PyTorch image models, scripts, pretrained weights -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MixNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet, and more

近年来，深度学习在计算机视觉领域中的表现优于传统的机器学习技术，而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据，且无法满足人们对图像分类精度和速度的要求，而基于深度学习的图像分类方法突破了此瓶颈，成为目前图像分类的主流方法。从图像分类的研究意义出发，介绍了其发展现状。其次，具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次，对比分析了方法之间的差异及其在常用数据集上的性能表现。最后，探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。

使用Edge Impulse和BalenaCloud进行图像分类 本指南将帮助您部署在Raspberry Pi上运行的图像分类系统。 使开发人员能够使用嵌入式机器学习来创建智能设备解决方案。 您将学习如何使用智能手机轻松获取图像样本，训练ML算法以及在设备上部署推理引擎。 是用于部署IoT应用程序的基于容器的平台。 概述 该项目基于出色的，可通过在容器中运行来实时播放相机的Feed。 对于我们的应用程序，我们通过在Node.js服务器内部添加另一个运行Edge Impulse Webassembly推理引擎的容器来利用Balena的多容器功能。 这两个容器通过WebSocket相互通信。 balena-cam Webapp已被修改为每秒调用推理引擎并将结果显示在网页上。 要求 Raspberry Pi：已测试v3和v4，已测试balenaFin v1.0 用手机捕捉图像样本； 或一组jp

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

数据集介绍：FashionMNIST数据集中包含已经预先划分好的训练集和测试集，其中训练集共60,000张图像，测试集共10,000张图像。每张图像均为单通道黑白图像，大小为28*28pixel，分属10个类别。 适用人群：深度学习、Pytorch初学者 适用场景：深度学习、Pytorch入门

压缩包内提供百度网盘下载链接，永不过期！ 该数据集包含了水稻、玉米、小麦、甜菜、苜蓿、葡萄、柑橘 、芒果共8种作物的75000 多幅图像。前五种作物为大田作物（FC， field crops），后三种为经济作物（EC，economic crops）。该数据集可以用于深度学习与农作物方面图像处理研究。 该数据集包含了水稻、玉米、小麦、甜菜、苜蓿、葡萄、柑橘 、芒果共8种作物的75000 多幅图像。前五种作物为大田作物（FC， field crops），后三种为经济作物（EC，economic crops）。该数据集可以用于深度学习与农作物方面图像处理研究。 该数据集包含了水稻、玉米、小麦、甜菜、苜蓿、葡萄、柑橘 、芒果共8种作物的75000 多幅图像。前五种作物为大田作物（FC， field crops），后三种为经济作物（EC，economic crops）。该数据集可以用于深度学习与农作物方面图像处理研究。

百度EasyDL是零门槛AI开发平台，提供从数据采集、标注、清洗到模型训练、部署的一站式AI开发能力。对于各行各业有定制AI需求的企业用户来说，无论您是否具备AI基础，EasyDL设计简约，极易理解，最快5分钟即可上手学会，15分钟完成模型训练。本资源提供了将自己的图像分类任务训练并且通过公有云部署以后使用微信小程序部署给用户使用，使用简单，通过修改您训练的模型的AK和SK即可对接入该小程序，同时该小程序更可以在您的开发下拓展百度EasyDL的目标检测，图像分类等各种任务需求。

使用 1DCNN 从 EEG 信号进行心理图像分类

CIFAR-10 Dataset 是用于机器视觉领域的图像分类数据集，它有飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车共计 10 个类别的 60000 张彩色图像，尺寸均为 32*32，其包含 5 个训练批次和 1 个测试批次，每个批次有 10000 张图像。 该数据集由多伦多大学计算机科学系的 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 于 2009 年发布，相关论文有《Learning Multiple Layers of Features from Tiny Images》。

CIFAR-100 Dataset 是用于机器视觉领域的图像分类数据集，拥有 20 个大类，共计 100 个小类，其中每个小类包含 600 张图像（500 张训练图像和 100 张测试图像）并且每张图像均有一个小标签和一个大标签。 该数据集由多伦多大学计算机科学系的 Alex Krizhevsky、Vinod Nair 和 Geoffrey Hinton 于 2009 年发布，相关论文有《Learning Multiple Layers of Features from Tiny Images》。