Web攻击检测与分类识别数据集（自己整理所得）

有用的BEMD程序，可进行图像EMD分解，为图像识别做好准备。

动物数据集+动物分类识别训练代码(Pytorch)，https://blog.csdn.net/guyuealian/article/details/126640766 动物识别数据集 动物数据集 动物识别 动物分类识别 animal dataset 前，基于ResNet18的动物分类识别，支持90种动物分类识别；在Animals90动物数据集上，训练集的Accuracy 99%左右，测试集的Accuracy在91%左右；在Animals10动物数据集上，训练集的Accuracy 99%左右，测试集的Accuracy在96%左右。骨干网络模型可支持googlenet, resnet[18,34,50], inception_v3，mobilenet_v2等常用的模型。

某业务平台平均每月捕获到Web攻击数量超过2亿，涉及常见注入攻击，代码执行等类型。传统威胁检测手段通过分析已知攻击特征进行规则匹配，无法检测未知漏洞或攻击手法。如何快速准确地识别未知威胁攻击并且将不同攻击正确分类，对提升Web攻击检测能力至关重要。利用机器学习和深度学习技术对攻击报文进行识别和分类已经成为解决该问题的创新思路，有利于推动AI技术在威胁检测分析场景的研究与应用。

Fruit-Dataset水果数据集+水果分类识别训练代码(支持googlenet, resnet, inception_v3, mobilenet_v2),本项目将采用深度学习的方法，搭建一个水果分类识别的训练和测试系统，实现一个简单的水果图像分类识别系统。目前，基于ResNet18的水果分类识别，支持262种水果分类识别，在水果数据集Fruit-Dataset上，训练集的Accuracy在95%左右，测试集的Accuracy在83%左右，骨干网络，可支持googlenet, resnet[18,34,50], inception_v3，mobilenet_v2等常用模型: 【原文地址】《Fruit-Dataset水果数据集+水果分类识别训练代码(支持googlenet, resnet, inception_v3, mobilenet_v2)》：https://panjinquan.blog.csdn.net/article/details/126411788

本项目将采用深度学习的方法，搭建一个垃圾分类识别的训练和测试系统，实现智能化垃圾分类。目前，基于ResNet18的垃圾分类识别，在垃圾数据集dataset2，训练集的Accuracy在94%左右，测试集的Accuracy在92%左右。支持常用的分类模型，如resnet18,resnet50,mobilenet_v2,googlenet等 原文地址《垃圾分类数据集+垃圾分类识别训练代码(Pytorch)》：https://panjinquan.blog.csdn.net/article/details/126419147

Bacterial leaf blight Brown spot Leaf smut 里面包含这三种水稻病害叶片白底图，可以添加数据量

机器学习垃圾分类识别.7z

人工智人-家居设计-C波段无线电信号智能分类识别研究.pdf

人工智人-家居设计-SAR海冰图像智能分类识别算法的研究.pdf