在线实例分类器细化（OICR）的多实例检测网络的PyTorch实现 如何开始 git clone http://www.github.com/jd730/OICR-pytorch 依存关系 Python 3.5或更高版本 火炬0.4.0（不是0.4.1） CUDA 8.0或更高 资料准备 PASCAL_VOC 07 + 12 ：请按照中的说明准备VOC数据集。 实际上，您可以参考其他任何人。 下载数据后，在文件夹data /中创建软链接。 选择性搜寻 wget https://dl.dropboxusercontent.com/s/orrt7o6bp6ae0tc/selective_search_data.tgz tar -xvf selective_search_data.tgz rm -rf selective_search_data.tgz 将selective_search_

带有元数据的文本的最小监督分类 该项目提供了一个对文本与元数据进行分类的弱监督框架。 安装 为了进行培训，强烈建议您使用GPU。 凯拉斯 该代码基于Keras库。 您可以找到安装说明。 相依性 该代码是用Python 3.6编写的。 依赖关系总结在文件requirements.txt 。 您可以像这样安装它们： pip3 install -r requirements.txt 快速开始 要在我们的论文中再现结果，您需要首先下载。 我们的论文中使用了五个数据集。 不幸的是，由于我们对数据提供者的承诺，因此无法发布GitHub-Sec数据集。 其他四个数据集可用。 解压缩下载的文件后，您可以分别看到对应于这四个数据集的四个文件夹。 数据集 文件夹名称 ＃文件 ＃班 类名（该类中的#Repository） bio/ 876 10 序列分析（210），基因组分析（176），基因表达（6

许多随机动态程序 (DP) 具有弱耦合结构，因为每个周期中的一组链接约束耦合了原本独立的子问题集合。 此类问题的两个广泛研究的近似是近似线性规划 (ALP)，它涉及优化在子问题之间相加分离的值函数近似，以及拉格朗日松弛，其中涉及放宽链接约束。 众所周知，这两种近似都提供了所有状态下最优值函数的上限，而 ALP 在初始状态下提供了更严格的上限。 这篇短文的目的是为这些上限即使不相同也常常接近这一事实提供理论依据。 我们表明： (i) 对于任何弱耦合 DP，这两个上限之间的差异 --- 松弛间隙 --- 根据 ALP 内约束分离问题的完整性间隙从上方有界； (ii) 如果子问题奖励是统一有界的，并且链接约束上的一些广泛适用的条件成立，则松弛间隙由与子问题数量无关的常数从上方限定； (iii) 当子问题动作是二元的并且链接约束具有单模结构时，松弛间隙为零。 (iii) 的条件在几个广泛研究的问题中成立：不安分的强盗问题、在线随机匹配问题、网络收入管理问题和重新定位资源的价格导向控制。 这些发现概括并统一了现有的结果。

蛤 整个幻灯片图像上的数据高效和弱监督计算病理学。 自然生物医学工程 | | | TL; DR： CLAM是一种高通量且可解释的方法，可使用幻灯片级别的标签对数据进行有效的整个幻灯片图像（WSI）分类，而无需任何ROI提取或补丁级别的注释，并且能够处理多类子类型化问题。 经过训练的模型在三个不同的WSI数据集上进行了测试，可适应WSI切除和活检以及智能手机显微镜图像（显微照片）的独立测试队列。 CLAM：基于深度学习的管道，可进行高效数据和无监督的全幻灯片级别分析 ••••••••预打印•演示•引用 CLAM如何工作？ 聚类约束的注意力多实例学习（CLAM）是一种基于深度学习的弱监督方法，该方法使用基于注意力的学习来自动识别具有较高诊断价值的子区域，以便准确地对整个幻灯片进行分类，同时还利用实例代表区域上的高级别聚类，以约束和完善特征空间。 :copyright: Mahmood Lab-此代码在GP

Toward Joint Thing-and-Stuff Mining for Weakly Supervised Panoptic Segmentation

任务4：智能汽车的大型弱监督声音事件检测 协调员 本杰明·埃里扎德（Benjamin Elizalde），伊曼纽尔·文森特（Emmanuel Vincent），比克莎·拉吉（Bhiksha Raj） 数据准备，注释 Ankit Shah（ ），Benjamin Elizalde（ ） 注释，基线和子任务的度量 Rohan Badlani（ ），Benjamin Elizalde（ ），Ankit Shah（ ） 指数 直接下载开发和评估套件的音频 用于下载任务4的开发数据的脚本 评估任务4的脚本-子任务A（音频标记）和子任务B Strong Label的测试注释 1.直接下载用于开发和评估集的音频 评估集的注释尚未发布。 可以通过向Ankit Shah（ ）或Benjamin Elizalde（ ）发送请求电子邮件来共享密码。 （Psswd培训文件：DCASE_2017_

全球首个临床级病理AI系统原始码及复现。 介绍： 官方Github ： : 个人补充部分 数据集下载。自己申请的，可直接使用， 50G左右。下载，密码： i8fv 数据集准备。官方接口需要指定格式，参考code/README.md 。这里我自己写了一个脚本，见code/dataPrepare_for_CNN.py和code/dataPrepare_for_Rnn.py ，改一下相关路径就好。 训练及测试。将官方代码改成单机数据并行训练，加速训练，单GPU也无需更改代码。具体运行命令，参考code/README.md 具体代码运行流程 运行： code/dataPrepare_for_CNN.py ，生成MIL所需的数据 运行code/MIL_train.py和code/MIL_test.py （很慢） 运行： code/dataPrepare_for_Rnn.py ，生成RNN所需的数据

Cross-Domain Weakly-Supervised Object Detectio.pdf

计算机视觉Github开源论文 Weakly Supervised Disentanglement with Guarantees