VIT(vision transformer)实现图像分类，是将transformer首次应用于CV(计算机视觉)领域，该资源包含所有源代码，拿走技能运行跑通，包含数据集和训练好的权重，分类精度高达99%以上。

利用pytorch实现图像分类的一个完整的代码，训练

训练一个图像分类器demo in PyTorch【学习笔记】.doc

利用pytorch 搭建猫狗公鸡图片分类网络，附带训练图片1200张，模型下载可以直接在cpu电脑上训练预测，代码包含模型的保存和可视化，学习率调整等基础知识，适合新手入门

随机森林图像matlab代码PCML项目2 EPFL的MATLAB代码和的报告。 该项目的目标是对属于以下四个类别之一的图像进行分类：马，飞机，汽车或其他。 下载并放入code 。 从中下载培训和测试数据。 将两个.mat文件放在code/data文件夹中。 在code/pca文件夹中运行以下功能，因此已经为每个模型计算了用于二进制和多类预测的k倍训练和测试数据。 可以在两个脚本的Line 5上设置折叠数量和主要成分数量。 precomputeVectors_binary.m （用于在马/飞机/汽车与其他汽车之间进行分类） precomputeVectors.m （用于在四个之间进行分类） 将以下模型应用于分类： k-NN（k-最近邻居） 神经网络 随机森林 支持向量机 在相应模型的文件夹中运行test_.m ： 注意：让我知道任何链接是否无效。

包括四类花朵：daisy 、dandelion、roses、sunflowers ### 使用步骤如下： * （1）在data_set文件夹下创建新文件夹"flower_data" * （2）点击链接下载花分类数据集 [http://download.tensorflow.org/example_images/flower_photos.tgz](http://download.tensorflow.org/example_images/flower_photos.tgz) * （3）解压数据集到flower_data文件夹下 * （4）执行"split_data.py"脚本自动将数据集划分成训练集train和验证集val ``` ├── flower_data ├── flower_photos（解压的数据集文件夹，3670个样本） ├── train（生成的训练集，3306个样本） └── val（生成的验证集，364个样本） ```

完整的MobileNet v1-v3的源代码，包括模型脚本、训练以及预测脚本。并有完整的博客介绍： 1. MobileNet系列(1) :MobileNet V1网络详解：https://blog.csdn.net/weixin_38346042/article/details/125329726?spm=1001.2014.3001.5501 2. MobileNet系列(2)：MobileNet-V2 网络详解：https://blog.csdn.net/weixin_38346042/article/details/125355111?spm=1001.2014.3001.5501 3.MobileNet系列(4):MobileNetv3网络详解：https://blog.csdn.net/weixin_38346042/article/details/125470446?spm=1001.2014.3001.5501

研究现状 图像表示 底层视觉特征表示 语义图像表示 词包模型表示 机器学习算法 多示例学习算法

针对单一滤波器提取高光谱图像空间特征时不能获得完整的图像空间信息的不足, 提出一种结合非局部均值滤波和导向滤波的高光谱图像分类算法。该方法利用非局部均值滤波提取高光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比于使用光谱信息、高光谱PCA降维、空谱结合的SVM分类、边缘保持滤波以及递归滤波等方法, 该算法能够有效提高光谱图像的分类精度。

# 文献链接 ----- ## 图像分类(Classification) ## 目标检测(Object Detection) ## 目标分割(Segmentation)