第一部分为特征提取部分，源码在程序代码文件夹的gist descriptor下的ImgGist.m，ImgGist2.m，ImgGist3.m，ImgGist4.m，ImgGist5.m，ImgGis6.m文件中，其中ImgGist4.m是对测试数据集的特征提取，另外5个是分别对5个训练集的数据提取，提取的原理是现将每10000副用3072维向量表示的数据集通过红绿蓝三色的叠加表示成1024维的向量，再将这1024维向量转换为32*32的图片，在调用LMgist进行特征提取，结果用512维的向量表示。提取的特征值分别保存在gist1.mat，gist2.mat，gist3.mat，gist4.mat，gist5.mat，gist6.mat之中（由于数据过大，这里就上传一个训练集提取特征值gist1.mat和一个数据集提取特征值gist4.mat）。第二部分为线性分类部分，主要用到的两个功能函数是model和[predicted_label, accuracy, prob_estimates]，首先是将提取的5个训练集的特征值转换成一个50000*512的矩阵Traindata[ 50000,512]，在提取各个训练数据集的标签组合成一个50000*1的矩阵datalabel[50000*1]，并将之训练得出模型model，再利用已得的model将测试集的特征值进行预测与已知的标签值进行比较的到准确率。
2022-04-11 14:02:47
22MB
1
深度学习在分类任务上取得了革命性的突破，但是需要大量的有标签数据作为支撑.当数据匮乏的时候，神经网络极易出现过拟合的问题，这种现象在小规模数据集上尤为明显.针对这一难题，本文提出了一种基于生成对抗网络的数据增强方法，并将其应用于解决由于数据匮乏，神经网络难以训练的问题.实验结果表明，合成的数据和真实的数据相比既具有语义上的相似性，同时又能呈现出文本上的多样性；加入合成的数据后，神经网络能够更加稳定地训练，而且分类的准确度也有了进一步的提高.将提出的算法和其他一些数据增强的技术对比，我们的方法结果最好，从而证明了这种技术的可行性和有效性.
2022-03-23 15:37:32
1.07MB
1
《 深度学习之多目标输出图片分类（PyTorch版） 》课程从实战的角度出发，基于电商业务（例如：京东、淘宝等）真实数据集并结合实际业务出发点，介绍深度学习多目标图片分类解决方案和代码实现，通过本课程，彻底掌握多目标输出图片分类业务需求。
从0到1讲解如何场景业务分析、进行数据处理，模型训练与调优，最后进行测试与结果展示分析。全程实战操作，以最接地气的方式详解每一步流程与解决方案。
老师的授课风格： 以实战为主，结合理论，让大家彻底掌握多目标输出图片分类解决方案和功能实现。
2022-03-21 00:16:49
484B
1
用Python+Pytorch实现了卷积神经网络对垃圾图片进行分类，其中还包含了爬虫代码。适合初学者以及大作业ddl选手：）。资源有任何疑问，欢迎留言。
2022-01-04 12:02:56
35KB
1
人工智能课程作业，工具为 jupyter notebook，使用SVM对手写体数字图片分类，其中包含运行代码，运行截图，内容涵盖完整。
2021-12-23 12:04:39
496KB
1
pytorch 图片分类，python 图片分类，net 图片分类，深度学习图片分类，可以直接运行，带图片数据
2021-12-11 10:22:47
24.94MB
1