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。

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特 征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方 法, 对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验, 证明了灰度共生矩阵 提取的纹理特征对图像分类精度提高起到一定的作用。

树莓派zero图像分类与目标检测 山东大学（威海） 2018级数据科学与人工智能实验班 孙易泽 吴锦程 詹沛 徐潇涵 树莓派zero图像分类与目标检测是深度学习的研究项目，旨在通过深度学习算法，实现树莓派的实时识别与分类。 在树莓派上运行深度学习主要分为以下几个步骤： 首先是数据的获取及预处理，图像分类与目标检测需要大量干净且高质量的图片数据进行训练，我们需要通过不同方式，尽可能多的获取到相关的图片数据，并处理为深度学习可用的形式。 接下来先实现图像分类，根据深度学习领域存在的相关模型，选择适合于树莓派上运行的深度学习模型。通过Tensorflow2搭建深度学习框架，通过对模型参数不断调整，训练出正确率高且能快速运行的模型。通过对模型的不断改进，在保持模型正确率的同时，减小模型的大小。 目标检测模型也是一个侧重点，我们选择轻量级的深度学习模型，并使用Tensorflow2 Object D

1.基于Keras批量修改文件名以定义标签； 2.可根据自己的数据集图像特点调整参数，实现2分类或多分类任务的模型训练； 3.模型结构可自己更改； 4.输出训练loss和accuracy变化曲线。