通过深度网络实现跨媒体共享表示的Matlab交叉检验代码-IJCAI2016

该存储库包含了Matlab小实验源代码，通过深度转移学习实现更精准的自动睡眠分期。手稿中提供了源代码、预训练模型以及实验设置。2020年8月，IEEE生物医学工程学期刊（TBME）发表了相关研究。数据准备方面，使用SeqSleepNet进行SleepEDF-SC数据的处理，生成的.mat文件存储在mat/目录下。网络训练使用生成的SleepEDF-SC文件列表，存储在tf_data/目录中。SleepEDF-ST数据的准备通过preprare_data_sleepedf_st.m脚本完成，生成的.mat文件同样存储在ma...

图像检索系统MATLAB代码实现了一种可扩展的跨媒体检索评估协议，重新评估了基线方法在不同查询类型下的性能。介绍了查询和数据库模型不匹配的挑战，并提出了一种新的评估协议，适用于各种查询图像和文本类型。我们的研究表明，在Windows 8.1和Ubuntu 16.04 LTS平台上测试了MATLAB 2015a和2016b版本，系统表现良好。感兴趣的用户可以直接运行“跨媒体”文件夹中的三个脚本，查看各种方法的实际结果。

MATLAB自相关代码MVPA通过交叉验证的MANOVA是由Carsten Allefeld和John-Dylan Haynes引入的方法，用于基于探照灯的多体素模式分析fMRI数据。该方法基于交叉验证的MANOVA和多元通用线性模型。在使用前，需要指定和估算模型，并使用SPM.mat文件和相关数据文件进行分析。探照灯分析接口函数cvManovaSearchlight能够在指定的SPM.mat目录中计算交叉验证的MANOVA，通过设置探照灯半径和对比度矩阵Cs来调整分析参数。

该存储库包含 ICRA 2016 的 ``从演示中学习'' 教程的计算机练习代码和信息。这些练习主要涵盖弹道级的表示和学习，不应被视为有关 LfD 广阔领域的全面练习。这些练习使用具有[1]的动力学的简单的双链接机器人。为了确保一切顺利进行，我们建议您为这些练习禁用常规的 Matlab 路径。您只需运行 setup_lfd_tutorial.m 脚本即可自动设置所有内容。练习 1 的目标是减少对机器人进行编程的任务，以简单地展示它应该做什么。达到这种目标的最简单方法也许就是简单地记录一条轨迹，然后让机器人尝试准确地“播放”它。我们建议您调整找到的所有参数，然后重新运行该功能以了解对机器人行为的影响。 步骤 1：我们可以通过多种方式向机器人进行演示。由于我们将在这些练习中使用平面任务空间，因此我们可以简单地在机器人任务空间上绘制轨迹。首先，打开文件 exercise_1.m，然后在 Matlab 中运行它。绘制了一个带有双链接机器人的图形以及界定其工作空间的 虚线。要求您提供轨迹的演示。请记住，您正在机器人的工作区中提供演示，因此，如果演示的任何轨迹偏离机器人工作空间，可能会导致程序无法正确运行。

MATLAB深度学习代码使用反卷积网络进行深度终身学习知识共享。这是在IJCAI 2019年论文“使用反卷积网络学习深度终身学习中的共享知识”中提出的CNN代码。该代码与Python 2.7和Python 3.5兼容，依赖于numpy、tensorflow和scikit-image。预处理数据以.pkl文件存储和加载，但请注意，Python 3生成的pickle文件不与Python 2兼容。实验结果摘要存储在.mat文件中，需要MATLAB加载。数据包括MNIST和CIFAR-10，用于异构任务和同类任务分配。

这项技术对于从事数据挖掘方向的硕士研究生来说非常适用，可以帮助他们进行阅读和学习的简介。

基于Chen等人的论文“用于域自适应的边缘化堆叠降噪自动编码器”，提供了MATLAB精度检验代码，实现和评估边缘化堆叠降噪自动编码器（mSDA）。代码同时提供了MATLAB和Python实现，后者是对MATLAB版本的严格翻译，并对变量名和注释进行了优化。此外，为了加速高维数据的处理，项目还包含了对该算法的快速近似实现。示例应用展示了mSDA在文档分类中的应用，使用了20个新闻组数据集进行演示。数据预处理过程包括停用词处理和特征选择，详细代码在process_data.py中实现。

这是一个包含AMDCN（聚合的多列膨胀卷积网络）实现的存储库，专用于图像中对象的计数任务。AMDCN的架构由五个平行的列组成，每列通过扩张卷积和一个最终的聚合器生成特征，输出最终的密度图。网络在UCSD、UCF50和TRANCOS数据集上的输出示例展示了其在人群和交通数据集上的应用。

本项目基于 Intel Xeon 和 Xeon Phi 架构实现了深度神经网络的训练和精度检验。项目实现了并行的堆叠自动编码器和受限玻尔兹曼机 (RBM) 训练算法，并结合 Softmax 分类器神经网络进行精度评估。 算法实现: 采用斯坦福大学深度学习教程提供的 Matlab 框架实现堆叠自动编码器。 使用 Steepest Descent 算法计算梯度。 平台支持: 支持 Intel Xeon 多核平台和 Intel Xeon Phi 多核平台。 Xeon Phi 平台需使用 -mmic 编译选项编译程序。 可通过修改源代码和 consts.h 文件中的 OpenMP 参数优化 Xeon Phi 平台性能。 精度检验: 程序加载训练数据集和测试数据集，并使用堆叠自动编码器算法训练神经网络。 在测试数据集上评估训练好的网络并计算分类精度。 代码库: Intel Xeon 和 Intel Xeon Phi 平台共享相同的代码库。