半自动标注系统是基于BS架构，由鹏城实验室自主研发，集成目标检测、视频跟踪、ReID分类、人脸检测等算法，实现了对图像，视频的自动标注，并可以人工对自动标注结果进行调整得到最终标注结果，同时也可以对视频、图片、医疗相关的数据进行人工标注。
半自动标注系统主要功能有：用户管理，数据集管理，自动标注，人工标注，ReID标注，车流统计，视频标注，医疗CT标注，超大图像标注，模型管理与重训，报表管理。数据标注过程一个非常重要的因素是数据安全，在标注使用中防止数据泄露，采用基于web标注工具是有效避免数据泄露的措施之一。
半自动标注系统以保证性能的情况下最小化人工标注代价为目标，不断提升自动标注效率，减少人工标注和人工参与过程。
本工具包实现大批量、跨被试、跨设备的脑电数据和标签的预处理、采样、平衡、存储和机器学习数据集生成，涵盖分类、回归、自编码器、单样本模型调试等功能。需要Python 3.5以上的环境。
本项目提出了一种基于原型混合模型的小样本语义分割方法。该方法用于解决小样本语义分割中语义混叠的问题，在Pascal VOC 和COCO数据集上取得了显著的提升。
相关研究发表于ECCV 2020：
"Prototype Mixture Models for Few-shot Semantic Segmentation" in European Conference on Computer Vision(ECCV 2020).
本项目为SNNgo脉冲神经网络模型模拟器的前端开发工具，基于python开发，用于脉冲神经网络模型的描述和生成。
SNNGo是基于golang开发的脉冲神经网络模型的模拟器，可通过Docker技术快速部署。可部署模拟各类尖峰神经元网络模型，如信息处理模型（哺乳动物的视觉或听觉皮层）、网络活动动态模型（层状皮层网络或平衡随机网络）、学习和可塑性的模型。
该分布式高斯过程模型包含两个算法，即基于矩阵近似的分布式GP训练算法和基于交叉验证的分布式GP预测算法，分别对应于高斯过程的训练过程和预测过程。成果发表于IEEE Journal on Selected Areas in Communications.上的期刊论文Wireless Traffic Prediction with Scalable Gaussian Process: Framework, Algorithms, and Verification。分布式GP训练算法的核心思想是基于ADMM算法将原高斯过程的超参数优化问题拆分为多个更易于解决的子问题，并交由多个分布式计算单元分别解决。分布式GP预测算法的核心思想是利用交叉验证思想，将分布式计算单元的本地预测结果融合为一个更准确的全局预测结果。
该项目旨在开源一系列机器学习相关的核心算法来解决许多现实场景中的任务。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。项目组通过研究计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能如SVM，主成分分析（PCA），XGBT等。此外深度学习作为机器学习最重要的一个分支，近年来发展迅猛，在国内外都引起了广泛的关注。因此该项目组研发了一系列基于深度学习的核心算法，如解决点云语意的FPConv，拥挤场景下的人体关键点检测的OPEC-Net 等。
Net4AI 是未来（6G）内生智慧网络的两大技术发展方向之一，该方向的研究目标为充分利用网络节点的通信、计算和感知能力，通过分布式学习、群智式协同以及云边端一体化算法部署，支撑更为强大的网络智能（Network Intelligence），以实现未来各种智慧应用。本项目将对Net4AI相关论文的实现代码进行汇总，方便相关论文结果的复现，以促进该领域的健康发展。
前沿的人工智能技术可以有效地推动下一代无线系统和网络的智能化演进。本平台旨在为相关工作者提供一个共享数据和代码的空间。
项目类型
