- 综合排序
- 最热优先
- 最新优先
- 来自专栏ATYUN订阅号
机器学习项目：使用Keras和tfjs构建血细胞分类模型
血细胞数据集 数据集就像数据科学家的金矿一样，如果数据集可用于特定问题，它可以减少工程团队所需的大量工作，因为不需要开发其他东西来收集和存储数据。 数据集：https://www.kaggle.com/paultimothymooney/blood-cells 数据集结构：数据集包含12,500个血细胞增强图像。 血细胞数据集的类别 每个类包含3000个图像。该图显示了每个类的示例图像： ? 来自四个类的示例图像 我将每个图像的大小减小到（80x80x3），以便训练。
1.9K30发布于 2018-09-26 - 来自专栏云上修行
DINOv3目标检测入门实战：基于血细胞分类的完整实现
本文将详细介绍如何使用DINOv3进行目标检测任务，以血细胞分类为例，展示从数据准备到模型训练再到推理部署的完整流程。1. 概述目标：训练一个模型，可以输入一张血细胞图片，认出血细胞中的血小板、红细胞、白细胞并获得它们的位置。 4.1 完整训练脚本训练脚本 bccd_rf_train.py 的主要流程：参数解析和环境设置数据路径验证DINOv3模型加载特征提取（训练集和验证集）数据平衡处理随机森林训练模型评估模型和配置保存"""血细胞分类训练脚本 = 'cpu'def print_header(args: argparse.Namespace): """打印程序标题和配置信息""" print("="*80) print("血细胞分类训练 训练输出训练过程会输出详细的统计信息：================================================================================血细胞分类训练
2.3K33编辑于 2025-10-23 - 来自专栏Ywrby
7-软件架构，资源分类
Server) 浏览器/服务器端 只需要一个浏览器，用户就可以通过URL访问不同服务器端程序 优点：开发，安装，部署，维护等十分更简单 缺点： 如果应用过大，用户体验可能受到影响 对硬件要求高 B/S架构 资源分类
46020编辑于 2022-10-27 - 来自专栏二猫の家
【GEE】7、利用GEE进行遥感影像分类【随机森林分类】
1简介 在本模块中，我们将讨论以下概念： 监督和非监督图像分类之间的区别。 Google Earth Engine 提供的各种分类算法的定义和应用。 如何使用 randomForest 设置和运行分类，以 aspen 存在和不存在作为示例数据集。 2背景 图像分类 人类自然倾向于将空间信息组织成组。 我们将这种具有相似特征的对象分组称为“图像分类”。但在全球范围内手动对对象进行分类和赋值将是一项无休止的任务。 非监督与监督分类 的图像分类方法可以分为两类。首先，非监督分类涉及将潜在的预测变量应用于地理区域，并要求预测算法或先验回归系数来完成图像分类的工作。 近年来，分类和回归树 (CART)和 randomForest 等分类器已从计算机科学和统计学界引入生态研究。
2.6K34编辑于 2023-11-08 - 来自专栏机器学习算法工程师
《机器学习》笔记-贝叶斯分类器（7）
章节目录 贝叶斯决策论 极大似然估计 朴素贝叶斯分类器 半朴素贝叶斯分类器 贝叶斯网 EM算法 1 贝叶斯决策 贝叶斯决策论（Bayesian decision theory）是概率框架下的基本方法。 3 朴素贝叶斯分类器 基于贝叶斯公式来估计后验概率P(c|x)的主要困难在于，类条件概率P(x|c)是所有属性上的联合概率，难以从有限的训练样本直接估计而得。 换言之，假设每个属性独立地对分类结果发生影响。 基于属性条件独立性假设，条件概率P(c|x)可重写为， ? 其中d为属性数目，xi为x在第i个属性上的取值。 这就是朴素贝叶斯分类器的表达式。 4 半朴素贝叶斯分类器 为了降低贝叶斯公式中估计后验概率P(c|x)的困难，朴素贝叶斯分类器采用了属性条件独立性假设，但在现实任务中这个假设往往很难成立。 于是，人们尝试对属性条件独立性假设进行一定程度的放松，因此产生了一类称为“半朴素贝叶斯分类器”（semi-naive Bayes classifiers）的学习方法。
80860发布于 2018-03-30 - 来自专栏单细胞天地
人血细胞的单细胞转录组图谱
CD79B、GZMH和CCR7分别在B细胞、NK细胞和T细胞中高特异性和高表达，SPI1和GATA1分别在中性粒细胞/单核细胞和红细胞中高表达(图1E)，验证了每种细胞中与造血相关的已知标记基因。 TCF4、EBF1和LEF1在代表B细胞的C3~C7簇中活性较高，浆细胞中PRDM1和XBP1活性较高，而NK/T细胞中GATA3和Tbx21活性较高。 特别是，与造血特征的基因(AVP、CD79B、GZMH、CCR7、SPI1和GATA1)相邻的lncRNA(NONHSAG031143.2、NONHSAG073805.1、NONHSAG069091.1 Atlas 总结 该研究借助单细胞转录组深度测序技术，覆盖了从造血干细胞到祖细胞再到各谱系成熟血细胞在内的32种类型的血细胞，绘制了人全血细胞的精细分子图谱。 总的来说，该研究图谱全面地整合了血细胞的转录组信息和免疫表型信息，为后续血液生理学和病理学研究提供了重要的血细胞注释依据和参考价值。
1.3K20编辑于 2022-03-14 - 来自专栏全栈程序员必看
7_首页分类按级别展示
需求 在首页展示商品分类列表 属性 值 请求 url http://{zuul:port}/api/portal/categorys/categorys 请求方式 GET 参数 无 返回值 HttpResult.ok (分类列表) ---- 实现 1、pojo 实体类 要展示商品分类信息，需要树形结构展示，所以需要在 Itemcat 类中增加一个 childern 属性表示子分类 比如：我们查看一级目录有：家电、 手机、服装，但在家电这个一级目录下，又有分类，我们称为二级目录，有：电视、空调、洗衣机，但是电视下又有分类，所以我们需要给分类实体类增加一个属性，用来表示子分类 如果使用通用 mapper，在 pojo com.supergo.service.base.BaseService; import java.util.List; /** * @Author: xj0927 * @Description: 分类查询接口 = null && list.size() > 0) { //如果有数据再次根据分类id查询分类列表（使用递归） list.forEach(c
60210编辑于 2022-09-12 - 来自专栏最新医学影像技术
CBC2019——全血细胞自动识别计数 (CBC)
今天将分享全血细胞自动识别计数 (CBC)完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 一、CBC2019介绍 全血细胞 (CBC) 计数是医疗专业人员经常要求评估健康状况的重要测试。血液主要是三种细胞：红细胞（RBC）、白细胞（WBC）和血小板。 红细胞是最常见的血细胞类型，占血细胞的 40-45% 。血小板在血液中也大量存在。白细胞，仅占血细胞总数的 1%。红细胞将氧气输送到身体组织，组织接收的氧气量受到红细胞数量的影响。 由于这些血细胞数量巨大，使用血细胞计数板的传统手动血细胞计数系统非常耗时且容易出错，并且大多数情况下的准确性在很大程度上取决于临床实验室分析人员的技能。 三、CBC2019数据集 全血细胞计数 (CBC) 数据集包含360个血涂片图像及其注释文件，分为训练集、测试集和验证集。
49110编辑于 2024-03-02 - 来自专栏生信技能树
KEGG富集结果7大分类展示
首先，看看KEGG Pathway数据库的7大分类 可能很多人做KEGG Pathway富集时，还没有了解过KEGG 通路数据库也有分类呢？ 来到KEGG官网：https://www.genome.jp/kegg/pathway.html 让人工智能大模型帮我们介绍一下这7大类吧： KEGG（Kyoto Encyclopedia of Genes 以下是 KEGG 数据库的 7 大分类详细介绍： 1. Metabolism（代谢） 描述：这一分类涵盖了生物体内的各种代谢通路，包括碳水化合物代谢、脂质代谢、氨基酸代谢、核苷酸代谢、能量代谢等。 示例通路： 癌症（Cancer） 糖尿病（Diabetes） 心血管疾病（Cardiovascular Diseases） 7. ： category：为level A，总共有7大类 subcategory：为level B，为7大类下面的更加细分一点的类别 ID：为level C，为第三大类别，也即KEGG Pathway数据库中最详细的一层
3K11编辑于 2025-01-13 - 来自专栏合集
机器学习day7-逻辑回归，分类问题
机器学习day7-逻辑回归问题 逻辑回归 逻辑回归，是最常见最基础的模型。 逻辑回归与线性回归 逻辑回归处理的是分类问题，线性回归处理回归问题。 逻辑回归处理的多分类问题 多项逻辑回归，Softmax Regression。 ? 其中， ? 为模型的参数，而 ? 可以看成对概率的归一化。 一般来说，多项逻辑回归具有参数冗余的特点，给 ? 当类别为2分类。 ? 因此，可以同时减去一个参数，比如说，减去 ? 。 ? 其中 ? 多分类问题同理，只是在二分类上面进行了扩展。 例如：当样本存在多个标签，比如5个分类，那么我们可以训练5个分类器，第i个分类器表示结果是不是属于第i类。因此我们的标签设置的是第i类和非第i类。
47020发布于 2020-06-04 - 来自专栏AiCharm
YOLO系列改进 | YOLOF的小小改进升级之轻量化TE-YOLOF
显微图像中的血细胞检测是医学图像处理研究的一个重要分支。由于人工检查血细胞的疾病检测处理时间较长且容易误检，因此使用基于卷积神经网络的目标检测方法来检测血细胞可以被看做一种比较可行的解决方案。 如图2所示，解码器由两个并行的任务专用头组成：分类头和回归头。 回归头上有4个纵向可分离卷积模块，而分类头上只有2个。 深度可分离卷积模块的架构如图4所示。模块中的每个卷积层之后是BN层和Mish层。 分类分数的最终预测是通过将分类输出与objectness预测相乘而得到的。 4.其他 在该目标检测算法中使用NMS以确保检测器仅检测每个目标一次。将移除与最高分数超过阈值的框重叠的检测到的框。 图7显示了 \beta=1 和Mish对ReLU的Swish图。如图7（a）所示，Mish与Swish相似，在 [≈ −0.31,∞] 的范围内，其下有界，上无界。 正如图7（b）所示的那样，Mish函数在正值上比Swish收敛得更快。
77831编辑于 2023-05-15 - 来自专栏菩提树下的杨过
langchain4j 学习系列(7)-文本分类
继续我们的langchain4j学习之旅，很多“智能客服”之类的AI应用，“问题分类”是非常重要的功能之一。 识别出对应分类后，就可以交给相应的流程（或细分的sub agent)做进一步处理。 langchain4j 提供了2种分类方法： 一、基于LLM的语义理解 1.1 定义分类枚举 enum CustomerServiceCategory { PRODUCT("产品相关 ":\"classify error: " + e.getMessage() + "\"}"); } } 刚才的case符合预期了，但该方法有缺陷也十分明显，如果梳理的已知问题分类不够全面 或者先用方法1，先做一轮分类，将结果人工复检后，用于完善方法2中的分类列表） 文中示例代码：GitHub - yjmyzz/langchain4j-study at day07
20510编辑于 2025-12-24 血细胞检测数据集VOC+YOLO格式2757张4类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2757 标注数量(xml文件个数)：2757 标注数量(txt文件个数)：2757 标注类别数：4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数： Platelets 框数 = 2235 RBC 框数 = 39206 WBC 框数 = 2285 sickle cell 框数 = 2417 总框数：46143 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
31610编辑于 2025-07-16茶叶病害分类数据集6749张7类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6749 分类类别数：7 类别名称:["Unlabeled 图片数：1000 red_spot 图片数：1143 重要说明：数据集里面茶叶均为单叶，请仔细查看图片预览，斟酌下载 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
27810编辑于 2025-07-16对虾病害分类数据集889张7类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：889 分类类别数：7 类别名称:["baibanbing heibanbing 图片数：166 heisaizheng 图片数：119 hongtizheng 图片数：160 huangsaizheng 图片数：97 重要说明：主要对虾是否生病进行分类判断 ，主要有黄鳃症、红体症、黑鳃症、黑斑病、肝萎缩、白浊病、白斑病 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 虾的图片示例（虾的具体学名叫不出来，就叫对虾吧
11210编辑于 2025-07-20- 来自专栏Python绿色通道
Scrapy实战7: 分类爬取医疗信息网站图片
一、 前言 今天X先生带大家正真的实战：爬取医疗信息网站的图片及分类存储到本地和存储到MySql数据库。 商品类别url获取结果 (4)修正数据 通过结果我们易看出，我们所获取到的url和我们想象中还是有差别的，比如没有www或者http,嘿嘿，不过通过页面跳转分析我们知道我们现在获取到的是商品分类url
1.1K10发布于 2020-02-12 - 来自专栏单细胞天地
单细胞转录组分析—追踪移植后造血干细胞的分化
在这里，利用单细胞RNA测序，我们首先获得了28种造血细胞类型的基于转录组的分类。然后，我们将它们与功能分析相结合，跟踪受者移植后第一周内免疫表型纯化的造血干细胞的动态变化。 造血系统的28个免疫表型的相应的测序数据 结果解读 1、小鼠造血细胞单细胞转录组测序 作者首先将28个免疫表型定义的造血细胞群体（immunophenotype-based haematopoietic 这是目前成体小鼠各类造血细胞较为精细的单细胞转录组定义和最全面的分类体系。 2、移植后的HSC向多潜能祖细胞分化 基于上述转录组所有造血细胞类型的特征，研究者试图追踪受辐射个体移植后HSC的性质。 讨论 本研究中得到的scRNA测序的数据为造血系统不同分化阶段和谱系的细胞分类提供了参考。该分类，显示成年骨髓中造血谱系分化早在tHSC和tMPP阶段就已开始发生。
97220发布于 2021-12-02 生成式AI如何以更高精度辅助血细胞疾病诊断
生成式AI在血液诊断领域的突破一种新的人工智能系统通过检查血细胞的形状和结构，可以显著改善白血病等疾病的诊断方式。 超越模式识别许多现有的医疗AI工具经过训练，可以将图像分类到预定义的类别中。 相比之下，CytoDiffusion团队的研究表明，他们的方法能够识别正常血细胞外观的全部范围，并可靠地标记出可能预示疾病的罕见或异常细胞。 该数据集被描述为同类中规模最大的，包含了常见的血细胞类型、罕见样本以及经常使自动化系统混淆的特征。该AI并非简单地学习如何将细胞分离到固定的类别中，而是模拟了血细胞可能出现的全部外观范围。 当AI生成的图像迷惑人类专家时研究团队还发现，CytoDiffusion可以生成与真实血细胞图像难以区分的合成图像。
11400编辑于 2026-01-24- 来自专栏空间转录组
经典的文章要反复读--单细胞测序和CODEX绘制人骨髓的组成和空间结构
相对稀有的非造血细胞被认为在造血过程中起着关键作用。包括内皮细胞（ECs）、间充质基质细胞（MSCs）和成骨细胞在内的多种非造血细胞类型被认为是骨髓微环境的重要组成部分。 尽管对人类造血细胞的研究已相当广泛，但关于定义构成人类骨髓微环境的非造血细胞的类似研究仍相对匮乏。 我们使用对照主成分分析（RPCA）参考映射，将 AML 和 NSM 样本中的细胞分类到我们的健康图谱中最接近的对应物（图 7A；STAR 方法）。 接下来，我们旨在使用基于突变 NPM1 和 CD141 染色的分类器识别白血病暴发细胞（图 S10A 和 S10B；STAR 方法）。 我们的分类爆发细胞百分比与 NPM1c 变异等位基因频率相关（R = 0.62；图 S10C）。
54110编辑于 2025-05-29 - 来自专栏机器学习/数据可视化
kaggle实战-基于机器学习肾脏病预测
一般在kaggle，分类问题LGBM高频使用，且效果一般都比较好 树模型中，以决策树为基础，效果都有所提升。 : df.isnull().sum().sort_values(ascending=False) Out[7]: rbc 152 rc 130 ，红细胞在血液中所占容积比 wc：white_blood_cell_count，白血细胞计数 rc：red_blood_cell_count，红血细胞计数 htn：hypertension，是否有【高血压 classification：分类结果，是否患病 字段预处理 下面我们对部分字段进行处理 字段classification 最终分类结果的处理 In [11]: df["classification"] = "object"] 分类型变量取值 下面查看分类型变量的不同取值情况： In [30]: for col in cat_cols: print("变量:", col) print(df
1.1K30编辑于 2023-08-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号