有效地进行图像的分类，该代码可以对图像的光谱特征和纹理特征进行提取 有效地进行图像的分类，该代码可以对图像的光谱特征和纹理特征进行提取

武汉大学遥感信息工程学院遥感原理的erdas的图像分类试验教材ppt

人脸表情会受到姿势、物体遮挡、光照变化以及人种性别年龄等因素的影响,需要卷积神经网络更有效准确地学习特征。AlexNet在表情识别中准确率不高,对输入图像尺寸有限制,针对这些问题,提出了改进AlexNet网络的人脸表情识别算法。在AlexNet网络中引入多尺度卷积更加适用于小尺寸的表情图像,提取出不同尺度的特征信息,并在把多个低层次特征信息在向下传递的同时与高层次特征信息进行跨连接特征融合,从而可以更加完整准确地反映图像信息,构造出更准确的分类器。跨连接会产生参数爆炸,导致网络训练困难,影响识别效果,因此利用全局平均池化对低层次特征信息进行降维,可减少跨连接产生的参数和过拟合现象。本文算法在CK+、JAFFE数据库上的准确率分别为94.25%和93.02%。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

基于python inference 、ResNet实现的图像分类

EfficientNet_classification。EfficientNet在pytorch框架下实现图像分类，拿走即用。该文件包含python语言编写的model文件、my_dataset文件、predict文件、train文件、配置文件等。能够实现训练自己的数据集进行图像分类，以及对训练后的网络进行测试。EfficientNet利用NAS(Neural Architecture Search)搜索技术，将输入分辨率，网络的深度、宽度三者同时考虑，搭建更nice的网络结构。EfficientNet-B0的网络框架，总体看，分成了9个Stage：Stage1 是一个卷积核大小为3x3，步距为2的普通卷积层（包含BN和激活函数Swish）；Stage2～Stage8 是在重复堆叠 MBConv 结构；Stage9 是一个普通的1x1的卷积层(包含BN和激活函数Swish) + 一个平均池化层 + 一个全连接层组成

基于 Pytorchet GoogLeNet 的图像分类实战 完整代码 数据 可直接运行 CIFAR-10分类

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

Place365GoogLeNet 是在 Places365 数据集上训练的预训练模型，其底层网络架构与在 ImageNet 数据集上训练的 GoogLeNet 相同。 您可以使用网络阅读 句法净= googlenet net = googlenet('权重',权重) net = googlenet('Weights',weights) 返回在 ImageNet 或 Places365 数据集上训练的 GoogLeNet 网络。 如果权重等于“imagenet”，则网络具有在 ImageNet 数据集上训练的权重。 如果权重等于“places365”，则网络具有在 Places365 数据集上训练的权重。 从您的操作系统或 MATLAB 中打开 place365googlenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用

UCI Folio Leaf 是不同种类树叶的图片数据集，包含 32 中不同的树叶种类，每类 20 张左右的图像。