高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

CIFAR-100 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 100 个小类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，10个大类下的10个小类，类别之间的交集为空。

RSSCN7 Dataset 包含 2800 幅遥感图像，从谷歌地球收集的图像，这些图像来自于 7 个典型的场景类别 —— 草地、森林、农田、停车场、住宅区、工业区和河湖，其中每个类别包含 400 张图像，分别基于 4 个不同的尺度进行采样，1:700,1:1300,1:2600,1:5200，四个尺度各100张。该数据集中每张图像的像素大小为 400*400，场景图像的多样性导致其具有较大的挑战性，这些图像来源于不同季节和天气变化，并以不同的比例进行采样。

当前国内的林业保护工作，主要以人工进行为主。通过森林巡护监察人员对林区树木进行肉眼观察等传统的检查，来登记可疑病死木、枯死木。检查周期长且耗费人力物力。急需一种智能化的检测手段来降低这种人力物力的损耗。 同时，由于对树木的检查主要是以肉眼观察为主，有一些树木生长过程中的病症难以在初期得到很好地排查（例如维束管病症，患病树木往往只有部分枝条枯萎而其他枝条发育正常），为树木之后的健康生长埋下了隐患。需要智能化自动化程度高的病症检测方案来降低人工病症检测的失误率提高准确率。为林业健康发展保驾护航。 国内目前针对树叶枯竭量化的研究尚少，针对本课题的研究可以为推动相关工作的发展。 二、问题分析 2.1 原理介绍 机器学习模型是图像识别分类的主要研究方法之一，本文将其应用于树叶枯竭情况的量化研究。所使用方法主要包括图像预处理、RGB特征提取、决策树回归等。

基于深度学习的视网膜OCT图像分类方法.PDF，专利，深度学习，中国科学技术大学，基于深度学习的视网膜OCT图像分类方法.PDF

ConvNeXt算法实现pytorch框架下的图像分类，ConvNeXt是通过借鉴Swin Transformer的思想，然后在ImageNet-1K上进行训练和评估，最终得到ConvNeXt的核心结构的算法。

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