本文对基于深度学习的自监督一般性视觉特征学习方法做了综述。首先，描述了该领域的动机和一些专业性术语。在此基础上，总结了常用的用于自监督学习的深度神经网络体系结构。接下来，回顾了自监督学习方法的模式和评价指标，并介绍了常用的图像和视频数据集以及现有的自监督视觉特征学习方法。最后，总结和讨论了基于标准数据集的性能比较方法在图像和视频特征学习中的应用。

基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与MVI预测 基于特征学习的肝脏肿瘤图像分割与M

上下文编码器：[CVPR 2016]使用GAN通过图像修复进行无监督特征学习

灰度特征提取matlab代码耦合特征学习用于多模态医学图像融合 参考：FG Veshki，N Ouzir，SA Vorobyov，E Ollila，用于多模式医学图像融合的耦合特征学习，2021年，arxiv.org ％运行脚本文件“ Demo_gray.m”，“ Demo_color.m”和“ Demo_IV”。 （在“融合问题”标签中更改融合方式） ％要求：MATLAB的mex编译器 ％用于提取和重建图像补丁以及可视化字典原子的代码来自SPAMS工具箱。 （文件夹“实用程序”中的文件“ mexExtractPatches.m”，“ mexCombinePatches.m”和“ displayPatches.m”。）

时间序列的无监督特征学习

图像分类的性能在很大程度上取决于特征提取的质量。卷积神经网络能够同时学习特定的特征和分类器，并在每个步骤中进行实时调整，以更好地适应每个问题的需求。本文提出模型能够从遥感图像中学习特定特征，并对其进行分类。使用UCM数据集对inception-v3模型与VGG-16模型进行遥感图像分类，实验结果表明，本文提出的模型在训练时间和分类准确率上都优于现有算法。

斯坦福无监督特征学习和深度学习教程（新版）使用 Python 教程网站： 查看此 repo 的 ipython 笔记本的好方法： 为简化起见，下面列出了所有笔记本的链接：

matlab filter 代码

基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过，，，张治，，。 拟议框架 介绍 与传统的手工特征提取算法相比，使用深度神经网络（DNN）的特征学习技术表现出卓越的性能。 但是，DNN通常需要大量的训练样本来学习有效的特征，而在高光谱图像中很难获得有效的特征。 因此，在本文中，提出了一种使用三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作，例如3D卷积，3D池化和3D批处理归一化，以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式，通过该模式，可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明，我们提出的3D-CAE在提取空间光谱特征方面非常有效，不仅在传统的非监督特征提取算法方面表现出色，而且在分类应用中也优于许多监督特征提取算

行业分类-设备装置-一种基于无监督特征学习的遥感图像检索方法及系统.zip