针对光学相干层析视网膜图像进行人工分类诊断时存在漏检、效率低等问题,提出一种基于深度学习技术构建联合多层特征的卷积神经网络分类算法。首先通过均值漂移和数据归一化算法对视网膜图像进行预处理,并结合损失函数加权算法解决数据不平衡问题;其次使用轻量深度可分离卷积替代普通卷积层,降低模型参数量,采用全局平均池化替换全连接层,增加空间鲁棒性,并联合不同卷积层构建特征融合层,加强层间特征流通;最后使用SoftMax分类器进行图像分类。实验结果表明,该模型在准确率、精确率、召回率上分别达到97%、95%、97%,缩短了识别时长,所提方法在视网膜图像分类诊断中具有良好的性能。

提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。

Kaggle 上的竞赛数据，用以区分猫和狗两类对象，数据格式为处理后的CSV文件。

CLIP图像分类 使用 from classify import load , classify filename = "/content/input.jpg" load_categories = "imagenet" print ( "loading categories" ) load ( load_categories ) print ( "classifying" ) print ( classify ( filename )) load load ( "imagenet" ) #imagenet categories load ( "pokemon" ) #loads a list of 721 pokemon names as categories load ( "dog vs cat" ) #dog and cat as categories load ( "words i

这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的代码，更多详情可查看在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载minFunc matlab工具箱和drtoolbox。 minFunc matlab 工具箱和 drtoolbox 分别位于http://www.di.ens.fr/~mschmidt/Software/minFunc.html和http://homepage.tudelft.nl/19j49/Matlab_Toolb

本课程将以理论加实践的方式，带你深入理解深度学习基础和图像分类任务。通过GPU平台训练自己的代码，真正做到现学现用！ 代码逐行分析！！！ 课程大纲：  知识基础要求(1) 熟悉基本Python语法 (2) 基本数学知识 (3) 对深度学习有一定理论的认识 教学目标通过理论与代码实践教学，使学员能够 (1) 掌握深度学习基础理论知识 (2) 熟悉并理解深度学习图像分类的理论知识并进行项目实战。 (4) 通过在线 GPU 训练深度学习代码( PyTorch 框架) 其他说明： 注意：本课程费用不包括GPU、答疑等。

tensorflowlite 图像分类 安卓app 可直接安装 实时分类

Complement-Cross-Entropy:具有互补交叉熵的不平衡图像分类（Pytorch）

glcm matlab代码老年痴呆症检测 MATLAB代码将脑MRI图像分类为阿尔茨海默氏症或认知正常。 从OASIS获得了83例右撇子女性患者（18-30岁）的MRI数据集。 从MRI提取的特征包括灰色物质体积与标准化全脑体积（nWBV）的比率，白色物质体积与脑脊液体积的比率，以及从GLCM提取的特征，例如熵，能量，均质性和相关性。

用法 python features.py && python clustering.py && python classify.py && python svc.py && python test.py 执照 该软件是在 MIT 许可下发布的。 版权所有 (c) 2014 饭冢翔