2.1 基基基本本本原原原理理理 因为R是一种编程语言，一些对编程不太熟悉的人可能会望而却步。这种 障碍其实是完全没有必要，首先，R是一种解释型语言，而不是编译语言，也 就意味着输入的命令能够直接被执行，而不需要像一些语言要首先构成一个 完整的程序形式(如C，Fortan, Pascal, . . . )。 第二，R的语法非常之简单和直观。例如，线性回归的命令lm(y ~ x) 表 示“以x为自变量，y为反应量来拟合一个线性模型”。合法的R函数总是带有 圆括号的形式，即使括号内没有内容(如,ls())。如果直接输入函数名而不输 入圆括号，R则会自动显示该函数的一些具体内容。在本手册中除在部分文字 已作出清楚的说明外，所有的函数后都接有圆括号以区别于对象(object)。 当R运行时，所有变量，数据，函数及结果都以对象(objects)的形式存 在计算机的活动内存中，并冠有相应的名字代号。我们可以通过用一些运算 符(如算术，逻辑，比较等)和一些函数(其本身也是对象)来对这些对象进行操 作。运算操作非常简单，其细节将留在下章讨论(p. 26). 关于R中的函数可用 下面的图例来形象的描述： arguments −→ options −→ function ↑ default arguments =⇒result 上图中的参量(argument)可能是一些对象(如数据，方程，算式. . . )。有 些参量在函数里被预设为缺省值，用户则可按需对其作个别的修改。所以运 行一个R函数可能不需要设定任何参量，原因是所有的参量都可以被默认为缺 3

通过学习功能金字塔来培训ImageNet和PASCAL VOC2012 该代码由提供（也提供了）。 中山大学（SYSU） 目录 介绍 该存储库通过学习功能金字塔（LFP）包含和上的培训和测试代码。 LFP最初用于人体姿势机器，在论文“学习用于人体姿势估计的特征金字塔”（ ）中进行了描述。 我们将其扩展到语义图像分割。 结果 细分可视化： （a）输入图像； （二）细分结果。 （a）图像和事实真相； （b）学习特征金字塔的三图； （c）原始ResNet的三图。 在PASCAL VOC2011细分排行榜上，它达到了81.0％的mIoU，比其基准DeepLabV2（79.6％）有了显着提高。 影像网 训练脚本： cd pyramid/ImageNet/ python imagenet-resnet.py --gpu 0,1,2,3,4,5,6,7 --data_form

该MATLAB代码是使用SIFT算法进行特征提取。 只需下载代码并运行。 然后你可以得到特征和描述符。 注意，如果你想做出更具适应性的结果。 请更改工厂：行、列、级别、阈值和d（在最后一部分）。 对于其他工厂，请在理解 David G. Lowe 的论文和我的代码之前不要更改。

matlab人脸匹配代码ASM人脸特征点匹配 简介任务：通过结合使用主动形状模型（ASM）算法和PCA方法来训练可用于检测测试人脸图片关键点的回归器。 然后，进行Procrustes分析以匹配那些图像的重建关键点； 环境：Matlab 2016a版本，ASM软件包； 主要步骤1，图像处理和参数设置将所有图像加载到Matlab中，并将其设置为训练图像和测试图像。 然后通过使用函数rgb2gray（），imread（）将RGB图像转换为灰度。 通过构造结构“选项”为以后的代码设置参数。 例如，我们将两个关键点之间的计数器点设置为10，将搜索迭代次数设置为100。2，在图像上使用经过训练的关键点并填充训练数据[Vertices，Lines] = LoadDataSetNiceContour（）； 通过使用这些Matlab函数，我们可以获得所有训练图像的顶点和线。 此功能来自受支持的程序包。 3，制作Shape模型[ShapeData，TrainingData，MeanVertices] = ASM_MakeShapeModel2D（）; [TrainingData（i）.CVertices，

图多NMF特征聚类 介绍 进行代码。 受流形学习和多视图非负矩阵分解（NMF）的启发，我们引入了一种新的基于局部图正则化的多视图NMF特征提取方法，其中考虑了数据之间的内视图相关性。 通过构造一个最近邻图来整合每个视图的局部几何信息，并应用两个迭代更新规则来有效地解决优化问题，从而提出矩阵分解目标函数。 请引用以下信息： @inproceedings{wang2015multi, title={Feature Extraction via Multi-view Non-negative Matrix Factorization with Local Graph Regularization}, author={Wang, Zhenfan and Kong, Xiangwei and Fu, Haiyan and Li, Ming and Zhang, Yujia}, bo

pyadiomics v3.0.1 建立状态 Linux 苹果系统 视窗 Python中的Radiomics功能提取 这是一个开源python软件包，用于从医学成像中提取Radiomics功能。 借助此软件包，我们旨在建立放射分析的参考标准，并提供经过测试和维护的开源平台，以轻松，可重复地提取放射特征。 通过这样做，我们希望提高对放射功能的认识并扩大社区。 该平台支持2D和3D中的特征提取，并且可用于计算感兴趣区域的每个特征的单个值（“基于段”）或生成特征图（“基于体素”）。 不适用于临床。 如果您发布使用此软件包的任何作品，请引用以下出版物： van Griethuysen，JJM，Fedorov，A.，Parmar，C.，Hosny，A.，Aucoin，N.，Narayan，V.，Beets-Tan， RGH，Fillion-Robin，JC，Pieper，S.，Aerts，HJWL（2017）。 计算射线学表型的计算机放射学系统。 癌症研究，77（21），e104-e107。 加入社区！ 请加入的。 要素类 当前支持以下要素类： 一阶统计 基于形状（2D和3D）

用于面部特征检测的 OpenCV 存储库 该存储库托管 OpenCV C++ 程序，用于检测最常见的面部特征，例如： 眼睛 眉毛 外唇轮廓 面部特征检测将进一步用于情感分类。

该工具箱提供了粒子群优化 (PSO) 方法 “Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

一篇关于卷积自编码的论文，写的非常好，此处上传仅仅是为了通过我博客想下载的朋友。

特征提取 4 眼运动 用于以原始 (x,y) 坐标表示的眼球运动的 Matlab 特征提取模块 有关眼动数据集，请参阅 EMVCC (emvic.org)。