（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，

上个周末，我经历了一场思想狂潮。如果我有一个图像数据集，它非常非常小，我想自己捕获、并希望教会计算机能够识别或区分一些指定的类别，我应该怎么办呢？假设我有几千张图像，我想训练一个模型，能够从一个类别自动检测出另一个类别。但是，我只有这么少的数据，那我能不能够训练出一个深度神经网络来成功地对这些图进行像分类呢？经过研究，我发现，人们在计算机视觉领域中遇到的常见情况是：用很少的数据来训练深度神经网络。让我们面对这一现实：并非每个人都可以访问Google或Facebook这样的大数据，而且有些数据很难获得。但我也发现，这种问题的解决方案其实非常简单。今天，我将带领你们学习如何使用那些较小的图像数据集

基于半监督广义学习系统的高光谱图像分类

机器学习是许多人在人类生活的各个领域中不可或缺的技术。 它遍及全球的现代生活中，并具有多种用途。 一种应用是图像分类，它涵盖了许多影响领域，例如商业，金融，医药等，以提高产量，原因，效率等。这种对更精确，面向细节的分类的需求增加了对修改，改编，和深度学习算法的创新。 本文使用卷积神经网络（CNN）对CIFAR-10数据库中的场景进行分类，并在KDEF数据库中检测情绪。 所提出的方法将数据转换到小波域以获得更高的精度和与空间域处理相当的效率。 通过将图像数据划分为子带，重要的特征学习发生在不同的低频到高频上。 所学习的低频和高频特征的组合以及对融合特征映射的处理导致检测精度的提高。 将拟议的方法与空间域CNN和堆叠式降噪自动编码器（SDA）进行比较，实验结果表明，准确性显着提高。