半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen

针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。

Kmean、K均值聚类、无监督matlab算法若干案例，内含数据。

时间序列转监督性问题 多步式单变量函数_多测多 多步式多变量_多变量一测多 一步式单变量函数_多测一 一步式多变量_多变量一测一 测试对比python实现源码

基于MLP(多层感知机)的时间序列预测python源码+超详细注释 内容包含： 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_MLP模型 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据 04.(多步+多变量输入)_(单步+单变量输出)_MLP模型 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据 06.(多步+多变量输入)_(单步+多变量输出)_MLP模型 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_MLP模型 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_MLP模型 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据 10.(多步+单变量输入)_(多步+单变量输出)_MLP模型 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据 12.(多步+多变量输入)_(多步+单变量输出)_MLP模型 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据 14.(多步+多变量输入)

当对大量的标记数据集合(如ImageNet)进行训练时，深度神经网络展示了它们在特殊监督学习任务(如图像分类)上的卓越表现。

SOLD² - Self-supervised Occlusion-aware Line Description and Det

基于半监督学习的遥感图像分类研究_徐庆伶.pdf ,pdf,论文

无监督学习中用于数据分类的算法，包括原始数据。

摘要为进一步提高多聚焦图像的融合质量提出一种基于监督学习的全卷积神经网络多聚焦图像融合算法该算法旨在运用神经网络学习源图像不同聚焦区域的互补关系即选择源图像中不