产品名称 医院信息系统 固定资产管理子系统 系统功能菜单 一级菜单 二级菜单 三级菜单 功能说明 我的 面板 个人代办业务 设备简略信息 展示本科室拥有的所有设备简略信息 基 础 信 息 维 护 机构用户 用户管理 系统中用户的新增,按条件查询,修改,删除,以及给用户设置角色 机构管理 登录用户所在医院机构的管理,包括机构的增删改查和添加下级机构 区域管理 正国中国境内所有县级以上地区(省、市州、区县)的管理,包括增删改查和添加下级区域(使用国标,一般情况下不做修改) 系统设置 医院管理 系统中所有医院的增删改查 角色管理 系统中所有角色的管理,包括角色的添加,修改,查看,删除,以及给角色赋权限 字典管理 系统中所有常用名词的集中管理,包括添加,修改,查看和删除 菜单管理 系统中所有菜单的展示以及管理,包括菜单的添加,查看,修改,删除,添加下级菜单,控制菜单的显示隐藏,排序等 个人信息 修改密码 当前登录用户的密码更新功能,需要输入正确的旧密码,设置新密码即可修改密码 个人信息 展示当前登录用户的详细信息,并可更改部分内容,但在当前用户登录时不可删除 固 定 资 产 管 理 资产档案 直接建档 给固定资产建立电子档案:输入资产名称、类别、资产编码、档案号、厂家、使用科室、存放位置等等基本信息直接建档 档案列表 当前登录用户所在科室拥有的所有资产的分页列表管理,包括按条件查询、档案建档,删除,信息变更,档案信息打印,变更信息查看,档案信息审核等。审核时档案大部分基本信息可更改;审核后,档案基本信息不可更改,可变更的信息有编码,使用科室,存放位置,负责人,设备状态和库房信息,其他均不可更改。其中档案列表、档案增加、减少、信息变动是以报表形式展现 资产按类别查询 按类别查询固定资产列表信息,以报表形式展现 资产按科室查询 按科室查询固定资产列表信息,以报表形式展现 采购申请 采购申请单 固定资产申请单的管理,包括添加申请单,按单号查询,修改,删除等 设备科审查 采购单申请生成后,需经过设备科审核,方可进行论证决策购买,设备科审核时可通过和不通过审核,无论是否通过,均需填写原因,也可直接删除该条申请,审查可制定一个或多个论证人,审查通过,进入论证阶段 申请论证 采购申请通过设备科审查之后,进入论证阶段,所有有关论证人需给出论证意见,以及是否同意购买,也可删除该申请单。本人只能看到需要本人论证的申请单,看不到其他申请单,也看不到其他论证人的论证结果 论证结果反馈 展示所有在论证中的申请单,也可删除该申请单 采购申请单打印 根据单号查询和打印采购单,以报表形式展现 决策人执行 采购申请单在论证之后,直接进入决策人执行阶段,决策人可看到所有论证人的论证结果,有权对所有申请单做最终决策(例:所有论证均不通过,决策人亦可同意执行) 论证报告打印 根据单号查询和打印论证报告,以报表形式展现 超出规定时限申请单 在采购申请时定超出时限,此处展示所有超出规定时限的申请单,以报表形式展现 报废申请 报废列表 以列表形式分页展示所有报废申请单,可提出报废申请,和进行修改和删除 科室审核 所属科室对下面人员提出的报废申请进行首次审核,通过后,自动提交到院长处,等待院长进行最终审核。 院长审核 院长对科室通过审核的报废单进行最终审核。 报废申请单打印 查询报废申请单并打印,以报表形式展现 捐赠申请 捐赠申请 根据条件查询可捐赠的固定资产,并提出捐赠申请 院长审核 院长对提出的捐赠申请做最终审核 资产变动申请 变动申请 科室根据条件查询本科室所有固定资产,填写变动项目,变动原因等,提出变动申请 变动更改 变动终端者对变动申请进行处理,可同意执行变动,也可以不予理会 设备验收 待验收合同 对设备验收合同的管理,包括填写新合同,和进行验收动作 填写验证报告 固定资产到位后,填写验收报告 设备维修 用户申请 对本科室损坏的固定资产进行维修申请,可删除和打印当前设备信息,以及查看本科室正在维修中的设备信息 维修审核 财务部对其他科室提出的设备维修申请进行审核 受理人指派 维修申请审核通过后,需要指派维修人员,可以是本单位内部维修,也可以外派单位维修,当外派时,需要填写外派单位信息等 维修情况 维修情况查询 用户检验及评价 对维修好的设备进行检验和评价,给维修人员定星级 超出维修额列表 当某设备在进行二次及多次维修时,若维修费用总额估计在其本身原值之上时,在此处列出 供应商管理 供应商维护 当前用户所属医院所有供应商信息翻页列表管理,可对其进行增删改查以及导出导入供应商列表 供应商付款 对所有在验收之后仍然没有结全款的供应商分页列表展示,可进行查看明细和填写付款详情,选择付款方式进行付款操作。 信誉评价 当前用户所属医院所有供应商,以星级形式进行服务的评价,
实体:“能够独立存在的,作为一切属性的基础和万物本原的东西”。实体是属性赖以存在的基础,必须是自在的,也就是独立的、不依附于其他东西而存在的。
本期分享我们和美团视觉智能部视觉内容理解组合作发表于IEEE TIP2022的研究工作“Ingredient-Guided Region Discovery and Relationship Modeling for Food Category-Ingredient Prediction” (Wang Zhiling, Min Weiqing, Li Zhuo, Kang Liping, Wei Xiaoming, Wei Xiaolin, Jiang Shuqiang) 。IEEE TIP的全称为IEEE Transactions on Image Processing,是计算机视觉和图像处理领域的主流国际期刊,当前影响因子为11.041。
在深度学习中,我们经常需要保存和加载模型的状态,以便在不同的场景中使用。在PyTorch中,state_dict是一个字典对象,用于存储模型的参数和缓冲区状态。 然而,有时在加载模型时,可能会遇到"Missing key(s) in state_dict"的错误。这意味着在state_dict中缺少了一些键,而这些键在加载模型时是必需的。本文将介绍一些解决这个问题的方法。
本项目是基于SpringBoot和图像分类算法用来识别蘑菇的微信小程序,根据拍摄上传的蘑菇图片,通过python脚本调用训练好的模型,经过后端处理,最后返回识别结果的类别及其识别准确率。
Python有两种数据类型,它们共同构成了使用JSON的理想工具:字典和列表。让我们探索如何:
场景文字识别 图像相比文字能够提供更加生动、容易理解及更具艺术感的信息,是人们转递与交换信息的重要来源。图像分类是根据图像的语义信息对不同类别图像进行区分,是计算机视觉中重要的基础问题,也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础,在许多领域都有着广泛的应用。如:安防领域的人脸识别和智能视频分析等,交通领域的交通场景识别,互联网领域基于内容的图像检索和相册自动归类,医学领域的图像识别等。 在图像分类任务中,我们向大家介绍如何训练AlexNet、VGG、GoogLeNet、ResNet、
TencentYoutuyun(腾讯优图云)是腾讯云推出的一款图像识别和处理服务。它提供了各种功能强大的API,可以用于人脸检测、人脸对比、人脸验证、人脸比对、图片标签、身份证OCR等图像相关任务。该服务基于腾讯在人脸识别、图像识别等领域的技术积累,为开发者提供了快速、准确和可靠的图像处理解决方案。 在本篇文章中,我们将介绍如何使用TencentYoutuyun进行简单的图像处理任务。
k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是:存在一个样本数据集合,也称作为训练样本集,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个数据与所属分类的对应关系。输入没有标签的新数据后,将新的数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本最相似数据(最近邻)的分类标签。一般来说,我们只选择样本数据集中前k个最相似的数据,这就是k-近邻算法中k的出处,通常k是不大于20的整数。最后,选择k个最相似数据中出现次数最多的分类,作为新数据的分类。
本文所描述的研究主要关注在线手写体识别系统中的单词识别技术。该在线手写体识别系统使用多组件神经网络(multiple component neural networks, MCNN)作为分类器的可交换部分。作为一种新近的方法,该系统通过将手写文字分割成可单独识别的小片段(通常是字符)来进行识别。于是,识别结果便是每个已识别部分的组合。然后将这些组合词发送给单词识别模块作为输入,以便用一些字典搜索算法来从里面选择最好的一个。所提出的分类器克服了传统的分类器对大量字符类别进行分类时的障碍和困难。此外,所提出的分类器还具有可扩展的能力,可以通过添加或更改组件网络和内置字典的方法来动态地识别另外的字符类别。
数据时代,机器学习也进入了大众视野,我们身边到处都有机器学习应用的场景,如人脸识别、智能语音识别、手写数字识别、金融反欺诈和产品精准营销等等。
鸟类识别系统,使用Python作为主要开发语言,基于深度学习TensorFlow框架,搭建卷积神经网络算法。并通过对数据集进行训练,最后得到一个识别精度较高的模型。并基于Django框架,开发网页端操作平台,实现用户上传一张图片识别其名称。
随着互联网的飞速发展,图片成为信息传播的重要媒介,图片中的文本识别与检测技术也一度成为学界业界的研究热点,应用在诸如证件照识别、信息采集、书籍电子化等领域。
计算机视觉世界三大顶会之一的ICCV 2021论文接收结果出炉!本次大会收到来自全球共6236篇有效投稿,最终有1617篇突出重围被录取,录用率约为25.9%。此次ICCV 2021接收的论文分为检测、分割、跟踪、视觉定位、底层图像处理、图像视频检索、三维视觉等多个方向。本次腾讯优图实验室共有17篇论文被收录,其中Oral论文2篇,涵盖跨模态检索、分割、行人识别、神经网络、人群计数、车辆识别、物体识别、视频偏好推理、多标签识别等前沿领域(本文转载自:腾讯优图实验室)。
计算机视觉世界三大顶会之一的ICCV 2021论文接收结果出炉!本次大会收到来自全球共6236篇有效投稿,最终有1617篇突出重围被录取,录用率约为25.9%。此次ICCV 2021接收的论文分为检测、分割、跟踪、视觉定位、底层图像处理、图像视频检索、三维视觉等多个方向。本次腾讯优图实验室共有17篇论文被收录,其中Oral论文2篇,涵盖跨模态检索、分割、行人识别、神经网络、人群计数、车辆识别、物体识别、视频偏好推理、多标签识别等前沿领域。
本文对北京理工大学、阿里文娱摩酷实验室合作的论文《RevisitingBilinear Pooling: A coding Perspective》进行解读,该论文发表在AAAI 2020,本文首先证明了常用的特征融合方法——双线性池化是一种编码-池化的形式。从编码的角度,我们提出了分解的双线性编码来融合特征。与原始的双线性池化相比,我们的方法可以生成更加紧致和判别的表示。
本文介绍了k-近邻算法(kNN)的原理、优缺点,并通过实例讲解了k-近邻算法的具体实现和应用场景。
今天呢,我们就要来接触稍微高级一点的东西了,我们所做的事情不仅仅局限于代码的层面上了,要基于某种算法解决问题,而此时的python则是我们完成问题的工具啦!
花朵识别系统,基于Python实现,深度学习卷积神经网络,通过TensorFlow搭建卷积神经网络算法模型,并对数据集进行训练最后得到训练好的模型文件,并基于Django搭建可视化操作平台。
深度神经网络(Deep Neural Networks, DNNs)由于跨域不匹配(cross-domain mismatch),通常在新域表现不佳。而无监督域自适应(UDA)技术则可通过利用未标记的目标域样本缓解跨域不匹配问题。 近日,特斯联科技集团首席科学家邵岭博士及合作者们提出了基于类别对比的新颖方法Category Contrast (CaCo),并公布了所取得的最新研究成果。该方法在视觉UDA任务的实例判别之上引入了语义先验。该研究成果(标题为: Category Contrast for Uns
在Python中,pandas groupby()函数提供了一种方便的方法,可以按照我们想要的任何方式汇总数据。实际上,groupby()函数不仅仅是汇总。我们将介绍一个如何使用该函数的实际应用程序,然后深入了解其后台的实际情况,即所谓的“拆分-应用-合并”过程。
智能文档分析(IDA)是指使用自然语言处理(NLP)和机器学习从非结构化数据(文本文档、社交媒体帖子、邮件、图像等)中获得洞察。由于80%的企业数据是非结构化的,因此IDA可以跨行业和业务功能提供切实的好处,例如改善遵从性和风险管理、提高内部运营效率和增强业务流程。
本文介绍基于R语言中的GD包,依据栅格影像数据,实现自变量最优离散化方法选取与执行,并进行地理探测器(Geodetector)操作的方法。
1. K-近邻算法概述(k-Nearest Neighbor,KNN) K-近邻算法采用测量不同的特征值之间的距离方法进行分类。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。 优点:精度高、对异常数据不敏感、无数据输入假定。 缺点:计算复杂度高、空间复杂度高。 适用数据范围:数值型和标称型。 KNN工作原理是:存在一个样本数据集合(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。
摘要随着低成本、紧凑型2.5/3D视觉传感设备的出现,计算机视觉界对室内环境的视景理解越来越感兴趣。本文为本课题的研究提供了一个全面的背景,从历史的角度开始,接着是流行的三维数据表示和对可用数据集的比较分析。在深入研究特定于应用程序的细节之前,简要介绍了在文献中广泛使用的底层方法的核心技术。之后根据基于场景理解任务的分类,回顾了所开发的技术:包括全局室内场景理解以及子任务,例如场景分类、对象检测、姿势估计、语义分割、三维重建、显著性检测、基于物理的推理和提供性预测。随后,总结了用于评估不同任务的性能指标,并对最新技术进行了定量比较。最后对当前面临的挑战进行了总结,并对需要进一步研究的开放性研究问题进行了展望。
最近看到一个很火的 100-Days-Of-ML-Code 的活动,在 Github 上看了下每日的学习内容,发现是个很好的查漏补缺的列表。这个学习列表里面包含机器学习,深度学习,统计学,线性代数等内容。KNN 是第 7 天的学习内容。
翻译过来意思是 object的内容用其镜像进行标准输出,也就是通过反射输出object的内容。
机器是无法识别自然语言的,机器只能识别0和1,经典的案例就是字典特征抽取 0表示不存在 1表示存在 以国漫人物信息,做示例 原始数据 原始数据 字典特征抽取后, 终端打印结果
注意:全部代码为PaddlePaddle1版本的代码 Helloworld # helloworld示例 import paddle.fluid as fluid # 创建两个类型为int64, 形状为1*1张量 x = fluid.layers.fill_constant(shape=[1], dtype="int64", value=5) y = fluid.layers.fill_constant(shape=[1], dtype="int64", value=1) z = x + y # z只是
图像分类一直是深度学习领域中非常基本且工业应用广泛的任务,然而如何处理待分类样本中存在的类别不均衡问题是长期困扰学界与工业界的一个难题。相对来说,学术研究提供的普通图像分类数据集维持了较为均衡的不同类别样本分布;然而在实际应用中,大部分的分类样本很可能呈现长尾分布(long-tail distribution),这很有可能导致分类模型效果偏差:对于尾部的类别分类准确率不高。
在sklearn 中提供的贝叶斯分类算法有三种,分别是:高斯朴素贝叶斯(GaussianNB)、多项式朴素贝叶斯(MultinomialNB)和伯努利朴素贝叶斯(BernoulliNB)
JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,已经成为当今互联网应用中广泛使用的数据格式之一。Python提供了内置的模块来解析和创建JSON数据,使得在Python中处理JSON变得非常简单。本文将详细介绍Python对JSON的解析和创建过程,并提供示例代码来帮助大家更好地理解。
在渗透测试过程中,我们可以通过插件识别类型后,使用漏洞脚本对特定系统进行模糊。在这里,笔者将与大家分享漏洞POC验证系统的设计和研究思路。在系统开发之初,选用了分布式平台设计架构。后来因为考虑到与分布式资产扫描平台兼容的接口,最后理解了耦合机制,彻底变成了单机版。首先我们可以看到这个地方没有单独设计web管理端,只能通过命令行调度。但是,在设计中,守护进程restapi是保留的,它可以接受来自第三方平台的调度请求。插件模块调用方面,主要有三个模块:流行的漏洞插件,主要用于重现常见的手工测试方法和一些团队发现的内部漏洞。密码漏洞插件:主要包括端口、中间件、未授权应用和弱密码漏洞,包括弱密码字典。第三方漏洞插件:主要用于访问互联网上的一些开源和泄露的插件,用于结果集成和性能调优。
选自Google Research 机器之心编译 参与:李亚洲、晏奇、微胖 近日,谷歌开放了一个大规模的音频数据集 AudioSet。该数据集包含了 632 类的音频类别以及 2084320 条人工标记的每段 10 秒长度的声音剪辑片段(包括 527 个标签)。此项研究论文已发表于最近正在新奥尔良举办的 IEEE ICASSP 2017 大会上。论文原文可点击文末「阅读原文」查看。 项目地址:https://github.com/audioset/ontology AudioSet 包含了 632 类的音频
命名实体识别(NER)是一种自然语言处理技术,用于在给定的文本内容中提取适当的实体,并将提取的实体分类到预定义的类别下。简单来说,NER 是一种用于从给定文本中提取诸如人名、地名、公司名称等实体的技术。在信息检索方面,NER 有其自身的重要性。
今天介绍一个论文autoner[1],主要是为了探索如何在只有词典的情况下,提升NER实际落地效果;
人类自诞生以来就伴随着各种信息的生产和获取,如今这个信息爆炸的 DT 时代,人们更是被各种信息所包围。我们知道,人获取信息的方式主要有被动获取和主动获取两种,其中被动获取就是推荐的方式、主动获取就是搜索的方式。 获取信息是人类认知世界、生存发展的刚需,搜索就是最明确的一种方式,其体现的动作就是“出去找”,找食物、找地点等,到了互联网时代,搜索引擎(Search Engine)就是满足找信息这个需求的最好工具,你输入想要找的内容(即在搜索框里输入查询词,或称为 Query),搜索引擎快速的给你最好的结果,
行人搜索是图像搜索问题的第一个尝试。在此之前,虽然对人的检测和重识别做了大量的努力,但大多数都是独立处理这两个问题的。也就是说,传统方法将行人搜索任务划分为两个独立的子任务。
深度学习是一种强大的机器学习方法,已经在各种任务中取得了显著的成功。然而,随着神经网络变得越来越深,训练变得更加困难。为了解决这个问题,残差网络(Residual Networks)应运而生。本文将介绍残差网络的基本原理、优势以及在深度学习领域的应用。
自然场景下的文字检测与识别是近年来的热点研究方向之一,也是很多计算机视觉技术实现应用时的重要步骤。相较于技术已经相对成熟的打印文档文字识别,自然场景中的文本识别仍具困难,比如文字的呈现可以有多种方向、多样的颜色和字体等,这些情况都为文字检测与识别技术在现实生活中的应用带来了挑战。
),用于将CLIP表示转换为人类可解释的概念的稀疏线性组合。与之前的工作不同,SpLiCE不需要概念标签,可以在事后应用。 通过使用多个真实世界数据集的广泛实验,作者验证了SpLiCE输出的表示可以解释甚至替代传统的密集CLIP表示,在保持等效的下游性能的同时显著提高它们的可解释性。作者还展示了SpLiCE表示的几个用例,包括检测虚假相关性、模型编辑以及量化数据集中的语义变化。 代码:https://github.com/AI4LIFE-GROUP/SpLiCE
在渗透测试领域有琳琅满目的工具、神器,它们可以大大简化渗透测试的工作量。但很多时候仅仅使用别人的工具是不够的,我们需要自己去编写一些脚本、插件来完成定制的内容,而这样的工作会很大程度提升渗透测试的效率。笔者认为没有最好的工具,如果有则一定是自己根据自己需要开发的工具。
文本识别是OCR(Optical Character Recognition)的一个子任务,其任务为识别一个固定区域的的文本内容。在OCR的两阶段方法里,它接在文本检测后面,将图像信息转换为文字信息。
从大量文本中自动提取人们谈论的主题(主题识别)是自然语言处理的基本应用之一。大型文本示例包括社交媒体订阅、消费者对酒店、电影和其他业务的评价、用户评论、新闻和客户发来的邮件。
原文链接:https://cuijiahua.com/blog/2017/11/ml_3_decision_tree_2.html
版权声明:本文为博主原创文章,未经博主允许不得转载。个人网站:http://cuijiahua.com。 https://blog.csdn.net/c406495762/article/details/76262487
k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。简单地说,k-近邻算法就是采用不同特征值之间的距离来进行分类,算法主要特点为:
深度学习基础5:交叉熵损失函数、MSE、CTC损失适用于字识别语音等序列问题、Balanced L1 Loss适用于目标检测
领取专属 10元无门槛券
手把手带您无忧上云