简介 Ilastik 中的分段错误 纳米粒子分类：Ilastik 与用户分区 噪声测试图像的傅里叶滤波 额外的 在图 12 D 中创建饼图 附加图像和视频 视频 Ilastik 中的纳米粒子聚集分割和分类 扫描电镜图像 查看文件夹 这些是由亚当·休斯 (Adam Hughes) 和伊芙琳·刘 (Evelyn Liu) 在马克·里夫斯 (Mark Reeves) 实验室在 GWU 拍摄的各种 SEM 金纳米颗粒图像。 它们包含清晰的图像，以及低对比度、对比度梯度、噪声、热漂移和其他人工制品的示例。 这些图像是在 30000