Advertisement

基于MATLAB的典型相关分析实现——ECCV2018_J-Play: 洪丹凤, 横田直人, 徐健, 朱孝祥，涉及高维数据中的联合与渐进式学习...

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

简介：
本文为ECCV2018会议文章《J-Play》，由洪丹凤等作者基于MATLAB实现，探讨了典型相关分析在高维数据中联合和渐进学习的应用。 典型相关分析的MATLAB实现代码用于从高维数据进行联合和渐进式学习以执行多标签分类任务，该工具箱中的代码实现了这一功能。具体而言，如果使用了此代码，请引用以下论文： Hong, Danfeng; Yokoya, Naoto; Xu, Jian and Zhu, XiaoXiang. Joint & Progressive Learning from High-Dimensional Data for Multi-Label Classification. Proceedings of the European Conference on Computer Vision (ECCV), pages 469--484, 2018. Hong, Danfeng; Yokoya, Naoto; Xu, Jian and Zhu, XiaoXiang. Joint and Progressive Subspace Analysis, [论文具体信息待补充]

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于MATLAB的典型相关分析实现——ECCV2018_J-Play: 洪丹凤, 横田直人, 徐健, 朱孝祥，涉及高维数据中的联合与渐进式学习...
    优质
    本文为ECCV2018会议文章《J-Play》，由洪丹凤等作者基于MATLAB实现，探讨了典型相关分析在高维数据中联合和渐进学习的应用。 典型相关分析的MATLAB实现代码用于从高维数据进行联合和渐进式学习以执行多标签分类任务，该工具箱中的代码实现了这一功能。具体而言，如果使用了此代码，请引用以下论文： Hong, Danfeng; Yokoya, Naoto; Xu, Jian and Zhu, XiaoXiang. Joint & Progressive Learning from High-Dimensional Data for Multi-Label Classification. Proceedings of the European Conference on Computer Vision (ECCV), pages 469--484, 2018. Hong, Danfeng; Yokoya, Naoto; Xu, Jian and Zhu, XiaoXiang. Joint and Progressive Subspace Analysis, [论文具体信息待补充]
     
  • Matlab中的数据融合代码 - IEEE TGRS CoSpace: 洪丹凤, 横田直人, 乔瑟琳·尚努索, 朱孝祥。CoSpace：高光谱...
    优质
    本文介绍了一种基于MATLAB的数据融合技术，由洪丹凤、横田直人等人在IEEE TGRS CoSpace平台上开发完成。该方法专注于提升高光谱图像处理的质量与精度。 数据融合matlab代码CoSpace：从高光谱-多光谱对应中学习常见子空间（作者为洪丹凤、横田直人、乔瑟琳·尚努索、朱孝祥）。此工具箱中的代码实现细节如下所述。引用文献如果使用了该代码，请按照以下格式进行引用： @article{hong2019cospace, title={CoSpace: Common Subspace Learning from Hyperspectral-Multispectral Correspondences}, author={D. Hong and N. Yokoya and J. Chanussot and X. Zhu}, journal={IEEE Trans. Geosci. Remote Sens.}, volume={57}, number={7}, pages={4349--4359}, year={2019}, publisher={IEEE} } 系统特定说明：该代码已在Windows 10计算机上的Matlab R2016a或更高版本中进行了测试。如何使用？直接运行demo.m文件即可开始实验和验证功能。
     
  • MATLAB中的数据融合代码-ISPRS_LeMA: 洪丹凤, 横田直人, 南戈, 乔瑟琳·尚努索特, 朱小祥。可学习的流形比对（LeMA）...
    优质
    本文介绍了MATLAB中的数据融合代码-ISPRS_LeMA，由洪丹凤等人开发，实现了可学习的流形比对（LeMA），用于处理多模态遥感影像的数据融合任务。 数据融合Matlab代码实现可学习的流形比对（LeMA）：用于土地覆盖和土地利用分类的半监督跨模式学习框架由洪丹凤、横田直人、南戈、乔瑟琳·尚努索特以及朱孝祥开发，该工具箱中的代码实现了这一方法。具体细节如下： 引用说明： 如果此代码对您的研究有用且有帮助，请引用以下论文。 洪丹凤, 横田直人, 南戈, 乔斯林·尚努索特, 及 朱小香. (2019). 可学习的流形比对（LeMA）：用于土地覆盖和土地利用分类的半监督交叉模式学习框架. ISPRS摄影测量与遥感学报，第147期，页码193-205。 @article{hong2019learnable, title={Learnable Manifold Alignment (LeMA): A Semi-supervised Cross-modality Learning Framework for Land Cover and Land Use Classification}, author={D. Hong and N. Yokoya and N. Ge and J. Chanussot and X. Zhu}, journal={ISPRS Journal of Photogrammetry and Remote Sensing} }
     
  • HSI MatLab代码-IEEE_JSTSP_SULoRA: SULoRA——洪丹凤, 朱孝祥. 具有低秩属性嵌入的低光谱数据分析方法...
    优质
    本项目提供了针对SULoRA算法的MatLab实现，基于论文《具有低秩属性嵌入的低光谱数据分析方法》（作者：洪丹凤、朱孝祥），应用于IEEE JSTSP期刊。 hsimatlab代码SULoRA：具有低秩属性嵌入的子空间分解用于高光谱数据分析，由洪丹凤与朱潇湘开发并实现于此工具箱中。具体详情如下所述。 引文： 如果该代码对您的研究有所帮助，请引用以下论文。 洪丹凤, 朱潇湘. SULoRA：用于高光谱数据分析的具有低秩属性嵌入的子空间分解[J]. IEEE信号处理选定主题期刊，2018，12（6）: 1351-1363. @article{hong2018sulora, title={SULoRA: Subspace unmixing with low-rank attribute embedding for hyperspectral data analysis}, author={D. Hong and X. Zhu}, journal={IEEE J. Sel. Topics Signal Process.}, volume={12}, number={6}, pages={1351--1363}, year={2018}, publisher={IEEE} } 系统特定说明： 该代码已在Windows 10环境下进行计算。
     
  • 数据融合MATLAB代码-IEEE_TGRS_MDL-RS:洪丹凤, 高连如, 横田直人, 姚瑶, 乔瑟琳·尚努索, 钱谦, 张冰。多样化意图...
    优质
    本项目为基于MATLAB的数据融合代码，由洪丹凤等人根据IEEE TGRS的MDL-RS模型开发，适用于遥感数据处理与分析，支持多种应用场景需求。 数据融合的MATLAB代码多样化意味着更好：多模式深度学习符合遥感影像分类，在此工具箱中的代码实现。更具体地，其详细内容如下所述。 如果本代码对您的研究有用且有帮助，请引用以下论文： 洪丹凤, 高连如, 横田直人, 姚瑶, 乔瑟琳·尚努索, 钱谦, 张冰. 多样性越多越好：多模式深度学习满足遥感影像分类[J]. IEEE地球科学与遥感学报，2021，59（5）:4340-4354. 引用格式如下： @article{hong2021more, title={MoreDiverseMeansBetter:MultimodalDeepLearningMeetsRemote-SensingImageryClassification}, author={D.Hong and L.Gao and N.Yokoya and J.Yao and J.Chanussot and Q.Du and B.Zhang}, journal={IEEE Trans. Geosci. Remote Sens.}, volume={59}, number={5}, pages={4340-4354}, year={2021}, doi = {10.1109/TGRS.2020.3016820} }
     
  • 基于MATLAB的典型相关分析实现
    优质
    本研究利用MATLAB软件环境，探讨并实现了典型相关分析（CCA）的方法及其应用，旨在提供一种高效的数据分析工具。 典型相关分析的MATLAB实现代码包含详细注释，可以直接调用。
     
  • 基于MATLAB的典型相关分析实现-应用于转移学习
    优质
    本研究采用MATLAB平台，实现了典型相关分析在数据间的关联性探索，并创新地将其应用于机器学习中的转移学习领域，以提升模型泛化能力和学习效率。 关于迁移学习的所有资料汇总： - 介绍、综述文章 - 最新研究成果与代表工作及其代码 - 常用数据集列表 - 硕博士论文资源 - 相关比赛信息 这个仓库可能是目前最全面的迁移学习资料库。欢迎各位贡献更多内容！如果觉得此仓库对你有帮助，请在你的论文和其他出版物中引用它。 @Misc{transferlearning.xyz, title={Everything about Transfer Learning and Domain Adaptation}, author={Wang, Jindong and others}}
     
  • 基于MATLAB的典型相关分析实现及PSCAD应用
    优质
    本研究利用MATLAB软件实现典型相关分析，并探讨其在电力系统仿真软件PSCAD中的应用，旨在提升数据间关系的解析能力。 典型相关分析的MATLAB实现代码以及变电站雷电过电压计算的研究报告由刘畅、王宇瑄、罗杨、张家禾与张庭梁合作完成。项目包括模型源码及详细说明文档，具体内容如下： ### 项目内容 - 比较近区和远区不同雷击点的结果 - 不同运行方式的对比分析 - 杆塔冲击接地电阻的影响评估 - 避雷器布置及其参数对系统性能的影响研究 ### 项目目标 1. 确定各主要设备处的过电压水平。 2. 分析避雷器在各种情况下的通流能力。 3. 探讨各主要设备的绝缘等级和绝缘配合裕度。 ### 模型构建与仿真 #### 输电线路基本理论及PSCAD实现 - Pi模型、Bergeron模型以及JMarti模型的具体参数设定及其在PSCAD中的应用。 #### 金属氧化锌避雷器的基本原理及其非线性特性的模拟 - 将避雷器的特性转化为PSCAD环境下的仿真，并详细设置相关参数。 #### 杆塔理论及部件等值实现（绝缘子串、塔架、接地电阻） - 在PSCAD中建立杆塔模型，包括其各种组成部分及其性能参数设定。 ### 变压器基本原理及其在PSCAD中的应用 - 经典变压器模型的构建与仿真方法。 以上内容涵盖了从理论基础到实际仿真的全过程，并通过详细的数据分析和实验验证来评估变电站雷电过电压计算的有效性和准确性。
     
  • HSI MatLab代码-ALMM_TIP：洪丹凤等。改进线性混合模型处理高光谱数据中的光谱变异...
    优质
    本项目由洪丹凤等人提出，旨在通过改进的线性混合模型(ALMM)有效减少高光谱图像中光照变化导致的光谱变异问题，采用MatLab编程实现。 hsimatlab代码增强线性混合模型以解决高光谱解混的光谱变异性问题由洪丹凤、横田直人、乔瑟琳·尚努索及朱孝祥提出，这是该方法更新版本（ALMM_v1），主要改进包括：第一，可以处理非网格HSI数据输入；第二，在工具箱中增加了盲ALMM代码以同时进行丰度估计和端成员提取；第三，修正了最终丰度图无法正确显示的问题。具体来说： 如果此代码对您的研究有用且有帮助，请引用以下论文： 洪丹凤、横田直人、乔瑟琳·尚努索及朱孝祥，“增强线性混合模型以解决高光谱解混的光谱变异性”，IEEE图像处理事务，2019年，第28卷（4）：1923-1938。
     
  • 基于MATLAB的典型相关性分析数学建模算法实现
    优质
    本研究利用MATLAB平台，探讨并实现了典型相关性分析在数学建模中的应用，旨在优化数据间的多重线性关系识别与评估。 典型相关性分析（Canonical Correlation Analysis，CCA）是一种研究两组变量间关系的多元统计方法。其主要目标是发现这两组变量之间的最大关联度。具体来说，CCA旨在找到两个线性组合（即典型变量），使这两个组合的相关系数达到最高值。 以下是进行典型相关性分析的基本步骤： 1. **数据准备**：收集与两组有关联的变量的数据，并将其组织成两个矩阵（X和Y）。 2. **标准化处理**：对每个变量执行标准化操作，使其均值为零且标准差为一。这一步确保所有变量在同一尺度上进行比较。 3. **构建典型变量**：CCA寻找两组线性组合的典型变量，这些组合与各自原始数据集中的相关系数最大。 4. **计算关联度**：确定典型变量之间的相关系数（即典型相关系数），以衡量X和Y整体上的相互关系强度。 5. **解释结果**：分析每个典型变量的相关系数，以便识别哪些原始变量对形成该特定的典型组合贡献最为显著。 CCA的应用范围广泛，包括但不限于金融、生态学及心理学等领域。