基于马尔可夫随机场（MRF）的方法已广泛用于高空间分辨率（HSR）图像分类中。 但是，许多现有的基于MRF的方法更加注重像素级上下文，而较少关注超像素级上下文信息。 为了解决这个问题，本文提出了一种新颖的双层上下文MRF框架，称为BLC-MRF，用于HSR图像分类。 具体来说，将像素和超像素级别的依赖关系合并到建议的MRF模型中，以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中，首先执行像素级MRF模型，然后级联作为超像素级MRF的输入。 在超像素级别，分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后，进行了上下文MRF模型，并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的：首先，可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界，以提高分类性能；其次，该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明，在分类性能方面，该方法优于几种最新方法。

食品药品监督管理一体化解决方案，2021推荐智慧食药监局食品药大数据安全管理平台系统建设解决方案

一种新颖的监督竞争学习算法

卫生统计指标 第6部分：卫生监督

系统管理也都将通过计算机进行整体智能化操作，对于环境保护监督管理系统所牵扯的管理及数据保存都是非常多的，例如系统用户管理、公民注册管理、企业信息管理、环保部门管理、污染信息管理、投诉信息管理、意见信息管理、污染治理管理、系统信息管理等，这给管理者的工作带来了巨大的挑战，面对大量的信息，传统的管理系统，都是通过笔记的方式进行详细信息的统计，后来出现电脑，通过电脑输入软件将纸质的信息统计到电脑上，这种方式比较传统，而且想要统计数据信息比较麻烦，还受时间和空间的影响，所以为此开发了环境保护监督管理系统；为用户提供了方便管理平台，方便管理员查看及维护，并且可以通过需求进行设备信息内容的编辑及维护等；对于用户而言，可以随时进行查看作品和论坛信息，管理员可以足不出户就可以获取到系统的数据信息等，而且还能节省用户很多时间，所以开发环境保护监督管理系统给管理者带来了很大的方便，同时也方便管理员对用户信息进行处理。

通常将序数回归（OR）定义为输入样本按序数等级进行排序的任务。 OR已经发现了各种各样的应用程序，并且已经完成了很多工作。 但是，大多数现有工作都集中在有监督/半监督的OR分类上，并且尚未明确解决半监督或OR聚类的问题。 在现实世界的OR应用程序中，标记大量的训练样本通常是耗时且昂贵的，而可以使用一组未标记的样本来建立OR模型。 此外，尽管样本标签不可用，但有时我们可以获得未标记样本的相对排名信息。 此样本排名信息可用于完善OR模型。 因此，如何在未加标签的样本上建立OR模型并将样本排名信息纳入提高聚类精度的过程仍然是OR应用程序的主要挑战。 在本文中，我们考虑了具有样本排序约束的半监督OR聚类问题，该问题给出了未标记样本的相对排名信息，并提出了一种用于半监督OR聚类的最大余量方法。 一方面，M²SORC寻求一组平行的超平面，以将未标记的样本划分为多个簇。 另一方面，提出了损失函数以将样本排名信息纳入聚类过程。 结果，制定了M²SORC的优化函数，以最大程度地增加最接近的相邻簇的余量，同时最大程度地减少与样本排序约束相关的损失。 在OR数据集上进行的大量实验表明，所提出的M²SORC方

半监督词典学习，用于宽范围语义解析

一种新的监督过采样算法及其在蛋白质-核苷酸结合残基预测中的应用

web前端开发的项目3.html

Project1.sln