PsyNet：使用点对称变换的对象自定位自我监督方法 “ PsyNet：使用点对称变换进行对象定位的自我监督方法”的官方Pytorch实现 此实现基于这些存储库。 预训练的检查点现在可用 请检查“测试”部分。 与...合作 李敏h （平等贡献） Hyunjung Shim （对应） 纸 该论文已被AAAI 2020接受。pdf可在获得。 注意 抽象 现有的共定位技术在准确性和推理时间上明显弱于弱或完全监督的方法。 在本文中，我们通过利用自我监督学习方法克服了共定位技术的共同缺点。 提出的方法的主要技术贡献是双重的。 1）我们设计了一种新的几何变换，即点对称变换，并将其参数用作自监督学习的

PositionRank PositionRank是ACL 2017论文关键字方法中描述的关键字提取方法。 该方法通过基于图的算法来搜索关键词，并通过共生词的位置信息对PageRank进行偏置。 如果为其他语言创建令牌生成器，则不仅可以使用英语学术文档，还可以使用任何其他语言的文档。 >> > from position_rank import position_rank >> > from tokenizer import StanfordCoreNlpTokenizer >> > title = "PositionRank: An Unsupervised Approach to Ke

句法依存分析是自然语言处理中的一项重要任务。无监督依存解析旨在从没有正确解析树注释的句子中学习依存解析器。尽管无监督解析很困难，但它是一个有趣的研究方向，因为它能够利用几乎无限的无注释文本数据。它也为其他低资源解析的研究提供了基础。

IRC_ClusteringPatientData 使用支持向量机（SVM）学习方法对患者数据进行聚类以进行诊断。该项目是伦敦帝国理工学院Horizo​​ns课程的跨学科研究计算项目的一部分。 目的 机器学习（ML）模型可以成功处理诸如像素或随机数值数据之类的复杂数据，并在该数据中找到可能会非常复杂的模式以其他方式进行分类。在医学领域有很多ML的例子，我们想更多地了解如何获取医学数据并产生有趣的结果。 运行模型 执行main.py： 从在线数据库中提取数据并进行清理 训练模型 测试模型 产生准确性结果和相关图表 代码的主要部分使用Model.py中定义的Model类。这样可以轻松启用和禁用诸如图形或评估机制之类的功能。 属性 数据属性如下： 匈牙利心脏病研究所。布达佩斯：瑞士苏黎世医学博士学位的Andras Janosi：瑞士巴塞尔医学博士学位的William Steinbrunn：瑞士长

HarvestText Sow with little data seed, harvest much from a text field. 播撒几多种子词，收获万千领域实 在和上同步。如果在Github上浏览/下载速度慢的话可以转到上操作。 用途 HarvestText是一个专注无（弱）监督方法，能够整合领域知识（如类型，别名）对特定领域文本进行简单高效地处理和分析的库。适用于许多文本预处理和初步探索性分析任务，在小说分析，网络文本，专业文献等领域都有潜在应用价值。 使用案例: （实体分词，文本摘要，关系网络等） （实体分词，情感分析，新词发现[辅助绰号识别]等） 相关文章： 【注：本库仅完成实体分词和情感分析，可视化使用matplotlib】 (命名实体识别，依存句法分析，简易问答系统) 本README包含各个功能的典型例子，部分函数的详细用法可在文档中找到： 具体功能如下： 基本处理

基于KNN算法的财政预算监督方法.pdf

深度学习的多光子显微镜图像降噪 多光子显微镜（MPM）图像固有地以低信噪比（SNR）捕获，从而抑制了对更深的大脑层成像的过程，实现了更高的时间和空间分辨率。 虽然基于线性滤波的经典方法无法处理MPM图像中占主导地位的泊松噪声，但深度学习图像恢复目前是一个热门话题。 在这项工作中，在MPM图像的去噪性能方面，比较了三种监督（CARE，DnCNN和ResNet）和三种非监督（Noise2Noise，Noise2Void和概率性Noise2Void）深度学习方法，并研究了监督与非监督方法之间的差距。 通过在训练数据中添加具有不同噪声水平的图像，我们的模型可以推广到盲噪声图像。 无偏神经网络也检查了泛化能力。 结果表明，我们的基于深度学习的模型实现了令人满意的降噪性能，并在广泛的噪声水平范围内进行了归纳。 还证明了与监督方法相比，无监督方法仅表现出稍微降低的降噪性能。 该发现具有重要意义，因为收集