半监督视频对象分段

本项目使用Tensorflow实现和比较多种视频对象分割（VOS）算法。其中包括MaskRNN，这是一个实例级视频对象分段的算法（NIPS 2017）。遮罩发展包括了两个流：外观流（AStream）和净流（FStream）。此外，还实现了对象本地化网络。

利用LASSO进行特征选择，并采用半监督方法训练K-最近邻、支持向量机、随机森林和神经网络之一。

机器学习领域的研究者和从业者，这份半监督学习教程将为你揭开这一技术的奥秘，带你领略如何利用有限的标记数据和大量的未标记数据提升模型性能。

Matlab 代码实现了论文《用于半监督特征选择的简单策略》中提出的方法，该论文发表于《机器学习杂志》。 代码功能： semiIAMB.m：实现了 Semi-IAMB 算法，应用于 Markov Blanket 发现 IAMB (IAMB.m) 的切换过程，用于半监督场景中的假设检验。 semiMIM.m 和 semiJMI.m：实现了 Semi-MIM 和 Semi-JMI 算法，分别应用于特征选择方法 MIM (MIM.m) 和 JMI (JMI.m) 的切换过程，用于在半监督场景中对特征进行排名。 Tutorial_SemiSupervised_FS.m：教程，介绍如何在半监督学习环境

近年来，基于主动数据选择的半监督聚类技术成为数据挖掘和机器学习领域的研究热点。该技术通过利用少量标签数据，显著提高了聚类精度。然而，现有的半监督聚类算法在处理大规模数据时仍面临挑战。

探讨了利用半监督学习方法进行遥感图像分类的研究，重点在于优化分类结果的准确性和效率。研究表明，通过引入半监督学习策略，可以显著提升遥感图像分类的性能，适用于各种实际应用场景。

半监督聚类技术近年来在数据挖掘和机器学习领域备受关注，尤其是在利用少量标签数据获得高精度聚类方面。然而，现有算法在处理极少标签和多密度不平衡数据集时的表现有限。基于主动学习技术改进了聚类算法，通过最小生成树聚类结合主动学习思想，选取信息丰富的数据点作为标签，并采用类KNN方法传播类标签。实验结果表明，新算法在UCI标准数据集和模拟数据集上展现出更高的聚类精度和稳定性。

在许多实际的数据挖掘应用中，例如网络分类和关键基因选择，未标记的训练示例容易获取，但标记的训练示例昂贵。近年来，基于半监督图的权重方法受到关注。提出了一种新的方法，将问题的标签信息融入目标函数，并使用测地距离作为数据点差异的度量。同时，将班级先验知识集成到算法中，解决了本地和全局一致性学习问题。实验结果显示，在UCI数据集上，我们的方法优于传统算法。

介绍了基于自适应拉普拉斯图修剪的半监督学习算法ALGT，详细讲解了如何使用libsvm MATLAB代码实现该算法。如果您需要使用我们的代码，请遵循引用要求。

非监督分类与监督分类流程对比 | 流程步骤 | 监督分类 | 非监督分类 | 备注 ||---|---|---|---|| 1. 初步分类 | √ | √ | || 2. 选择训练样本 | √ | | 仅监督分类需要 || 3. 确定分类器 | √ | | 仅监督分类需要 || 4. 分类合并专题判断 | | √ | 仅非监督分类需要 || 5. 分类后处理 | √ | √ | || 6. 检验分类结果 | √ | √ | || 7. 统计分析、输出结果 | √ | √ | |