视频图matlab代码请阅读我的论文，特别是第3章。 您还想阅读我的方法所依赖的Papazoglou等人的ICCV2013（但我想删除此依赖项）。 阅读HOWTO.txt，了解如何运行我的代码。 目录“数据”包含输入图像，预先计算的时间超像素等。 目录“ external”包含外部的matlab代码，这些代码将从我的python代码中调用。 有很多事情需要改进。 视频表示 标记时间超像素的想法还不错。 但是，即使单个tsp轨迹同时包含fg和bg像素，它们也会被赋予相同的标签。 可能需要一些后期处理。 一元潜力 在轨迹上扩散的想法很好。 为了计算fg可能性，我们目前依赖于Papazoglou等人的内外图，ICCV2013。 我想改进它，或用其他方法代替它。 -因为内部-外部映射并不稳健，所以特别是在有多个对象的情况下（请参见我的论文，第3.2节）。 -取决于阈值光流边缘，该边缘可能会忽略薄弱但重要的边缘。 -每个帧都完全独立地处理。 如何改善内外地图？ -使用TSP以3d方式拍摄光线。 -还有其他想法吗？ 最终外观模型和位置模型不好。 -训练随机森林需要阈值散布在内部概率中。 这听起来很

有监督语音识别综述--表格型 包含文章名，时间，方法，优缺点，与其他网络总结，实验结果

针对一类单输入单输出非线性不确定系统, 提出一种稳定的直接自适应模糊输出反馈监督控制算法. 该算
法不需要系统的状态完全可测的假设条件, 监督控制不仅迫使系统的状态在指定的集合内, 而且当模糊自适应控制
处于良好的工作状态时, 监督控制可以关闭. 证明了整个模糊自适应输出反馈控制算法可以保证闭环系统稳定.

简单，可扩展，值得继续研究的方向，可进行对比实验

任务监督平台、基于微信小程序

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题，提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络（FCNN），预测待处理图像的初步显著性区域；然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机（SVM）分类器的学习样本集，选择并提取八种典型特征代表对应样本训练SVM；接着通过多核SVM分类器预测各超像素显著值；最后融合初步显著图和多核学习显著图，改善FCNN网络输出图的不足，得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值，综合性能均优于对比方法，验证了该方法在显著性检测中准确性的提高，为目标识别、机器视觉等应用提供更可靠的预处理结果。

自监督学习相关论文 Self-supervised Learning for Linking Knowledge Graphs(TKDE21)

该自由可以用于语义分割在少量训练数据集上进行训练，并将训练之后的模型用于对没有标注的数据进行预测，形成一种少样本学习，用于辅助人工标注的一种代码资源。

使用三种具有代表性的聚类分析算法对鸢尾花数据集进行聚类分析，分别为层次方法、DBSCAN 方法与K-means 方法。接着使用三个评价指标对聚类的结果进行评价，分别为准确度、运行时间、轮廓系数。本程序包含python程序、实验报告与鸢尾花数据集文件。是本人亲手写的作业且获得高分。层次方法在此数据集上准确度最佳，DBSCAN 方法运行时间最短，层次与 K-means 方法都取得了较高的轮廓系数值。亲手资源，保证一手！

基于监督学习的web入侵检测系统