图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。

数字图像处理matlab代码，大量实例，涉及数字图像处理算法

课程分为两条主线： 1 从Tensorflow的基础知识开始，全面介绍Tensorflow和Keras相关内容。通过大量实战，掌握Tensorflow和Keras经常用到的各种建模方式，参数优化方法，自定义参数和模型的手段，以及对训练结果评估与分析的技巧。 2 从机器学习基础算法开始，然后进入到图像分类领域，使用MNIST手写数据集和CIFAR10图像数据集，从简单神经网络到深度神经网络，再到卷积神经网络，最终完成复杂模型：残差网络的搭建。完成这条主线，学员将可以自如地使用机器学习的手段来达到图像分类的目的。

通过对象感知整体超像素选择进行图像分类

仿真matlab程序代码

很不错的最新介绍深度学习的文献，仅供大家参考，希望更多的深学爱好者上传分享，谢谢！

深度学习•挑战：深度学习模块的Udacity数据科学家纳米学位项目名为“具有深度学习的图像分类器”，它试图训练图像分类器识别不同种类的花朵。 我们可以想象在电话应用程序中使用类似的内容，告诉您相机正在查看的花朵的名称。 实际上，我们必须训练该分类器，然后将其导出以用于我们的应用程序。 我们使用了102种花卉类别的数据集（ ）。 •解决方案：使用火炬视觉加载数据。 数据集分为三个部分：训练，验证和测试。 对于训练，应用了变换，例如随机缩放，裁剪和翻转。 这将有助于网络泛化，从而带来更好的性能。 还需要加载从类别标签到类别名称的映射。 在训练和测试模型之后，为分类写了推理。 然后处理PIL图像以在PyTorch模型中使用。 •结果：使用以下软件和Python库：Torch，PIL，Matplotlib.pyplot，Numpy，Seaborn，Torchvision。 因此，上述方法的结

基于深度学习的bP神经网络 进行图像分类 的代码实例

深度学习在图像检索方面的应用，主要的思想是利用预训练网络，原文是英文，资源名称是我自己翻译过来的

眼底图像分类糖尿病视网膜病变深度学习-自有数据，短/跳过连接网络 如有任何疑问，WhatsApp-+91 9994444414