小编noo*_*ert的帖子

大家.我在Visual Studio 2013中编译DCMTK 3.6.1.我的操作系统是Windows 8.我还使用了CMake 3.2.3.我已经成功编译了ALL_BUILD项目的两个x64版本的调试和发布.但是,对于INSTALL项目,我无法编译它,因为发生以下错误:

Error   1   error MSB3073: The command "setlocal
"C:\Program Files (x86)\CMake\bin\cmake.exe" -DBUILD_TYPE=Release -P cmake_install.cmake
if %errorlevel% neq 0 goto :cmEnd
:cmEnd
endlocal & call :cmErrorLevel %errorlevel% & goto :cmDone
:cmErrorLevel
exit /b %1
:cmDone
if %errorlevel% neq 0 goto :VCEnd
:VCEnd" exited with code 1. C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V120\Microsoft.CppCommon.targets  132

根据此链接,我需要管理员权限.但我已经在管理模式下运行Visual Studio.有人可以告诉我我可能做错了什么吗？非常感谢你!

我以前经历过使用Kibana.不过这一次,我想尝试使用Grafana.我的经验能保证我能轻松学习Grafana吗？或者与Kibana有很大的不同？

如果我错了请纠正我,但到目前为止,根据我的研究,两者都是日志.Grafana更像是可视化,而Kibana则用于搜索日志; 这是正确的吗？

我试图使用C++和OpenCV将脑肿瘤的MRI图像分类为良性和恶性.我计划在使用kmeans聚类SIFT描述符后使用词袋(BoW)方法.意思是,我将每个图像表示为直方图,其中包含x轴的整个"代码簿"/字典及其在y轴图像中的出现次数.这些直方图将成为我的SVM(带RBF内核)分类器的输入.

然而,使用BoW的缺点是它忽略了图像中描述符的空间信息.有人建议使用SPM代替.我读到了它并遇到了这个链接,给出了以下步骤:

1. 计算来自训练集的K个视觉单词,并将所有局部特征映射到其视觉单词.
2. 对于每个图像,将K个多分辨率坐标直方图初始化为零.每个坐标直方图由L个级别组成,并且每个级别i具有4 ^ i个单元,其均匀地划分当前图像.
3. 对于该图像中的每个局部特征(假设其可视字ID为k),选取第k个坐标直方图,然后根据局部坐标对该直方图中的每个L对应单元格累计一个计数.特征.L单元是局部特征以L个不同分辨率落入的单元.
4. 连接K个多分辨率坐标直方图以形成图像的最终"长"直方图.当连接时,第k个直方图由第k个视觉词的概率加权.
5. 要计算两个图像上的核值,请将"长"直方图的交集的所有单元格相加.

现在,我有以下问题:

1. 什么是坐标直方图？直方图是否只显示x轴中每个分组的计数？它将如何提供有关点坐标的信息？
2. 我如何计算第k个视觉词的概率？
3. 我会得到什么样的"核心价值"？我如何将其用作SVM的输入？如果我理解正确,核心值是在测试阶段使用而不是在训练阶段吗？如果是,那我将如何训练我的SVM？
4. 或者你认为我不需要为自己的空间信息负担,只需坚持正常的BoW来治疗我的情况(良性和恶性肿瘤)？

有人请帮助这个可怜的小本科生.如果你这样做,你将永远感激我.如果您有任何澄清,请不要犹豫.

我想在中添加单词，vader_lexicon.txt以指定单词的极性得分。正确的做法是什么？

我在中看到了此文件AppData\Roaming\nltk_data\sentiment\vader_lexicon。该文件由单词，其极性，强度和“ 10个独立人类评分者”给出的10个强度得分组成。[1]但是，当我对其进行编辑时，以下代码的结果没有任何变化：

from nltk.sentiment.vader import SentimentIntensityAnalyzer
sia = SentimentIntensityAnalyzer()
s = sia.polarity_scores("my string here")

我认为当我调用SentimentIntensityAnalyzer的构造函数时，我的代码可以访问此文本文件。[2]您对我如何编辑预制词典有任何想法吗？

资料来源：

[1] https://github.com/cjhutto/vaderSentiment

[2] http://www.nltk.org/api/nltk.sentiment.html

我想使用 C++ 将脑肿瘤的 MRI 图像分类为良性和恶性。我正在使用 SIFT 特征，我正在关注的论文在训练 SVM 分类器之前使用 kmeans 对它们进行了聚类。我不明白的是为什么需要这样做？据我所知，kmeans 只对特征进行聚类；它不会改变输入的大小。

我读过可能的方法是 BoW 和直方图。在直方图方法中，它只计算每个集群中的特征数量，对吗？我认为这不会提供我对良性和恶性肿瘤进行分类所需的信息，因为它们可以既小又大。在 BoW 方法中，我不理解此链接。

基本上，我不知道如何处理我的 SIFT 功能以将其用作 SVM 的输入。我真的必须创建某种字典吗？我求你了，请赐教。非常感谢！

我在SO中有与此问题相同的问题。但是，当我尝试使用probas_to_classes（）实用程序功能时，**它在当前代码中已经丢失：

"""Numpy-related utilities."""
from __future__ import absolute_import

import numpy as np


def to_categorical(y, num_classes=None):
    """Converts a class vector (integers) to binary class matrix.

    E.g. for use with categorical_crossentropy.

    # Arguments
        y: class vector to be converted into a matrix
            (integers from 0 to num_classes).
        num_classes: total number of classes.

    # Returns
        A binary matrix representation of the input.
    """
    y = np.array(y, dtype='int').ravel()
    if not num_classes:
        num_classes = np.max(y) + 1
    n = y.shape[0]
    categorical = …