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

ResNet-101 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型在超过一百万张图像上进行训练，共有 347 层，对应于 101 层残差网络，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 resnet101.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2017b及更高版本。 用法示例： % 访问训练好的模型净 = resnet101(); % 查看架构细节网络层% 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 Resnet-101 对图像进行分类标签 = 分类（

四类图像分类器的简单示例，使用小数据集（320 张花卉图像：80 个样本 x 4 个类别）和一个非常简单的 CNN，使用和不使用数据增强。 此示例的主要目标是演示如何使用 MATLAB 功能在图像分类解决方案中进行数据增强：augmentedImageDatastore 和 imageDataAugmenter。 该示例应易于修改并扩展到用户需求。 笔记： - 验证准确度提高——从约 79%（代码中的第 1 部分）到约 83%（第 2 部分）——使用非常简单的 CNN，仅作为数据增强的结果。 - 有趣的是，使用预训练的 AlexNet，验证准确度下降——从 100%（第 3 部分）到约 98%（第 4 部分）——这表明在这种情况下不需要数据增强。

EfficientNet-b0 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开高效netb0.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2020b及更高版本。 用法示例： % 访问训练好的模型净 = 高效netb0(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DarkNet-53 对图像进行分类标签 = 分类（净，我） % 显示图像和分类

DenseNet-201 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或从MATLAB内打开densitynet201.mlpkginstall文件将启动您所拥有版本的安装过程。 此 mlpkginstall 文件适用于 R2018a 及更高版本。 用法示例： % 访问训练好的模型净=密网201（）； % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DenseNet-201 对图像进行分类标签 = 分类（净，我） % 显示图像和分

mobilenet_v1_1.0_224.tflite mobilenet_v1_1.0_224_quant.tflite efficientnet-lite0-fp32.tflite efficientnet-lite0-int8.tflite

基于SVM的图像分割-真彩色图像分割,基于svm的图像分类,matlab源码

采用Hu矩进行特征提取，采用SVM作为分类器，主要用于学习代码及思路，本人实验结果并不是很理想。