针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题，设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构，传递局部空间特征，池化、卷积、反卷积、上采样组成下结构，强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明，该模型优于其他同类分类模型。

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

图像分类 使用Python和MATLAB进行纹理图像分类 图片来源： : （使用“灰度PNG图片”链接-23MB） 使用的图像：铝箔，灯芯绒和橙皮。 纹理图像 火车组：120张图像（每个班级40张图像） 测试集：120张图像（每个班级40张图像） 功能（使用Matlab提取）： 灰度共生矩阵（GLCM）：能量和熵。 快速傅立叶变换（FFT）：均值和方差。 分类方法： K近邻 高斯朴素贝叶斯 评估：分类准确性 食谱 用Matlab提取特征 下载纹理图像数据集 收集在一个文件夹中，重命名images3。 运行.m文件 保存dataku.mat文件（不用担心！这里提供了dataku.mat文件）。 要了解有关该细节的更多信息，我准备稍后再上传MATLAB代码。 功能数量：4： 属性1：GLCM的熵 属性2：GLCM的能量 属性3：FFT的均值 属性4：FFT的方差 分

hadoop的图像分类的一篇论文，值得学习下。

基于深度卷积神经网络的服装图像分类检索算法

科大的一篇硕士论文 讲得比较详细 适合入门级的仔细研究下

CIFAR-10 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 10 个类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，每个类别有 6000 张图片，类别之间的交集为空。

微软的猫和狗图像数据集，用于深度学习图像分类训练

本文从实战的角度出发，带领大家感受一下MixNet，我们还是使用以前的植物分类数据集，模型采用mixnet_m。 通过本文你可以学习到： 1、如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 2、如何调用自定义的模型？ 3、如何使用混合精度训练？ 4、如何使用梯度裁剪防止梯度爆炸？ 5、如何使用DP多显卡训练？ 6、如何绘制loss和acc曲线？ 7、如何生成val的测评报告？ 8、如何编写测试脚本测试测试集？ 9、如何使用余弦退火策略调整学习率？ 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124845052

猫狗分类数据集,各700张