北京邮电大学计算机学院鲁鹏老师的计算机视觉与深度学习课程第二章：图像分类任务

深度学习计算机视觉五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割 计算机视觉.pdf

著名的猫图像标注数据集（Cat Annotation Dataset），包含 10000张 各种类型和环境下猫的图像以及相应的猫轮廓位置标注信息。

车牌字符识别图像数据集.zip（数据集中每一张图片都是车牌的一个字符）

这是一组幻灯片和示例代码，介绍了从设置到模型构建的所有内容，以便即使是 MATLAB 初学者也可以尝试深度学习。您可以边移动手边学习以下内容。 1.准备·学习深度学习的步骤·环境构建·MATLAB基本操作·学习网络的安装·图像准备·与GPU的连接2. 分类、模型执行、10行迁移学习、图像扩展、学习参数、深度网络设计器（GUI）模型创建、可视化功能、原始GUI创建（分数判断、误判图像保存）・ 通过 Grad-CAM 可视化感兴趣的区域 ・ 使用相机进行推理 ・ 通过分类和贝叶斯优化通过 CNN + SVM 进行参数调整 ・ 分类学习器应用 ・ 通过 1class SVM（无监督学习）进行异常检测3. 推理代码的分发/EXE分发/创建的GUI的EXE分发 Next step [Keyward]图像处理、计算机视觉、深度学习、机器学习、CNN、IPCV 演示、深度学习、机器学习、

通过SVM和超像素分割进行光谱空间高光谱图像分类

CNN-On-The-Cloud- 用于为Fashion MNIST数据集构建图像分类器的代码。 使用Keras库构建并在FloydHub云平台上接受培训。 您可以在签出相应的“中型”文章 您可以通过单击下面的按钮快速获得此代码并在云上运行。

深度学习是近几年图像识别领域的一门新兴技术，能够自动学习影像深层次特征 从而进行准确的分类决策，为得到更好的高分辨率遥感影像分类结果带来新的契机

1.用Mxnet实现图像分类——比较LR & MLP & CNN区别 2.图像数据包括43种交通指示牌图像，每种图像数量200多，总图像数量为10000+ 3.主要代码为ipynb格式，内含判分模块 4.Mxnet网上教程非常少，此资源可作为学习Mxnet&CV的很好参考资料

集合了卷积神经网络从神经网络分类Alnex,GoogleNet v1-v4,VGG,Resnet,Network in Network论文，图像检测R-CNN,FAST-RCNN,Faster-rcnn，Mask-rcnn，SSPN-net，SSD,YOLO，YOLO_v2,YOLO_v3