登录社区云，与社区用户共同成长
邀请您加入社区
垃圾物品检测数据集（Trash Detection Dataset）| 垃圾分类 目标检测 智能回收 环卫管理5008期
建筑空间分类目标检测数据 | 建筑空间识别 室内检测 智能楼宇 多目标分类9023期
垃圾物品目标检测数据集 | 垃圾分类 回收检测 城市环卫 目标检测9012期
本文系统介绍了分类模型的评价标准体系。首先基于混淆矩阵详细解析了准确率、精确率、召回率、F1值等核心指标的计算方法和适用场景。其次介绍了多分类场景的宏平均、微平均等扩展指标，以及AUC、PR曲线等概率类指标。针对特定场景，列举了Kappa系数、MCC等专用指标，并给出不同业务场景的指标选择建议。最后强调需综合多项指标评估模型，考虑业务优先级和数据集差异，并提供了R语言实现示例，展示了如何在实践中进
分类数据（定性数据）是按属性分类的计数数据，如性别、血型等。χ²统计量是分类数据分析的核心工具，通过比较观察频数与期望频数之间的差异来检验假设。其定义为：χ²=∑(fo-fe)²/fe，近似服从χ²分布。 拟合优度检验用于判断数据是否符合特定分布（如均匀、正态、泊松分布），步骤如下： 提出假设 分组计算期望频数 计算χ²统计量 确定自由度（k-1-r，r为估计参数个数） 比较临界值作出判断 典型应
纺织品在织造、印染、后整理等工序中，易出现孔洞、异物附着、油渍、纱线相关缺陷等问题，这些缺陷不仅影响外观，还可能降低织物的耐用性与使用安全性。例如，通过统计异物附着缺陷的分布规律，定位原料污染或设备清洁不到位的环节，为工序优化提供方向，从源头减少缺陷产生。该数据集聚焦真实生产场景下的纺织品缺陷检测任务，旨在为相关研究与应用提供可靠的数据基础，推动智能质检技术在纺织行业的落地与应用。在使用该数据集进
卡方检验的空假设是两独立样本的率相同，即两组有效时间发生率相同，则可以用总的有效事件发生率，即总计所在行的发生率来作为总体率的估计，然后各组人数乘以总体率得到各组的发生有效事件的人数，从而计算出一个理论上的四格表，此时得到的表格中的数据称为理论频数，计算公式如下。该表中79， 745， 166， 712这四个基本数据，习惯上用a, b, c, d来表示，表格中的其他几个数据可以基于这四个基本数据计
【完整源码+数据集+部署教程】动物检测与分类系统源码 [一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
在数据安全与合规治理常态化的今天，数据分类分级已成为企业筑牢数据安全防线的 “第一道关口”。传统人工标注模式下，企业需投入大量人力梳理海量数据，不仅耗时耗力、成本高昂，还存在标注标准不统一、遗漏率高、难以适配动态业务场景等痛点。随着 AI 技术与数据治理的深度融合，正掀起一场效率革命，实现从 “人治” 到 “智治” 的跨越，为企业数据安全治理注入全新动能。
本文研究水下航行器重力辅助导航系统的适配区分类问题。基于1'×1'分辨率的重力异常数据，首先通过插值算法增强数据空间分辨率，利用k-means聚类将海域划分为4个重力异常特征区。针对区域适配性标定问题，建立包含13个特征指标的决策树分类模型，经主成分分析降维后达到82.5%的分类准确率。通过迁移学习将建立的预测系统F应用于新数据集，验证了模型在不同海域的适用性。研究结果表明，采用k-means聚类
假设文档的存在方向旋转，那么会进一步的干扰VLM进行OCR的性能，下面看一个预处理方案，解决文档旋转干扰OCR问题，并进行一些评估，方法较为简单，快速看一下。旋转分类任务定义：将文档旋转校正转化为。
【数据集】【YOLO】目标检测游泳数据集 4481 张，溺水数据集，YOLO河道、海滩游泳识别算法实战训练教程，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['human']，表示“游泳者”。可用于无人机游泳识别、监控游泳识别等。检测场景为河道、海滩、室内游泳馆、水上乐园等有人员游泳的区域，可用于河道游泳安全预警、游泳监测、环保监管、饮用水安全、工业生产、环境监测。
本文介绍了一个基于Python技术的旅游评论分析系统，该系统采用Flask框架和MySQL数据库，集成了Echarts可视化、NLP情感分析、LDA主题分析和Bayes分类等核心功能。系统包含8个主要模块：评论时间/评分分析、景点数据展示、可视化图表、情感分析、主题分析、评论分类以及用户注册登录功能。通过多维度分析旅游评论数据，系统能够直观展示评论趋势、情感倾向和主题分布，为旅游景点的运营管理提供
【完整源码+数据集+部署教程】害虫识别与分类图像分割系统源码和数据集：改进yolo11-MSBlock
1.现有几个优秀模型结构的演变原理，包括AlexNet，VGG，googleNet，ResNet，DenseNet等模型2.从模型演变中讲解实际训练模型的技巧3.讲解针对数据的优化策略4.讲解针对模型的优化策略5.讲解针对训练过程的优化策略6.讲解针对检测任务的优化策略7.讲解针对分割任务的优化策略8.提供一些常用的检测，分割数据集的标注工具。（1）讲解数据集的准备和处理（2）遥感影像划分成小图像
电力系统状态估计正面临不同类型的 异常。这些可能包括由严重测量误差或 通信系统故障。负载或发电的突然变化可能是 根据实现的状态估计方法被视为异常。此外，将电网视为一个信息物理系统，状态 估计容易受到错误数据注入攻击。现有的 异常分类的方法无法准确分类（区分 之间）上述三种类型的异常，尤其是当它来的时候 区分突然的负载变化和错误的数据注入攻击。
数据探索阶段流程：读取 → 匹配 → 可视化数据准备阶段流程：读取 → 复制整理 → 保存重组 → 张量转换 → 可视化 → 导出结果↓ ↓ ↓ ↓ ↓(备份) (标准化) (深度学习) (验证) (持久化)
鸢尾花数据集是一类多重变量分析的数据集，包含 150 个样本，对应 3 种鸢尾花品种（setosa、versicolor、virginica ），每个样本有 4 个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。波士顿房价数据集包含 506 个样本，13 个特征，目标是预测波士顿地区房屋的 median value（中位数），属于回归任务。特征涉及犯罪率、住宅用地比例、交通便利性等多个方面。
问55：D3是什么意思？答55：3D的意思，表示三维U-Net。问56：为什么继承Dataset？答56：PyTorch要求，实现和__len__接口。问57：transformer是什么？答57：图像变换操作，如缩放、裁剪。])问79：Compose是什么？答79：组合多个变换，按顺序执行。问80：为什么缩放到96×96？答80：原始512×512太大，3D卷积内存消耗巨大。问81：96这个数字
本文介绍了一套经过矫正的中国夜间灯光数据集（1992-2024年），该数据整合了DMSP-OLS和SNPP-VIIRS两种来源，解决了二者不兼容的问题。数据分辨率为1km，包含省、市、县三级行政区划的9项指标，最终整理为最小值、最大值、平均值和总和四个核心指标的面板数据。数据格式包括原始Tif文件、Excel表格和可视化Shp文件，其中Excel文件按2024年行政区划分割，Shp文件提供了省级灯
主成分分析（Principal Component Analysis, PCA）是一种降维技术，通过线性变换将高维数据投影到低维空间，使得数据在新坐标轴上的投影能够最大程度地保留数据的方差，同时减少数据的维度。（k过小，例如只拿一个样本，万一那个样本刚好是错误的，k过大，把整个训练集包含了，那就相当于在统计哪一个类别最多）就是算你要预测的样本与已经训练的样本之间的距离，然后拿出k个最近的样本，这k
腾讯最新开源深度学习文本分类工具NeuralClassifier
但若缺乏对两者特性与适用场景的深刻理解，以及精细化的融合策略设计（例如，如何有效仲裁规则与模型的冲突、如何实现两者间的知识迁移与能力互补），这种融合易陷入“简单叠加”的误区，可能导致系统复杂性剧增，可解释性与可控性下降，最终并未带来预期的价值提升。这一现象可能在许多类似规模的场景中复现。：基于向量空间相似度进行语义理解与判定，虽然在某些场景下表现出优势，但对于细粒度的行业专业术语、隐晦的业务逻辑关
本小节将实现进阶功能，将检测画面实时推送到流媒体服务器（如 RTMP / RTSP / WebRTC） ，并在前端网页上实时观看效果。使用 `FFmpeg + RTMP 推流`
RAGFlow可解析PDF、扫描件、表格等复杂格式，自动识别布局并提取结构化数据，弥补Dify原生解析短板。通过多路召回、重排序优化策略，RAGFlow显著提升答案准确性。例如，扫描版PDF表格的解析完整度提升40%以上。Dify支持向量检索、全文检索、混合检索（推荐），结合RAGFlow的API调用，实现“非结构化数据+语义匹配”的双重优势。- 克隆源码并启动Docker容器（需CPU≥4核、内
地统计学（）是一门研究空间变量分布规律与空间插值预测的科学方法，广泛应用于：土壤养分空间分布图；地下水位预测；重金属污染扩散模拟；农业精细管理。“相近位置的属性值更相似”（空间自相关性）。Kriging（克里金插值）是地统计学中最经典的空间插值方法，相较于 IDW（反距离权重法）更具统计学基础。计算经验变异函数（Empirical Variogram）拟合理论变异函数模型（Spherical、Ex
为了更科学地了解牠的如厕习惯，我计划搭建一个基于视频监控和AI识别的系统，自动识别猫咪进出厕所的行为，记录如厕时间和停留时长，并区分不同猫咪。这样即使我不在家，也能掌握猫咪的健康状态，更安心地照顾它们。
🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩毕业设计 基于深度学习的新闻文本分类算法系统(源码+论文)🥇学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：3分创新点：4分?
如果选择\(\lambda = 10^{10}\) ，即\(\lambda\)非常大，那么正则化项的惩罚力度很强，会使得权重\(w_1\)、\(w_2\)、\(w_3\)、\(w_4\)等都趋近于 0（\(\approx 0\)），此时模型就近似为\(f(x)=b\) ，过于简单，可能导致欠拟合。：将相似的数据点归为一组，实现对数据的分类整理。f总是在0到1之间，因为逻辑回归的输出总是在0到1之间
摘要摘要：网络恶意流量的分类和检测技术是网络运维管理中的一项重要技术。因此，它引起了网络安全研究者的广泛关注，并提出了一种可行的恶意流量分类和检测方法。近年来，日益恶化的网络安全事件推动了网络恶意流量分类和检测技术的不断进步，新技术不断被提出。然而，随着规模越来越大、拓扑结构越来越复杂的网络的不断建设和使用，传统的基于端口或流量特征统计的网络恶意流量检测方法已经不能满足超大流量数据流的影响，也不能
DeepSeek是一个集成了先进深度学习算法和技术的研究平台，旨在为研究人员、工程师和企业提供强大的工具和支持，以加速深度学习模型的研发与部署。该平台不仅提供了一系列预训练模型和数据集，还支持用户根据自己的需求定制和优化模型，从而实现更加精准和高效的解决方案。
构建逻辑回归多标签分类器实现多标签文本分类（案例+源码）
在一元线性回归中，模型是一个线性函数，其形式通常为 y=wx+b，其中 y 是预 测值，x 是输入输入特征（自变量），w 是权重（系数），b 是偏置项（截距）。主要实现了一个简单的线性回归模型，通过批量梯度下降（Batch Gradient Descent, BDG）算法来拟合一个大致为 y = 0.7x + 12 的线性关系，并绘制了原始数据点和拟合的直线。它通过对损失函数求导并令其为零，来找到
在采用支持向量机（SVM）的研究中，ASD-女性（ASD-F）的准确率为69%，ASD-男性（ASD-M）的准确率为66%。DL技术已经广泛应用于医学与神经学领域，如癫痫发作检测、癫痫发作预测、癫痫诊断与分类、自闭症、神经假体视觉优化、中风后基于运动想象的康复、情感倾向分析、情感识别、颅内皮层电图（ECoG）分类、用于区分手部运动规划的脑机接口（BCI）、诵读困难（失读症）生物标记检测，以及近年来
【代码】Python-多种机器学习算法-二分类—多指标展示-雷达图-热图-柱状图。
若是你的head层的权重是不被调整更新的那可以，（但应该把它过滤掉，设置为不随训练更新，参考transformer的位置编码）那可不可以同时复用head1的而不用new这么多head？假设经过这一步，输出了需要分类的特征。head多了，那就一个个手动改代码么？可以做成pipeline。
基于Python 的kmeans车牌颜色分类实验
比如我的数’background’,‘building’在单通道的label数据中要像素值分别要为‘background’=0，‘building’= 1，因为我的数据是background’=0，‘building’= 255,所以我修改了源代码将标签中为255的像素值改成了1。2.遇到的评价指标为0或者100%的问题。我的标签只有两个类别。
机器学习是人工智能的一个分支，它使计算机能够在不进行显式编程的情况下从数据中学习。简而言之，机器学习的目标是从数据中自动改进算法的行为。定义模型f(x)): 选择一个能够描述输入与输出之间关系的函数形式。定义损失函数): 设定一个度量标准来评估模型预测的准确性。优化参数: 使用优化算法调整模型参数，使得损失函数最小化。验证和测试: 在未见过的数据上验证模型性能，确保其具有良好的泛化能力。机器学习算
在本篇教程中，我们将通过实战构建一个图像分类模型，详细讲解数据准备、模型搭建、训练和评估的每一个步骤。使用TensorFlow和CIFAR-10数据集，我们展示了如何通过卷积神经网络（CNN）实现图像分类。无论你是深度学习的新手还是有一定经验的开发者，都能从中获得实用的技巧和灵感。
训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化算法。
https://www.bilibili.com/video/BV1fU4y1E7bY?p=1&vd_source=7dace3632125a1ef7fd32c285eb2fbac
我们定义一个需要搜索的参数网络，并利用管道和参数网格构建一个GridSearchCV。
最近邻算法作为一种基于实例的学习方法，通过距离度量寻找与待分类样本最近的k个训练样本，并根据这些最近邻样本的类别进行分类。最近邻算法（k-Nearest Neighbors，k-NN）是一种简单且直观的分类算法，广泛应用于分类和回归问题。本文将详细介绍最近邻算法的由来、基本原理、构建过程及其优缺点。最近邻算法是一种基于实例的学习方法，其基本思想是根据距离度量寻找与待分类样本最近的k个训练样本，然后
k-最近邻（k-Nearest Neighbors，KNN）算法是一种基本的机器学习分类和回归算法。在分类问题中，KNN通过测量不同特征值之间的距离来进行分类。它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相
基于VGG16网络的猫狗数据集分类，完整代码实现以及网络讲解
这个项目是我本科毕设的一小部分，感觉没啥人写这个，我就写一写纪念下我本科最后一次大作业(主要分享核心思想，不含代码)。
1. KNN（K-Nearest Neighbors，K近邻）KNN算法是一种基本的分类和回归方法。对于分类任务，它基于特征空间中最接近的k个邻居的多数投票进行预测。对于回归任务，KNN算法则是通过k个最近邻居的平均值（或加权平均值）来估计目标变量的值。KNN算法简单易懂，适用于小型数据集和基本的模式识别任务。2. SVM（Support Vector Machine，支持向量机）SVM是一种强大
本文收集和整理了一些语义分割相关的开源数据集，附下载链接，希望能给大家的学习带来帮助。
目录1. 逻辑回归（Logistic Regression）2. 支持向量机（Support Vector Machine, SVM）3. 决策树（Decision Tree）4. 随机森林（Random Forest）5. K近邻（K-Nearest Neighbors, KNN）应用场景：优点：缺点：应用场景：优点：缺点：应用场景：优点：缺点：应用场景：优点：缺点：应用场景：优点：缺点：
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
