关于地基云分类的一些资料及相关文献，主要是提取图像特征利用机器学习分类

亚洲人脸数据库 ，每个人正面、侧面照片若干张，用于训练人脸识别网络，相比于lfw公开数据集，该数据集合更有针对性，lfw数据集中多数是欧美人，因此训练出来的网络对亚洲人的识别准确率表现很一般

resnet_50_new：使用resnet 50权重进行图像分类

Pytorch-图像分类 使用pytorch进行图像分类的简单演示。 在这里，我们使用包含43956 张图像的自定义数据集，属于11 个类别进行训练（和验证）。 此外，我们比较了三种不同的训练方法。 从头开始培训，微调的convnet和convnet为特征提取，用预训练pytorch模型的帮助。 使用的模型包括： VGG11、Resnet18 和 MobilenetV2 。 依赖关系 Python3，Scikit学习 Pytorch, PIL Torchsummary，Tensorboard pip install torchsummary # keras-summary pip install tensorboard # tensoflow-logging 注意：在训练之前将库更新到最新版本。 怎么跑 下载并提取训练数据集： 运行以下脚本进行训练和/或测试 python t

基于Halcon20.11深度学习模块编写的花朵分类项目，数据集包含在这其中，自留汇总以日后温故而知新。

基于GAN的HRRS图像生成样本分类 基于GAN的方法用于生成高分辨率遥感数据，以进行数据增强和图像分类。 深度学习框架是：Tensorflow。 Python版本：2.7 CUDA版本：9.1 端子命令： 数据集为UCM，NWPU-RESISC45：（1）UC Merced数据集 （2）NWPU-RESISC45数据集

分类过程是分析高光谱图像数据的重要任务之一。 支持向量机（SVM）是最流行和使用最广泛的分类器，其性能正在不断提高。 近来，与仅考虑像素的光谱特征的方法相比，利用空间和光谱信息的方法更加充分，鲁棒，有用和准确。 在本文中，通过使用空间像素关联（SPA）处理从高光谱数据中提取区域纹理信息，以进一步提高SVM技术的分类性能。 为了提高分类的准确性，提出了一种利用SPA特征的支持向量机的新方法。 此外，该手稿中还提出了一种可用于解决像素不正确问题的新方法，即“增长类的控制过程”（CPoGC）。 为了证明所提方案的有效性，我们进行了印度松站点（IPS）上的AVIRIS高光谱数据实验，以将所提出的分类方法与一些现有的基于SVM的技术（例如SC-SVM和PSO-SVM）进行比较，以及一些传统的方法，例如K-NN和K-means。 实验结果表明，所提出的方法明显优于这些众所周知的分类算法。

使用Cifar-10数据集进行图像分类 资料来源： 数据集下载： 抽象的： CIFAR-10数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 *有50000张训练图像和10000张测试图像。 数据集分为五个训练批次和一个测试批次，每个批次具有10000张图像。 测试批次包含每个类别中恰好1000个随机选择的图像。 训练批次按随机顺序包含其余图像，但是某些训练批次可能包含比另一类更多的图像。 在它们之间，培训批次包含每个班级的正好5000张图像。 这些是数据集中的类： 飞机 汽车 鸟 猫 鹿 狗 青蛙 马 船 卡车 这些类是完全互斥的。 即汽车和卡车之间没有重叠。 “汽车”包括轿车，越野车和类似的东西。 “卡车”仅包括大型卡车。 都不包括皮卡车。 方法 导入的数据集 分析数据 应用的PCA 使用随机森林进行预测 使用KNN进行预测 使用Logist

此工具箱的目标是简化常用计算机视觉特征（如 HOG、SIFT、GIST 和颜色）的特征提取过程，用于与图像分类相关的任务。 FEATURES.md 中提供了包含功能的详细信息。 除了提供一些流行的功能外，该工具箱还设计用于与不断增加的现代数据集大小一起使用 - 处理分批完成，并在单台机器上完全并行（使用 parfor），并且可以轻松分发跨具有公共文件系统的多台机器（许多大学的标准集群设置）。 以词袋方式提取的特征（'color'、'hog2x2'、'hog3x3'、'sift'、'ssim'）使用局部约束线性编码进行编码，以允许使用线性分类器进行快速培训+测试。 在我的经验中，我发现 'hog2x2' 或 'hog3x3' 作为全局图像特征最有效，并且在与包含互补信息的“颜色”特征结合时往往表现更好。 该工具箱适用于 Matlab 和 Octave。 Octave 可能仍然存在一

医疗的 将vgg16应用到医学图像（视网膜）分类中