Advertisement

LibSVM MATLAB代码-SFER_code：此代码为论文《利用共享模糊等价关系实现无监督异构领域适配》（IEEE-TFS 2018）所用...

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：该代码库包含用于执行无监督异构领域适配的LibSVM MATLAB程序，基于论文《利用共享模糊等价关系实现无监督异构领域适配》(IEEE Transactions on Fuzzy Systems, 2018)的研究成果。 SFER_code是与论文“通过共享模糊等价关系进行无监督异构域适应”（发表于IEEETFS）相关的LibSVM-Matlab代码。请注意：如果您不使用Windows系统，则需要使用提供的LibSVM包重新编译您自己的svmtrain和svmpredict文件。该代码用于将知识从异构源域转移到未标记的目标域。如果不想重新安装数据集，只需在MATLAB中运行主要脚本即可。 我们使用的是MATLAB2017a版本来执行此代码。如果您希望利用自己的数据集，请修改main.m文件中的第13-14行和第28-29行相关部分。 若您使用了该代码库，引用以下论文： Liu,F.、Lu,J.和Zhang,G., 2018年。“通过共享模糊等价关系实现无监督异构域适应”，IEEETransactionsonFuzzySystems,26(6),pp.3555-3568。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • LibSVM MATLAB代码-SFER_code：此代码为论文《利用共享模糊等价关系实现无监督异构领域适配》（IEEE-TFS 2018）所用...
    优质
    简介：该代码库包含用于执行无监督异构领域适配的LibSVM MATLAB程序，基于论文《利用共享模糊等价关系实现无监督异构领域适配》(IEEE Transactions on Fuzzy Systems, 2018)的研究成果。 SFER_code是与论文“通过共享模糊等价关系进行无监督异构域适应”（发表于IEEETFS）相关的LibSVM-Matlab代码。请注意：如果您不使用Windows系统，则需要使用提供的LibSVM包重新编译您自己的svmtrain和svmpredict文件。该代码用于将知识从异构源域转移到未标记的目标域。如果不想重新安装数据集，只需在MATLAB中运行主要脚本即可。 我们使用的是MATLAB2017a版本来执行此代码。如果您希望利用自己的数据集，请修改main.m文件中的第13-14行和第28-29行相关部分。 若您使用了该代码库，引用以下论文： Liu,F.、Lu,J.和Zhang,G., 2018年。“通过共享模糊等价关系实现无监督异构域适应”，IEEETransactionsonFuzzySystems,26(6),pp.3555-3568。
  • DANN：利用反向传播的无监督领域适应方法（含链接器实现）
    优质
    本文介绍了一种名为DANN的无监督领域自适应方法，通过反向传播机制实现数据在不同领域的迁移应用，并附有代码实现链接。 链条机实现环境为Ubuntu 14.04 LTS，并带有Anaconda3 4.2.0的Python 3.5.2。 外部库及版本： - 链条机：2.0.0 - 杯状的：1.0.0 - 麻木：1.14 数据集来源为MNIST，目标为MNIST-M。验证数据使用的是目标数据（无训练数据），而训练数据则来自源与目标的数据。 实施结果： - MNIST: 81.49% - MNIST-M: 80.81% 准确性失利包括标签预测器损失和域分类器损失。 用法说明：打开train.py并更改data_root路径。运行python train.py 。从图像文件所在的目录中获取类标签，并且目录名称必须是类ID。因此，需要安排好图像文件并将每个类别对应的目录重命名。
  • libsvm matlab代码-SHFA_release: 异构特征增强(HFA)的实现
    优质
    SHFA_release 是一个基于异构特征增强（HFA）方法的MATLAB代码库，适用于使用LibSVM工具箱进行机器学习和数据挖掘研究。 以下是关于如何运行SHFA（Supervised Heterogeneous Feature Alignment）和HFA（Heterogeneous Feature Alignment）方法示例代码的步骤： 在文章《用于监督和半监督异构域适应的增强特征学习》中，WenLI、LixinDUAN、DongXU及Ivor W. TSANG描述了这两种算法。要运行这些示例代码，请按照以下步骤操作： 1. 下载加权LIBSVM包。 2. 编译其MATLAB接口（通过在加权libsvm文件夹下的./matlab/make.m文件中进行编译）。 3. 在Windows操作系统上提供了一个预编译的mex文件。 4. 在demo.m脚本中设置加权libSVM包的路径。例如，将第一行修改为包含您的mex文件的具体位置：`addpath(.\libs\libsvm-weights-3.20\matlab);` 5. 运行demo.m后，您将在Amazon->DSLR上得到一轮HFA的结果，预期值应接近于0.567901。 6. 通过运行demo_shfa.m文件来获取SHFA方法的输出结果。同样地，在“Amazon->DSLR”数据集上的测试轮次中获得S的最终结果。 请确保按照上述步骤准确操作以顺利完成代码执行与验证过程。
  • Matlab中的图像模糊自监督学习代码
    优质
    本项目提供基于MATLAB实现的图像模糊自监督学习代码，旨在通过无标注数据训练模型识别和处理不同类型的图像模糊问题。 图像模糊的Matlab代码用于自我监督训练神经网络的方法能够利用结构化的未标记样本提高网络性能。存储库包含该方法的第一个版本（使用Matlab实现）和第二个版本（用Pytorch实现），因此既有Matlab文件也有Jupyternotebook文件。 - 神经核心：构建我们的网络的核心单元 - 数据模型类：定义了网络和数据的模型结构 - data_transfer: 用于划分数据集，并利用PCA将图像转换为向量 - ss_net.m：展示了如何使用建议的方法进行示例同轴错误检测的应用实例 - epfl_car: EPFL汽车数据集上的实验结果 方法的结果如下： | 方法 | 平均AE | 中位数AE | 数据类型 | |------------|----------|-----------|----------| | 我们的方法1 | 19.28 | 3.510790 | 无标签 | | 我们的方法2 | 12.02 | 3.651231 | 标签 | | 我们的方法3 | 17.22 | 4.781230 | 其他数据集 | 比较方法： - 芬兹等人。(2015)：平均AE为13.6，中位数AE为3.3 - He等人。(2014): 平均AE是15.8, 中位数AE是6.2 - 杨等人.(2017): 平均AE为20
  • EM算法Matlab代码-ImageSeg：利用聚类进行无监督图像分割
    优质
    本项目提供了一段基于EM算法的Matlab代码，用于实现无监督图像分割任务。通过聚类分析技术自动识别和分离图像中的不同区域或对象。 本段落讨论了使用EM算法的Matlab代码进行无监督图像分割，并将该方法与K均值聚类的结果进行了比较。主要代码位于文件`code.m`中，而高斯模型的相关函数则在另一个名为`GMmodel.m`的文件里实现。通过这两种不同的聚类技术来分析和理解它们各自的特点以及在实际应用中的表现差异。
  • 近期领域模型的代码实现
    优质
    本项目聚焦于近期热门领域的模型构建与代码实现，涵盖自然语言处理、机器学习等多个方向，旨在为研究者提供实用的学习资源和应用案例。 领域模型是软件开发中的一个重要概念，在面向对象设计与领域驱动设计（DDD）中有广泛应用。它将业务领域的核心概念、规则及行为转化为计算机程序的形式。本段落旨在深入探讨领域模型的理论基础，并详细介绍如何在实际编码中实现这些模型。 领域模型的核心在于表达和理解业务领域内的关键要素，包括实体（Entity）、值对象（Value Object）、聚合（Aggregate）以及领域事件（Domain Event）。具体来说： - 实体具有唯一标识符且其状态会随时间变化； - 值对象专注于不可变的属性集合，例如地址或颜色等信息； - 聚合由一组相关的实体和值对象组成，共同维护业务规则的一致性。 在实际编码中实现领域模型时需注意以下要点： 1. **封装领域对象**：确保类内部包含的所有逻辑都与特定业务场景相关，并防止外部直接修改其状态以保持业务规则的完整性。 2. **定义领域服务**：对于跨越多个领域的复杂流程，可以创建专门的服务来协调操作。这类服务通常不涉及数据持久化功能，而是专注于执行具体的业务过程。 3. **设计仓储接口**：该部分负责管理领域对象的数据存储和检索，并与具体的数据访问层分离以实现技术的灵活性。 4. **处理领域事件**：通过订阅并响应特定的领域事件来触发后续操作或更新相关数据。这有助于确保系统内所有组件都能及时反映业务状态的变化。 5. **区分领域模型与数据模型**：前者关注于表达业务逻辑，而后者则侧重于存储和查询信息。两者在设计时应保持独立性，并通过适配器层进行必要的交互。 综上所述，领域模型是理解和实现复杂商业规则的有效工具。它帮助开发人员将复杂的业务知识转化为易于维护且高效的代码结构。通过对这些概念的实际应用研究，可以加深对领域驱动设计理念的理解并提高其在项目中的实际运用能力。
  • UJDA：采用统一联合分布对齐的无监督领域适应方法
    优质
    本文介绍了一种名为UJDA的无监督领域适应方法，通过使用统一联合分布对齐技术来提高模型在目标领域的泛化能力。该方法无需标签信息即可实现源域到目标域的知识迁移，在跨领域应用中展现出了优越性能。 乌日达具有统一联合分布对齐的无监督域自适应先决条件： 所需环境： - Python3 - PyTorch == 0.4.1（需有合适的CUDA和CuDNN版本） - 火炬视觉== 0.2.0 数据集：您需要在“./data”中的每个“.txt”文件中修改图像的路径。 训练步骤： 运行命令： ``` python train.py --config ../config/dann.yml --dataset Office-31 --src_address ../data/amazon.txt --tgt_address ../data/dslr.txt --src_test_address ../data/amazon.txt ``` 引用说明：如果您使用此代码进行研究，请考虑引用相关文献。
  • 无监督异常检测研究论文集
    优质
    本论文集汇集了无监督学习领域中关于异常检测的最新研究成果和方法探讨，旨在为学术界及工业界的科研人员提供理论参考与实践指导。 无监督异常检测论文集可应用于未来智能工厂的预测性分析。
  • Dassl.pytorch：适用于领域适应与半监督学习的PyTorch工具包
    优质
    Dassl.pytorch是一款专为领域适应和半监督学习设计的PyTorch库，提供丰富的数据管理、模型训练及评估工具，助力研究人员高效开发新颖算法。 Dassl是一个专注于领域适应与半监督学习研究的工具箱，并因此得名。它采用模块化设计并提供统一接口，方便快速原型开发及新方法试验。使用Dassl，仅需几行代码即可实现新的算法。 您可以利用Dassl进行以下领域的研究： - 领域适应 - 域泛化 - 半监督学习 最新进展包括： [2021年3月] 我们发布了一份关于领域泛化的调查报告，总结了该主题过去十年的发展历程、相关问题、数据集、方法论及未来发展方向。 [2021年1月] 最近的研究成果（通过混合不同域样本的实例级特征统计信息来改善领域泛化）已被ICLR 2021接受。代码已在相应平台发布，其中跨域图像分类部分基于Dassl.pytorch库实现。 [2020年5月] Dassl版本v0.1.3 更新了Digit-Single数据集，用于测试单源领域泛化方法的性能基准。新增的数据集中包含相应的CNN模型和配置文件。有关如何评估您的算法的具体信息，请参阅相关文档。
  • LaplacianScore经典无监督特征选择算法的Matlab实现代码
    优质
    本项目提供经典的Laplacian Score无监督特征选择算法的MATLAB实现代码。旨在帮助研究者和学生简化特征选择过程，提升机器学习模型性能。 特征选择是机器学习的一个重要领域。这里提供经典无监督特征选择算法LaplacianScore的Matlab代码供大家分享，希望能对大家有所帮助。