通过SVM和超像素分割进行光谱空间高光谱图像分类

GhostNet实战：使用GhostNet实现图像分类任务用到的数据集和python文件。 文章链接： https://wanghao.blog.csdn.net/article/details/127993081

基于半监督学习的遥感图像分类研究_徐庆伶.pdf ,pdf,论文

机器学习与数据挖掘实验三：基于 Resnet，VGG，GoogLeNet的海面舰船图像分类，采用pytorch实现，包含数据集，三种网络实现图像分类源代码，gradcam可解释性分析代码。

这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

hsi matlab代码TGRS，2021年，具有针对高光谱图像分类的注意光谱先验的多方向网络。 ，，，Yuchao Xiao和。 纸张代码： 图1：我们建议的MSI-ASP用于HSI分类的框架。 它由四个部分组成：多方向样本构建，多流特征提取，具有注意光谱先验（ASP）的特征聚集和基于softmax的分类器。 相同的颜色表示具有相同操作的图层。 培训和测试过程 请首先运行“ generate_train_val_test_gt.m”以生成训练图和测试图。 然后，运行“ construct_multi_mat.py”以构造多方向样本。 最后，运行“ main_MDN_ASP.py”以在数据集上重现MDN-ASP结果。 训练样本分布和获得的分类图如下所示。 我们已经使用Matlab R2017b在Ubuntu 16.04和Windows系统上成功测试了它。 部分源代码来自和的工作。 图2：Indian Pines数据集的合成假彩色图像，地面真实情况，训练样本和分类图。 参考 如果您认为此代码有帮助，请引用： [1] B. Xi，J。Li，Y。Li，R。Song，Y。Xiao，Y。Shi，

欢迎来到我的Apple图片分类项目 在这个项目中，我探索了如何使用CNN和转移学习来建立图像分类器。 数据集包含从Google Image的“ iPhone”，“ iPad”和“ Macbook”的最高搜索结果中抓取的1500张图像。 完整的数据集可以在这里下载： : 。 目的是尝试创建图像分类器，以区分3种最主流的Apple产品-iPhone，iPad和Macbook。 从表面上看，它们可能会彼此混淆（没有缺口的旧版iPhone设计可能会误认为iPad，而带有键盘的新版iPad可能会误认为Macbook）。 虽然我们可以轻松区分它们，但我们可以教一个深度学习模型来做到这一点吗？ 哪种方法可以使我们获得最高的准确性？ 这些是将在本项目中回答的问题。 档案说明 该存储库中只有4个文件（自述文件和需求文件除外）。 该笔记本是一款Jupyter笔记本，可以在Google Colab（带有

tensorflow卷积神经网络CNN实现cifar10图像分类源码+数据集+注释

手势识别数据集（手势包括0-10）--大部分类别千张以上，分为训练集和验证级。图像分类数据集，图像分类入门。

数据集包含训练和测试两个文件，各包含 12500张图像，共 25000张。 来自 2013 年的 kaggle 竞赛，当时获胜者使用卷积神经网络达到了 95% 的精度。