基于直方图交叉核的图像分类方法分析，许家乐，周亚健，针对词袋不足的情况下不能够很好地进行图像分类识别的问题，本文从从特征提取和生成词袋两个方面加以改进，为了去掉图像信息的重

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建ResNet网络结构以及对应的其他版本：resnet50，resnet101，resnet152。

与resnet网络结构类似，这里主要是实现resnext的网络结构

在文章与之前编写的图像分类框架构建组合使用，这里只讲述基于chainer的模型构建，本次讲解如何使用chainer构建VGG网络结构以及对应的其他版本：vgg11，vgg13，vgg16，vgg19。并且考虑到有些电脑的显存不高，所以使用alpha降低通道数，但是效果经过测试后还是比较理想的。

通过核正交匹配追踪 (KOMP) 和核同时正交匹配追踪 (KSOMP) 进行高光谱图像分类分发代码版本 1.0 -- 01/01/2015 由 Mehmet Altan Toksöz 提供，版权所有 2015，土耳其中东技术大学。 代码是基于以下论文中描述的方法创建的： [1] MA Toksoz 和 I. Ulusoy，“通过内核进行高光谱图像分类基本阈值分类器”，IEEE 地球科学和远程学报传感，已接受出版，2016 年。 [2] Y. Chen、NM Nasrabadi 和 TD Tran，“通过内核稀疏表示进行高光谱图像分类”，IEEE 地球科学和遥感汇刊，卷。 51号1，第 217-231 页，2013 年。 请引用它们！ 电子邮件：matoksoz [at] gmail.com

课程分享，Pytorch生物医学视觉深度学习课程（图像分类+语义分割+目标检测），共26章，提供课程配套的全部代码+课件+数据下载。共7个完整项目。

[TFF学习]官方教材jupyter运行记录_联邦学习之图像分类任务_1

利用第三代个人工神经网络中的单个脉冲神经元进行学习，实现字符识别。MATLA代码编写了Tempotron类，测试了二十六个字母图片，效果不错，计算量小。详细算法见Rober Gutig的论文《Tempotron: a neuron that learns spike timing-based decisions》 脉冲神经元主要以脉冲时间序列编码，比起卷积神经元，具有计算量小，所需训练样本少的特点，成为较为前沿的热点研究课题。在机器视觉和图像处理领域，脉冲神经网络具有较大的优势。

做图像分类其他垃圾的数据集。

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。 给定图片数据的格式： 解决思路 整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras. 具体思路： 读取图片数据，保存成.npy格式，方便后续加载 标签采用one-hot形式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载 将数据分为训练集、验证集、测试集 使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练 优化模型，调整超参数，提高准确率 在测试集上对模型进行评估，使用精确率、召回率 对单张图片进行预测，并输出每种类别的概率 如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证 如何使用keras进行迁移学习 keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化 如何使用sklearn计算准确率，精确率，召回率，F1_