MobileNetv2 图像分类（DogVsCat）

猫狗数据集+基于卷积神经网络实现的猫狗图像分类项目源码+深度学习笔记答辩PPT+大作业文档。 由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。 该数据集包含25000张猫狗图像(每个类别各有12500张)。CNN是用这个集合里面的数据进行训练，CNN基于验证集上的性能来调节模型配置（超参数：层数，每层神经元数量等）图像数据输入卷积神经网络之前，应该将数据格式化为经过预处理的浮点数张量。 需要对图像进行向量化处理，同时对标签也要进行向量化处理。 代码位于 5.2_小型数据建立卷积神经网络_猫狗图像分类2.ipynb 中。 开箱即用，方便，内附使用教程

基于深度学习的积灰检测识别-图像分类源码+数据集，纯手打高分项目。 介绍 解决灰尘识别问题 采用自制灰尘数据集 方法介绍 （1）普通数据增广 （2）AutoAugment数据增强 （3）resnet （4）监督对比学习损失 （5）各种常用深度学习算法 基于深度学习的积灰检测识别-图像分类源码+数据集，纯手打高分项目。 介绍 解决灰尘识别问题 采用自制灰尘数据集 方法介绍 （1）普通数据增广 （2）AutoAugment数据增强 （3）resnet （4）监督对比学习损失 （5）各种常用深度学习算法 基于深度学习的积灰识别-图像分类+数据集，纯手打高分项目。 介绍 解决灰尘识别问题 采用自制灰尘数据集 方法介绍 （1）普通数据增广 （2）AutoAugment数据增强 （3）resnet （4）监督对比学习损失 （5）各种常用深度学习算法

无人机应急图像分类数据集（火灾、洪水、地震、交通事故，每类500多张图像）.zip

图像分类架构ResNet18-vd BackBone_ResNet18-vd_e88DT73t75DT69

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

智能计算系统实验3-1-基于 VGG19 实现图像分类

智能计算系统实验3-2-基于 DLP 平台实现图像分类

智能计算系统实验4-1-基于 VGG19 实现图像分类

基于BP网络的图像分类matlab代码出色的计算机视觉： 受启发的精选计算机视觉资源精选清单。 有关列出其学术谱系的计算机视觉人士的列表，请访问 贡献 请随时给我发送电子邮件或（）以添加链接。 目录 图书 计算机视觉 -西蒙·京东（Simon JD Prince）2012 -里克·塞利斯基（Rick Szeliski）2010 -大卫·福赛斯（David Forsyth）和让·庞塞（Jean Ponce），2011年 -理查德·哈特利（Richard Hartley）和安德鲁·齐瑟曼（Andrew Zisserman）2004 -Linda G.Shapiro 2001 斯蒂芬·帕尔默（Stephen E.Palmer），1999年 -Kristen Grauman和Bastian Leibe 2011 -理查德·拉德克（Richard J.Radke），2012年 -Reinhard，E.，Heidrich，W.，Debevec，P.，Pattanaik，S.，Ward，G.，Myszkowski，K 2010 -贾斯汀·所罗门（Justin Solomon）2015 OpenCV编