XiaoMi-AI文件搜索系统
World File Search System监督分类
envi机器学习教程：监督分类
要为监督分类器创建培训数据，必须使用光栅和相关的ROI提取标记的像素。您将使用Envi机器学习ML培训数据从ROIS任务来创建培训数据。此任务将从.xml文件中指定的ROI识别的栅格中提取所有标记的像素。将创建一个包含单一光谱的新栅格。训练栅格的尺寸为（行= 1，列=输入栅格列，bands =输入栅格频段 + 1）。附加频段将提供每个像素的数字值，此数字值代表每个像素的类标签值。
机载激光扫描的滑坡检测无监督分类
摘要：山体滑坡是一种自然灾害，在世界范围内造成广泛的环境、基础设施和社会经济损失。由于难以识别，因此必须评估创新方法来检测预警信号并评估其敏感性、危害和风险。机载激光扫描数据的日益普及为现代山体滑坡测绘技术提供了机会，可以分析大片地形上的山体滑坡、山体滑坡易发区和山体滑坡疤痕区的地形特征模式。在本研究中，在华盛顿州的卡利昂海滩半岛测试了一种基于多个特征提取器和无监督分类的方法，特别是 k 均值聚类和高斯混合模型 (GMM)，以绘制滑坡和非滑坡地形。与独立编制的详细滑坡清单图相比，无监督方法正确分类了研究区域内多达 87% 的地形。这些结果表明：(1) 可以使用数字高程模型 (DEM) 和无监督分类模型来识别与过去深层滑坡相关的滑坡痕迹；(2) 特征提取器允许对特定地形特征进行单独分析；(3) 可以使用多个聚类对每个地形特征进行无监督分类；(4) 将记录的滑坡多发区与算法绘制的区域进行比较，表明算法分类可以准确识别发生深层滑坡的区域。本研究的结论可以总结为：无监督分类制图方法和机载激光雷达 (LiDAR) 得出的 DEM 可以提供重要的表面信息，可用作数字地形分析的有效工具，以支持滑坡检测。
使用潜在向量表示的晶圆图缺陷模式半监督分类
摘要 —随着半导体设计和制造工艺的全球化，集成电路制造阶段的缺陷检测需求变得越来越重要，在提高半导体产品的产量方面发挥着重要作用。传统的晶圆图缺陷模式检测方法涉及使用电子显微镜进行手动检查以收集样本图像，然后由专家评估缺陷。这种方法劳动密集且效率低下。因此，迫切需要开发一种能够自动检测缺陷的模型来替代手动操作。在本文中，我们提出了一种方法，该方法首先采用预先训练的 VAE 模型来获取晶圆图的故障分布信息。该信息作为指导，结合原始图像集进行半监督模型训练。在半监督训练期间，我们利用师生网络进行迭代学习。本文提出的模型在基准数据集 WM-811K 晶圆数据集上进行了验证。实验结果表明，与最先进的模型相比，该模型具有更高的分类精度和检测性能，满足了工业应用的要求。与原始架构相比，我们取得了显着的性能提升。索引术语——缺陷检测；半监督学习；无监督学习；变异自动编码器
基于EEG的情绪识别和情感激活模式的自加权半监督分类
摘要 - 在基于脑电图（EEG）的情感脑 - 计算机界面（ABCIS）中，存在一种共识，即从不同频段和通道中提取的EEG特征在情绪表达中具有不同的能力。此外，脑电图是如此弱和非平稳，很容易导致在不同时间收集的脑电图数据的分布差异；因此，有必要探索跨节情绪识别中的情感激活模式。为了解决这两个问题，我们提出了本文中的自加权半监督分类（SWSC）模型，用于基于联合EEG的基于EEG的跨演奏情绪识别和情感激活模式挖掘，其合并包括：1）使用不同的会话中的标记和不受欢迎的样本，以获得更好的捕获数据特征，以获得更好的捕获数据特征； 2）引入一个自加权变量，以自适应地学习脑电图的重要性； 3）挖掘激活模式，包括基于学识渊博的自加权
在单元格的监督分类中优化特征提取和分类器的组合xhoena polisi duro 1,2*，arban uka 2，
在细胞的监督分类中优化特征提取和分类器的组合组合Xhoena polisi duro 1,2*，Arban UKA 2，Griselda alushllari 2，Albana Ndreu Halili 3，Dimitrios A. Karras A. Karras A. Karras 2，Nihal Engin vrana vrana 4 1 Informatics obs s. noli oblia，“ fan nori”，koria，koria，koria，korica，korica，korica，korka，korka，“ korcua”。 xpolisi@epoka.edu.al（X.P.D.）。2埃波卡大学计算机工程系，阿尔巴尼亚蒂拉纳市； auka@epoka.edu.al（a.u.）galushllari@epoka.edu.al（G.A。）dkarras@epoka.edu.al（d.a.k.）3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。） 4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.） 摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。 可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。 这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。 这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。 本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。 1。 简介3西巴尔干大学医学系，阿尔巴尼亚提拉娜； albana.halili@wbu.edu.al（a.n.h。）4法国斯特拉斯堡的Spartha Medical； evrana@sparthamedical.eu（N.E.V.）摘要：医学领域的发展已经开放了在个性化患者层面进行分析的机会。可以进行的重要分析之一是对工程材料的细胞反应，最合适的非侵入性方法是成像。这些细胞的图像是未染色的Brightfield图像，因为在存在生物材料和流体的情况下，它们是从多参数微流体室获取的，这些室可能会随着时间的流逝而改变光路的长度，因为细胞的健康状态被监测。这些实验条件导致具有独特照明，纹理和噪声频谱的图像数据集。本研究通过将特征提取体系结构和机器学习分类器结合起来，探讨了监督细胞分类的优化，并重点介绍了生物材料风险评估中的应用。1。简介分析了三种细胞类型（A549，BALB 3T3和THP1）的Brightfield显微镜图像，以评估Inception V3，Squeeze Net和VGG16架构与分类器与包括KNN，决策树，随机森林，Adaboost，Adaboost，Neural Networks和Natan bayes的分类器配对的影响的影响。使用信息增益降低维度，以提高计算效率和准确性。使用不同参数的Butterworth过滤器用于平衡图像特征和降噪的增强，从而在某些情况下提高了分类性能。实验结果表明，与神经网络配对时，VGG16体系结构可实现通过不同指标衡量的更高分类精度。与未经过滤的数据集相比，使用Butterworth过滤器时的精度提高了，并且各种Butterworth滤波器之间的差异表明了优化这些类型图像的过滤器参数的重要性。关键字：生物材料风险评估，细胞图像分类，分类器，特征提取，个性化医学，监督分类。
量子计算的半监督时间序列分类方法
摘要 在本文中，我们开发了使用量子计算解决与时间序列 (TS) 分析相关的两个问题的方法：重构和分类。我们将从训练数据集重构给定 TS 的任务表述为无约束二进制优化 (QUBO) 问题，该问题可以通过量子退火器和门模型量子处理器来解决。我们通过离散化 TS 并将重构转换为集合覆盖问题来实现这一点，从而使我们能够执行一对多的重构方法。使用重构问题的解决方案，我们展示了如何扩展此方法以执行 TS 数据的半监督分类。我们提出的结果表明，我们的方法与当前的半监督和无监督分类技术相比具有竞争力，但使用的数据比传统技术要少。
仅编码变压器 +视觉变压器
正向神经网络。•为了预见CNN或视觉变压器，我们通常会在监督分类问题上训练整个模型（即图像分类）•为了预识LLM，我们通常会训练整个模型，以无标记的句子的可能性。
一个有效的无监督分类模型，用于银河形态：基于Convnext大型模型的编码的投票聚类
通过将无监督和监督的机器学习方法结合起来，我们提出了一个称为Usmorph的框架，以进行星系形态的自动分类。在这项工作中，我们通过提出基于Convnext大型模型编码的算法来更新无监督的机器学习（UML）步骤，以提高未标记的星系形态分类的效率。该方法可以概括为三个关键方面，如下所示：（1）卷积自动编码器用于图像降级和重新冲突，并且模型的旋转不变性通过极性坐标扩展提高； （2）利用名为Convnext的预训练的卷积神经网络（CNN）来编码图像数据。通过主体组合分析（PCA）维度降低进一步压缩了这些特征； （3）采用基于装袋的多模型投票分类算法来增强鲁棒性。，我们将此模型应用于宇宙场中的i -band样品的i -band图像。与原始的无监督方法相比，新方法所需的聚类组的数量从100减少到20。最后，我们设法对大约53％的星系进行了分类，从而显着提高了分类效率。为了验证形态层化的有效性，我们选择了M ∗> 10 10m⊙的大型星系进行形态学参数测试。分类结果与星系在多个参数表面上的物理特性之间的相应规则与现有演化模型一致。增强的UML方法将来将支持中国空间站望远镜。我们的方法证明了使用大型模型编码对星系形态进行分类的可行性，这不仅提高了星系形态分类的效率，而且还节省了时间和人力。此外，与原始UML模型相比，增强的分类性能在定性分析中更为明显，并且成功超过了更多的参数测试。
对视力语言预训练的正确分类
我们介绍了超类，这是一种超级简单的分类方法，用于对图像文本数据进行视觉预训练。与与文本编码器对比的对比度剪辑[57]不同，SuperClass直接利用令牌化的原始文本作为监督分类标签，而无需其他文本过滤或选择。由于没有文本编码为对比目标，超级类不需要文本编码器，也不需要像夹子[57]那样保持较大的批量大小。超类在各种下游任务上表现出卓越的性能，包括经典的计算机视觉基准和下游任务的视觉语言。我们进一步探索了超类对模型大小，训练长度或数据大小的缩放行为，并报告了令人鼓舞的结果和剪辑比较。
使用...进行网络欺凌检测和分析
摘要。随着网络使用率的提高以及允许用户参与虚拟网络等团体，黑客行为也随之增多。网络虐待是一种新型骚扰，随着网络社区的普及，这种骚扰行为最近变得越来越普遍。它倾向于在网络群体中发送包含诽谤性指控或口头骚扰某人的消息。只有当现代文明认识到骚扰的真正含义时，无数的隐藏受害者才会继续受苦。关于网络欺凌的研究有很多，但没有一项能够提供可靠的解决方案。通过创建一个可以识别和阻止与欺凌相关的传入和传出通信的模型，我们在项目中解决了这个问题。通过在经过仔细注释的开源数据集上采用监督分类技术，我们希望为这项工作提供词汇基线。我们使用了逻辑回归的机器学习算法。我们的模型对消息进行分类，无论其是否是欺凌。