分享课程——《Pytorch生物医学视觉深度学习入门与实战--豪华版》，课程包括图像分类，语义分割，目标检测三大领域，共7个完整项目！提供所有的代码和数据下载！

文件中包括一个新冠肺炎CT图像数据集、使用LLE、PCA以及PCA_LLE算法进行数据降维，结合SVM对数据进行训练与识别，在LLE 算法中，实现对 LLE 算法中邻域 k，维度 d 的最优估计问题，并经过 SVM最后分类识别结果作为评价标准。结果表明，参数优化算法具有一定的准确性，在优化的 k 值与 d 值时，LLE+SVM 的分类正确率最高，同时实验发现，PCA_LLE 组合算法的分类正确率与 LLE 算法相近，但是时间复杂度却远低于LLE 算法。 总结：资源中包括LLE算法，瑞士卷的处理、LLE参数的优化、PCA与LLE算法的结合，最后进行分类识别，识别率高达85%。

从早期生物神经网络研究，到神经网络从实现深度化，模块化，引入注意力机制，再到实现高效化神经网络。这个时间节点比较火热的autoML,神经架构搜索技术等了解图像分类不仅仅只需要精度。

给出完整Python代码，用于图像识别，可用于深度学习的入门。

使用混合特征减少方法的 SVM 分类器进行高光谱图像分类 (mRMR-PCA)，简单易懂

LeNet-5卷积神经网络（CNN）虽然在手写数字识别上取得很好的分类效果，但在具有复杂纹理特征的数据集上分类精度不高。为提高网络在复杂纹理特征图像上分类的正确率，提出一种改进的LeNet-5网络结构。引入跨连思想，充分利用网络提取的低层次特征；把Inception V1模块嵌入LeNet-5卷积神经网络，提取图像的多尺度特征；输出层使用softmax函数对图像进行分类。在Cifar-10和Fashion MNIST数据集上进行的实验结果表明，改进的卷积神经网络在复杂纹理特征数据集上具有很好的分类能力。

文中主要基于视觉词袋（BOVW， Bag-Of-Visual-Words）模型对图像进行分类处理，并对传统视觉词袋模型存在的不足进行了改进，提出了一种基于视觉词典的权重直方图来表达图像，采用优化的k-means聚类算法（k-means+）用于视觉词典的构建，代入KNN（K-Nearest-Neighbors）分类器进行分类。通过对Caltech 101和Caltech 256这两个经典数据库进行实验，实验结果表明该改进方案较传统方法提高了分类的正确率。

用于图像分类的cifar-10数据集，该数据集共有 60000 张彩色图像，这些图像是32*32，分为“airplane”等10个类。

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究.docx

神经网络图像分类代码（可直接运行）