本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV2。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。 文章链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122768747

本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNetV1。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。

本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，本文使用的案例训练出来的模型只有38M，适合应用在真实的移动端应用场景。 关于MobileNet的介绍可以看我以前的文章：https://wanghao.blog.csdn.net/article/details/122699618 通过这篇文章你可以学到： 1、如何加载图片数据，并处理数据。 2、如果将标签转为onehot编码 3、如何使用数据增强。 4、如何使用mixup。 5、如何切分数据集。 6、如何加载预训练模型。 详见文章链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122700746

本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.X版本如何使用Keras实现图像分类，分类的模型使用InceptionV3。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。 详见文章：https://wanghao.blog.csdn.net/article/details/122642906

本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.X版本如何使用Keras实现图像分类，分类的模型使用ResNet50。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，不用将图片一次性加载到内存中，节省内存,适合大规模数据集。 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。

本例提取了猫狗大战数据集中的部分数据做数据集，演示tensorflow2.0以上的版本如何使用Keras实现图像分类，分类的模型使用DenseNet121。本文实现的算法有一下几个特点： 1、自定义了图片加载方式，更加灵活高效，节省内存 2、加载模型的预训练权重，训练时间更短。 3、数据增强选用albumentations。 详见：https://wanghao.blog.csdn.net/article/details/122607363?spm=1001.2014.3001.5502

Keras实现DenseNet121图像分类任务。数据集使用猫狗大战。详见文章：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122599503?spm=1001.2014.3001.5501

基于matlab和bag of words的图像分类， 目录中不包含数据集！ 设计目标 输入一幅图像，输出标签 可以固定图片大小 实现 数据集：caltech101 matlab + bag of words 改自ImageCategoryClassificationTrainSample bag of words：利用matlab中bagOfFeatures函数提取SURF特征并K-means聚类构造“词典” svm：利用trainImageCategoryClassifier函数训练线性SVM分类器 测试结果： 训练集正确率：97.91% 测试集正确率：30.11% matlab + cnn + svm 改自DeepLearningImageClassificationSample cnn：利用预先训练好的AlexNet CNN网络获取特征向量，由于AlexNet已经针对ImageNet上的众多样本进行了训练，从其中抽取的特征向量对于一般图像具有较强的区分能力 svm：fitcecoc函数可以方便地训练基于SVM的多分类分类器 测试结果： 训练集正确率：99.67% 测试集正确率：77.95% 运行说明 两个实验文件夹都包含xml、m文件 xml为matlab2016b的新功能，旧版本可使用m文件 两个文件夹都有predictCategory.m文件，该函数输入参数为一幅任意图形，输出参数为类别字符串的元胞数组

CNN实现对FashionMNIST图像分类 卷积神经网络相对于全连接神经网络的优势： 参数少 -> 权值共享 因为全连接神经网络输入的图片像素较大， 所以参数较多 而卷积神经网络的参数主要在于核上， 而且核的参数可以共享给其他通道 全连接神经网络会将输入的图片拉直， 这样就会使图片损失原来的效果，从而导致效果不佳 而卷积神经网络不会将图片拉直，用步长去移动核 可以手动选取特征，训练好权重，特征分类效果比全连接神经网络的效果好 CNN过程： conolution层： 实现对feature map局部采样(相似于感受野) pooling层: 增加感受野 dense层: 也就是全连接层 大概思路

多类图像分类器 将视网膜OCT图像分为4类之一-NORMAL，CNV，DME或DRUSEN 分析的目标和动机正如我们所知道的，人类的预期寿命空前高。 由于医疗用品，服务和技术的增加，人们的寿命比祖先长。 因此，由于与眼睛健康有关的退化作用主要随着年龄而增加，因此眼睛疾病增加。 伴随着这种情况，由于数字化，近来人类在屏幕前花费越来越多的时间，这进一步增加了眼睛黄斑变性的问题。 需要开发更有效，快速和简便的方法来检测眼部疾病。 该项目的动机是研究一种可以帮助眼科医生使用图像识别技术更准确，更快速地识别视网膜疾病的技术。 我们可以检测到最常见的眼部疾病，因为它们很常见，因此无需花费很多时间就可以检测出来。 该项目涉及的眼疾是 AMD（与年龄有关的肌肉变性）：这种疾病在老年人中很常见，并且是由于视网膜受损或组织死亡引起的。 在全球75岁以上的成年人中，约有35％患有AMD。 DR（非绝热性视网