基于多模态机器学习的膝关节骨关节炎进展的平原X线片和临床数据预测。 纸张代码和预先训练的模型。 Arxiv预印本： ://arxiv.org/abs/1904.06236 （c）奥卢大学Aleksei Tiulpin，2018-2019年。 关于 该存储库包含完整的代码，可重现本文中的培训过程。 要从头开始训练模型，您需要从MOST和OAI数据集中获取DICOM图像。 您还需要获取相应的元数据（可从网站下载。中提供了有关获取数据的更多说明。可在找到注释这些图像所需的元数据。 安装，培训和评估 依存关系 为了运行该项目，我们使用了Ubuntu 16.04 ， Docker和nvidia-docker 。 这些是您唯一需要的软件依赖项。 请安装这些就可以了。 如果不想使用Docker ，则可以按照给定的Dockerfile遵循安装过程。 我们使用3xGTX1080Ti NVIDIA

深度学习情感分析 多模态情感分析的深度学习

针对歌词文本中特征词位置对音乐情感分类的影响问题，文中使用层次分析法来进行特征词在不同位置的权重分析，并对歌词所提取的特征向量进行修正。同时，与音频信号所提取到的特征向量进行多模态数据融合，使用深度置信网络已有监督训练的方式，分析混合融合后的特征向量与音乐情感之间的联系，构建出基于特征词位置因素的音乐情感智能分类算法。测试与实验结果表明，基于特征词位置因素的音乐情感智能分类算法在5种音乐情感样本的测试下，最低准确率为80.1%，平均准确率为83.5%，明显优于未采用位置因素修正的算法，具有良好的有效性与可行性。

matlab多目标优化代码CPDEA 版权所有刘一平 这些是“Yiping Liu、Hisao Ishibuchi、Gary G. Yen、Yusuke Nojima 和 Naoki Masuyama，处理不平衡”中提出的不平衡距离最小化问题 (IDMP) 和使用收敛惩罚密度方法 (CPDEA) 的进化算法的代码进化多模态多目标优化决策空间中的收敛性和多样性之间，IEEE 进化计算汇刊，2020 年，24(3)，第 551-565 页，“。 代码使用发表于“Ye Tian 等人，PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective Optimization, IEEE Computational Intelligence Magazine, 2017, 12(4): 73-87”。 如果您有任何问题，请联系。

病态融合 基于深度学习的多模态组织病理学图像识别和融合框架 好消息！ （3/5/2021） 标签网站的源代码现已发布，请查看文件夹“ LabelingWebsite”或访问独立的代码库： : 标记网站的升级：支持IHC /融合热图的叠加，并标记非常大的病理图像（超过60,000x60,000；剪切），请参阅网站的新演示视频： ://cloudstor.aarnet.edu 使用标签网站的重要提示：必须使用Edge旧版（其他Web浏览器，包括新的Edge在处理大图像时会出现问题） 要使用Edge旧版，请执行以下操作：1）将新的Edge文件夹重命名为您想要的任何其他名称； 2）下载“ EdgeLaunch.exe”以启动旧版Edge（或Win + run：shell：Appsfolder \ Microsoft.MicrosoftEdge_8wekyb3d8bbwe！Microso

为了提高情感识别的分类准确率，提出一种将栈式自编码神经网络（SAE）和长短周期记忆单元循环神经网络（LSTM RNN）融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩，随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证，得到情感分类准确率达到0.792 6。实验结果表明，SAE对多模态生理特征进行了有效融合，LSTM RNN能够有效地对长时间周期中的关键特征进行识别。

生物识别系统是一种重要的基于模式的识别系统，广泛应用于各个部门，用于使用各种生物识别特征对人类进行身份验证。 使用任何仅具有单一生物特征的生物特征认证系统可能不够准确，无法以最大的灵敏度和生产力提供所需的结果。 几种生物特征，例如指纹、手掌静脉识别、手掌、手几何、虹膜识别、用于验证用户身份的DNA。 从各种生物特征来看，指节纹（FKP）和虹膜具有细腻、丰富的质感。 FKP和iris也有稳定的特性，很少被中间人破解。 因此，所提出的系统在分析各种应用中的身份验证时使用 FKP 和 Iris 作为生物特征。 Finger Knuckle 印花和 Iris 中出现的纹理图案在将两种图案组合在一起时将变得非常独特。 FKP 和 Iris 图像使用 Gabor 滤波器进行预处理，并使用感兴趣区域的边缘方法分割精确区域。 在主成分分析的帮助下，从提取的区域中提取不同的特征。 两个提取的特征都在分数级别融合。 最后在神经模糊神经网络（NFNN）的帮助下进行匹配。 使用从 PolyU FKP 数据库和 CASIA Iris 数据库中提取的双重属性来评估性能。 建议设计的有用性是根据错误接受率 (FAR)、错误拒绝率 (FRR)、等错误率 (EER) 和准确性来衡量的。

GCN_分类 基于场景文本的细粒度图像分类与检索的多模态推理图 基于我们的WACV 2021接受的论文： ://arxiv.org/abs/2009.09809 安装 创建Conda环境 $ conda env create -f environment.yml 激活环境 $ conda activate finegrained 数据集 上下文数据集可以从以下下载： : 饮料瓶数据集： : 1ss9Pxr7rsdCpYX7uKjd-_1R4qCpUYTWT 训练有素的模型权重 上下文数据集： : 饮料瓶数据集： : 文字和视觉功能 请下载以下文件，并将它们放在以下目录结构中： $ PATH_TO_DATASETS $ /上下文/ $ PATH_TO_DATASETS $ / Drink_Bottle / 请参考链接后的路径以正确放置文件。 视觉特征由Fas

本资源包含小数分频锁相环中用到的多模分频器。先看博客讲解多模分频原理及电路结构，在考虑下载 https://blog.csdn.net/qq_38496973/article/details/107874927

多模算法性能对比分析 ac wm sbom