阈值分割源码matlab 用于新型腹部数据集的皮肤分割的深度学习技术 介绍 该存储库提供了[]中研究的皮肤分割方法的代码，主要是Mask-RCNN，U-Net，全连接网络和用于阈值化的MATLAB脚本。 该算法主要是为了使用RGB图像对创伤患者进行腹部皮肤分割而开发的，这是正在进行的研究工作的一部分，该研究工作旨在开发用于创伤评估的自主机器人[] []。 机器人腹部超声系统具有摄像头查看的腹部区域，以及相应的分段式皮肤面罩。 腹部皮肤数据集的信息 该数据集包含从Google图像搜索在线检索的1,400幅腹部图像，这些图像随后进行了手动分段。 选择图像以保留不同种族的多样性，从而防止分割算法中的间接种族偏见； 700张图像代表肤色较深的人，其中包括非洲，印度和西班牙裔群体，而700张图像代表肤色较浅的人，例如高加索人和亚洲裔群体。 总共选择了400张图像来代表体重指数较高的人，在明亮和黑暗类别之间平均分配。 在数据集准备中，还考虑了个人之间的差异，例如头发和纹身的覆盖范围，以及阴影等外部差异。 图片尺寸为227x227像素。 皮肤像素占整个像素数据的66％，每个单个图像的平均值为54.4

该课题为基于Matlab的异常行为检测。应用场景比如说，我国农村的空巢老人子女常年在外打工。而目前的监控属于被动式的监控，我们仅仅只能查看并且回放监控，不能对监控里面的某种信息作出判断和预警。该课题利用Matlab对监控中的画面的人体行为做一些监测和判别，一旦检测到有某些异常行为，比如说快跑慢跑跌倒等等作出提示，从而避免一些事故的发生，属于主动监控该设计，具有人际交互界面，需要具备一定编程基础的人员学习。

该课题为基于Matlab的运动目标跟踪系统。可以实时框定运动目标。对运动目标的行为做识别。带有人机交互界面，需要在人机交互界面的基础上进行拓展

cnn源码matlab SVHN-deep-cnn-digit-detector 该项目在自然场景中实现了 deep-cnn-detector（和识别器）。 我使用 keras 框架和 opencv 库来构建检测器。 该检测器使用 CNN 分类器为 MSER 算法提出的区域确定数字与否。 先决条件 Python 2.7 keras 1.2.2 opencv 2.4.11 张量流-GPU == 1.0.1 等等。 运行这个项目所需的所有包的列表可以在 . Python环境 我建议您创建和使用独立于您的项目的 anaconda 环境。 您可以按照以下简单步骤为该项目创建 anaconda env。 使用以下命令行创建 anaconda env： $ conda env create -f digit_detector.yml 激活环境$ source activate digit_detector 在这个环境中运行项目 用法 数字检测器的构建过程如下： 0. 下载数据集 下载 train.tar.gz 并解压文件。 1.加载训练样本（1_sample_loader.py） Svhn 以 m

阈值分割源码matlab ＃主导集库 优势集库（DSLib）是实现优势集（DS）聚类方法的开源Matlab库。 DS是一种基于图的聚类技术，其基础是进化博弈论，该理论开始引起计算机科学界的极大兴趣。 它最初是在（Dominant Sets and Pairwise Clustering，M.Pavan＆M.Pelillo，PAMI 2007）中引入的，由于其与博弈论的对偶性，它不仅在与聚类问题有关的许多方面都得到了探索。 例如，在匹配，分割，分类，生物医学成像和网络分析中的应用在使用原始方法的文献中很常见。 在这个软件包中，我们不仅提出了原始的实现，而且还提出了基于原始核心的，来自不同研究人员的方法和黑客的尽可能多的，尽可能全面的集合。 该软件包实现了以下论文，计划在不久的将来包括更多内容： [1] M. Pavan和M. Pelillo。 支配集和成对聚类。 PAMI 2007 如果您使用感染免疫动力学（dynType = 1），请引用以下工作： [2] S. Rota Bulo和IM Bomze。 感染和免疫：一类新的进化博弈动力学。 游戏与经济行为，第一卷。 71页，第193-2

是机器学习的例程，调试通过可以使用，研究生时的现代信号处理的作业。 这是一个关于哈希函数图像加密源码matlab,matlab源码之家的项目源码，可以用来学习matlaba实战项目案例。

本程序对一维信号能实现快速分数阶傅里叶变换，并附有注释 这是一个关于张氏标定法源码matlab实现,matlab源码怎么用的项目源码，可以用来学习matlaba实战项目案例。

cnn源码matlab (Open Set) 用于图像分类任务的域适应 新的！ 动作识别数据集链接： ICCV'17 论文在： -> 在 Matlab 2013b 上测试 - Windows 7 -> 在 Visual Studio 2013 / Matlab 2013b 上编译的 Caffe 二进制文件（请使用您自己的二进制文件或预先计算的功能 -> 应为 Matlab 2015 升级包含的 OPTI 工具箱版本：开始分类任务： main.m（启动程序） Run_DA.m（一次运行多个实验的脚本） 修改参数： 输入参数.m isDA = true，激活域自适应 isOpenset = true，激活开放集协议。 否则，（标准）闭集 “ATI”是我们开发的方法 numSrcClusters 必须包含与类或视点相同的数量，因此“ATI”有效：Saenko = 10, Office = 31, Viewpoints = 8, 16, 24, 36, ... 对于开放集协议，计数共享类 + 1 (未知类） isMidResultsDA = true，用于可视化ATI优化过程中的附加结果 数据

Machine learning is becoming important in every discipline. It is used in engineering for autonomous cars. It is used in finance for predicting the stock market. Medical professionals use it for diagnoses. While many excellent packages are available from commercial sources and open-source repositories, it is valuable to understand how these algorithms work. Writing your own algorithms is valuable both because it gives you insight into the commercial and open-source packages and also because it gives you the background to write your own custom Machine Learning software specialized for your application. MATLAB® had its origins for that very reason. Scientists who needed to do operations on matrices used numerical software written in FORTRAN. At the time, using computer languages required the user to go through the write-compile-link-execute process that was time consuming and error prone. MATLAB presented the user with a scripting language that allowed the user to solve many problems with a few lines of a script that executed instantaneously. MATLAB has built-in visualization tools that helped the user better understand the results. Writing MATLAB was a lot more productive and fun than writing FORTRAN. The goal of MATLAB Machine Learning is to help all users harness the power of MATLAB to do a wide range of learning problems. This book has two parts. The first part, Chapters 1–3, provides background on machine learning including learning control that is not often associated with machine intelligence. We coin the term “autonomous learning” to embrace all of these disciplines. The second part of the book, Chapters 4–12, shows complete MATLAB machine learning applications. Chapters 4–6 introduce the MATLAB features that make it easy to implement machine learning. The remaining chapters give examples. Each chapter provides the technical background for the topic and ideas on how you can implement the learning algorithm. Each example is implemented in a MATLAB script supported by a number of MATLAB functions. The book has something for everyone interested in machine learning. It also has material that will allow people with interest in other technology areas to see how machine learning, and MATLAB, can help them solve problems in their areas of expertise.

反向学习策略源码matlab db-fx-strategy 通过Matlab工具将交易策略滚动模型转换为C ++或FPGA的历史： 我花了很多年研究各种技术交易平台和交易组件（如图表等）。现在是时候实际编写一个真实的交易策略了，所以我打算以此为滚动模型来生成这些交易思路。 我希望这些交易想法将涉及定量分析。 开始： 使用PDF作为参考。 我的工作流程目标完成后，将不再提供任何评论或进一步的支持。 有关这些工作流程的详细信息，请参见下文。 该项目的基本原理： 该项目中的错误比正确的错误多了，因为严格来说，这是学习对银行业的真实世界研究论文进行反向工程。 这不包括图表或交易执行等项目。 我对这种策略的执行也不感兴趣。 结果，我阻止了批评者，仇恨者和巨魔。 这仅仅是为了使该过程透明化，与使用开源软件项目模型没有什么不同。 我只是希望人们能为使这个项目/过程变得更好甚至正确做出贡献。 如果您对此表示怀疑，请告诉我，以便我可以从您的工作中进一步学习。 为什么要为自己选择Mupad和Matlab？ 与开放源语言替代品相比，我发现这些工具使我更有效率，并且可以更快地编码思想。 这不是技术性的战争，但