设计了一种基于深度迁移学习模型,对多种常见的可回收垃圾图像进行识别分类的垃圾图像分类系统.对比了VGG16、InceptionV3、InceptionResnetV2预训练模型的性能,最优识别正确率达到了90%以上,并进一步设计了基于Flask的Web应用调用模型.

包括MNIST官方版、灰度图版、彩色版数据集，其中官方版为文件，其余两个版本为图片。

vgg网络模型百度云下载（npy和mat格式各一份），之前找了很久没找到百度云链接，只能在网页上面龟速下载（500多M的文件下载了好几天，每秒基本10k），现在把链接分享上来，百度云下载可以加速。

摘要：传递迁移学习是利用源域知识来提高目标域学习能力的一种学习方法，已在各种应用中被证明是有效的。迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitive Transfer learning，简称TTL）。TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。

基于特征联合概率分布和实例的迁移学习算法

用于非侵入式负载监控（能量分解）的迁移学习

MATLAB的Alexnet迁移学习实现自己数据库的图像识别.rar

基于实例和特征的迁移学习算法研究

DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法) 雷亚国团队2018年文章。 机械智能故障诊断的成功依赖于两个条件。1)含有故障信息的有标签数据是可用的。2)训练和测试数据是从相同的概率分布中获取的。然而，对于大部分机械，很难获得大量的有标签数据。此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标

IT学生