matlab实现的计算但标签分类聚类准确率的计算代码。
函数包含两个参数groundtruth以及分类/聚类模型给出的预测标签向量
函数包含两个参数groundtruth以及分类/聚类模型给出的预测标签向量
2024/4/26 2:26:01
643B
1
高光谱图像数据集，搜罗Indian,Pavia。
每一类数据集里搜罗图像原始信息，以及相对于应的groundtruth。
每一类数据集里搜罗图像原始信息，以及相对于应的groundtruth。
2023/4/15 9:36:34
43.43MB
1
SynthPopSynthPop使用高斯系脉天生表格综合数据。
成果咱们想对于{X，y}的松散漫衍建模，以就能够绘制更多样本。
从统计上相同的漫衍中患上到更多样本能够（a）削减过甚拟合或者（b）留存隐衷（经由建树具备相同统计属性的数据集而不会揭发底线）。
例子您能够从如下漫衍中患上到一些样本。
借助SynthPop，您能够经由（a）将高斯毗邻数拟合到这些视察值，以及（b）从该多元高斯中抽取样原本从该漫衍中天生更多样本。
fromSynthPopimportCopuladata=np.load("data.npy")#groundtruthof100samplesGenerator=Copula()Generator.fit(data)#fitaGuassiansoithasasimilardistr
成果咱们想对于{X，y}的松散漫衍建模，以就能够绘制更多样本。
从统计上相同的漫衍中患上到更多样本能够（a）削减过甚拟合或者（b）留存隐衷（经由建树具备相同统计属性的数据集而不会揭发底线）。
例子您能够从如下漫衍中患上到一些样本。
借助SynthPop，您能够经由（a）将高斯毗邻数拟合到这些视察值，以及（b）从该多元高斯中抽取样原本从该漫衍中天生更多样本。
fromSynthPopimportCopuladata=np.load("data.npy")#groundtruthof100samplesGenerator=Copula()Generator.fit(data)#fitaGuassiansoithasasimilardistr
2023/4/6 21:56:55
224KB
1
一个37类pet数据集，每个类大约有200张图片。
这些图像在比例、姿态和光线上都有很大的变化。
所有的图像都有相应的品种、头部ROI和像素级trimap分割的groundtruth注释。
这些图像在比例、姿态和光线上都有很大的变化。
所有的图像都有相应的品种、头部ROI和像素级trimap分割的groundtruth注释。
2016/4/19 6:19:34
773.52MB
1
用于图像分割的原始图片以及手工分割图片（groundtruth），包含7-sowerby数据库104张车拍图片和google数据库108张航拍图片。
2017/8/4 15:50:44
1.68MB
1
眼底图像分割＼关键点检测＼动静脉区分常用数据集，是眼底最广泛的数据集之一，甚至可以去掉＇之一＇二字．这里面含有分割图的ｇｒｏｕｎｄｔｒｕｔｈ，原图以及ｍａｓｋ，没有关键点坐标的groundtruth，关键点在另一个上传的资源里，一次只能传一个紧缩包．．害！
2019/2/10 15:16:36
28.82MB
1
不同的数据集给出的数据标注格式可能不同，有的标注格式使用的是一张图对应一个xml文件，有的代码需求一个存储数据的groundtruth.txt文件，代码中使用tinyxml库将这种批量的xml文件转存到一个groundtruth.txt文件中。
readme供小白使用，也可以作为tinyxml的学习参考。
readme供小白使用，也可以作为tinyxml的学习参考。
2019/11/1 2:54:24
253KB
1
CS231A课程项目：深度立体声匹配重新实现GC-Net我主要是重新实现GC-Net。
我实现了两个版本的GC-Net模型：一个带有掩码（损失被掩码），另一个不带掩码。
结果定性结果SceneFlow上的无遮罩版本，原始图像和预测样本：SceneFlow上的带遮罩版本，遮罩的地面真相，遮罩的预测和未遮罩的预测：在KITTI训练集上，要了解真实情况，掩盖的预测和未掩盖的预测：在KITTI测试集中，原始图像和预测样本：定量结果由于KITTI数据集非常稀疏，因而提供的groundtruths是带遮罩的，我首先实现并训练带遮罩的版本。
但是我发现一些预测非常模糊。
（我的口罩有点过多）。
虽然定性结果看起来不错，但是SceneFlow测试集上的定量结果不是很好。
至于KITTI，这不是令人满意的版本，因而我不提交。
并且由于时间和资源的限制，我不进行验证。
我在训
我实现了两个版本的GC-Net模型：一个带有掩码（损失被掩码），另一个不带掩码。
结果定性结果SceneFlow上的无遮罩版本，原始图像和预测样本：SceneFlow上的带遮罩版本，遮罩的地面真相，遮罩的预测和未遮罩的预测：在KITTI训练集上，要了解真实情况，掩盖的预测和未掩盖的预测：在KITTI测试集中，原始图像和预测样本：定量结果由于KITTI数据集非常稀疏，因而提供的groundtruths是带遮罩的，我首先实现并训练带遮罩的版本。
但是我发现一些预测非常模糊。
（我的口罩有点过多）。
虽然定性结果看起来不错，但是SceneFlow测试集上的定量结果不是很好。
至于KITTI，这不是令人满意的版本，因而我不提交。
并且由于时间和资源的限制，我不进行验证。
我在训
2022/9/3 12:38:33
16.3MB
1
（含源码及报告）本程序分析了自2016年到2021年（外加）每年我国原油加工的产量，并且分析了2020年全国各地区原油加工量等，含饼状图，柱状图，折线图，数据在地图上显示。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。
2022/9/30 16:31:44
29.75MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB