基于ELM的图像分类与稳健回归算法研究 论文

本代码基于pytorch实现，复现ICCV 2019论文 Robust Loss Functions under Label Noise for Deep Neural Networks，论文地址https://arxiv.org/abs/1712.09482v1

cnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPTcnn 图像分类PPT

（文件2.2G，只能上传云盘）miniImageNet数据集，包含100类60000张图片，节选至ImageNet数据集，已经完成了训练集和测试集的拆分（附带代码），基本上不存在样本不平衡的情况，有问题可私聊博主。

对一些简单的名词解释给与了说明，同时对几个方面都有简洁的介绍

本文总结了多种图像分类任务中的重要技巧，对于目标检测和图像分割等任务，也起到了不错的作用。计算机视觉主要问题有图像分类、目标检测和图像分割等。针对图像分类任务，提升准确率的方法路线有两条，一个是模型的修改，另一个是各种数据处理和训练的技巧(tricks)。图像分类中的各种技巧对于目标检测、图像分割等任务也有很好的作用，因此值得好好总结。本文在精读论文的基础上，总结了图像分类任务的各种tricks如下。

使用MNIST数据集完成简单的分类任务，本压缩包包含四个压缩文件，分别为训练集和测试集的标签和图像

人工智能与模式识别5基于CNN的FashionMNIST图像分类.docx

图像分类算法：第一张图像显示的是提取到的HOG特征，这个主要可以初步了解下特征是否选择的合适，不合适可以调节extractHOGFeatures里面的参数，如cellsize,blocksize,bins等，具体可以参考这个点击打开链接 http://cn.mathworks.com/help/vision/ref/extracthogfeatures.html?searchHighlight=extractHOGFeatures&s_tid=doc_srchtitle。本程序选择的默认参数，从图1可以预览到特征分别合适。

最小距离的算法，