图片中人数识别MATLAB代码

官网下载链接：http://www.vision.caltech.edu/visipedia/CUB-200-2011.html

自然图像分类数据集Oxford-102。Oxford 102 Flowers Dataset 是一个花卉集合数据集，主要用于图像分类，它分为 102 个类别共计 102 种花，其中每个类别包含 40 到 258 张图像。 2008年由牛津大学工程科学系发布。面向深度学习人群，可用于验证神经网络性能，主流的VGG,GOGELNET,残差网络等网络都可以用于训练。适合新手人群做学习使用，可将其划分为6149张图片做训练，1020张图片做验证，1020张图片做测试。

专门针对视觉，我们创建了一个名为torchvision的包，其中包含用于常见数据集（例如 Imagenet，CIFAR10，MNIST 等）的数据加载器，以及用于图像（即torchvision.datasets和torch.utils.data.DataLoader）的数据转换器。 在本教程中，我们将使用 CIFAR10 数据集。 它具有以下类别：“飞机”，“汽车”，“鸟”，“猫”，“鹿”，“狗”，“青蛙”，“马”，“船”，“卡车”。 CIFAR-10 中的图像尺寸为3x32x32，即尺寸为32x32像素的 3 通道彩色图像。 classes = ('plane', 'car', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck')

文件中包含人脸检测的实现，图像分类以及常用的图像处理算法的实现。

Multi-class 图像分类数据

Mobilenetv1v2v3论文英文版原文，微软研究院开发的轻量级卷积神经网络，cv方向必学论文。。。。。

深度学习中的场景识别 在此项目中，我们使用CNN将图像分类为不同的场景。 该项目的目标包括构建使用PyTorch进行深度学习的基本管道，了解不同层，优化器背后的概念以及尝试使用不同的模型并观察性能。 项目设计归因：佐治亚理工学院，CS 6476（2020年秋季），Frank Dellaert

天气数据集 用于多类天气数据集（图像分类）的网络 TensorBoard上的图 准确性/测试 精度/训练 损失/测试 损失/火车

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。