这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”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

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

在本文中，我们将ResNet模型转换为Core ML格式。

【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类

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，