提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

迁移学习CNN图像分类模型 - 花朵图片分类-附件资源

hog特征提取matlab代码用于图像分类的计算机视觉特征提取工具箱 该工具箱的目的是简化用于图像分类相关任务的常用计算机视觉功能（例如HOG，SIFT，GIST和Color）的特征提取过程。 包含的功能的详细信息在中提供。 除了提供一些受欢迎的功能之外，该工具箱还设计用于与不断增长的现代数据集一起使用-处理是分批完成的，并在一台机器上完全并行化（使用parfor），并且可以轻松地分配跨具有通用文件系统的多台计算机（许多大学中的标准群集设置）。 使用局限性线性编码对以单词袋方式提取的特征（“颜色”，“ hog2x2”，“ hog3x3”，“ sift”，“ ssim”）进行编码，以允许快速使用线性分类器培训+测试。 以我的经验，我发现'hog2x2'或'hog3x3'作为全局图像功能最为有效，并且在与包含互补信息的“颜色”功能结合使用时，往往会表现得更好。 该工具箱可在Matlab和Octave上使用。 八度可能仍然存在一些兼容性问题，并且不支持并行处理。 安装 在使用代码之前，您需要下载此存储库并编译mex代码： $ git clone http://github.com/adikh

在此记下AlexNet等八个经典网络的架构、创新点等，以供参考。

细粒度图像之间具有高度相似的外观,其差异往往体现在局部区域,提取具有判别性的局部特征成为影响细粒度分类性能的关键。引入注意力机制的方法是解决上述问题的常见策略,为此,在双线性卷积神经网络模型的基础上,提出一种改进的双线性残差注意力网络:将原模型的特征函数替换为特征提取能力更强的深度残差网络,并在残差单元之间分别添加通道注意力和空间注意力模块,以获取不同维度、更为丰富的注意力特征。在3个细粒度图像数据集CUB-200-2011、Stanford Dogs和Stanford Cars上进行消融和对比实验,改进后模型的分类准确率分别达到87.2%、89.2%和92.5%。实验结果表明,相较原模型及其他多个主流细粒度分类算法,本文方法能取得更好的分类结果。

nsfw_data_scraper：脚本集合以聚集图像数据，目的是训练NSFW图像分类器

tf_classification, 基于TensorFlow的图像分类训练评价和测试代码 TensorFlow分类这里 repo 包含使用 TensorFlow 图像分类的训练。测试和classifcation代码。 支持整个图像分类以及多实例边界框分类。检查 Wiki插件以获得更详细的教程。要求需要 TensorFl

mmdection图像分类检测相关包，可以离线安装，其他的资源请关注我的博客，并在相关连接下载，也可以在本文中给出的地址下载

机器学习、深度学习

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai