云计算平台下遥感图像分类算法的并行化技术研究.pdf

[Docin]云环境下图像分类标注系统训练集数据的分析与提取.pdf

相对属性 用于图像分类和零镜头学习的视觉相对属性的Python实现 描述 此实现引用论文“ Relative Attributes, D. Parikh and K. Grauman, International Conference on Computer Vision (ICCV), 2011 。 作者给出的原始代码在matlab中。 此仓库包含用于从头开始使用牛顿优化来学习相对排名功能的python代码。 使用高斯混合模型的零射击学习也是在python中实现的。 实施细节 包含使用牛顿方法的rank svm的实现。 和 分别是用于零击学习的训练和测试文件。 此实现中使用了来自'PubFig'数据集的预提取要点特征。 要训​​练新的数据集， 模块和 可用于提取要点特征。 读取学习的排名功能，预处理的数据等，并将其保存在 目录。

如果手动执行图像分类，则是一个复杂且耗时的过程，随着不同图像分类方法的实施，该过程可以自动化以获得高度准确的结果。 这篇综述文章提供了对各种图像分类方法的理解，重点是分类方法的概述和用于提高分类精度的技术。 此外，比较了各种分类方法，性能，优点和局限性。 这篇文献综述描述了不同类型的有监督，无监督和半监督分类方法，例如卷积神经网络，转移学习，支持向量机，k最近邻和随机森林算法。

卷积神经网络在高光谱图像分类中的应用综述.pdf

针对K-SVD 算法学习得到的字典结构性不强的问题,利用图像的非局部自相似性,提出了基于稀疏表示的图像分类字典学习方法(NLC-DL).该方法利用K-means对图像块进行聚类并对每个子类进行字典学习,增强字典的有效性.根据正交匹配追踪算法(OMP)求得稀疏系数,迭代优化字典,最终利用优化后字典和稀疏系数矩阵重构图像.实验结果表明:生成的学习字典对训练样本的表达误差更小,能够有效地保持图像的结构信息,重构后的图像在峰值信噪比和视觉效果方面均优于传统方法.

利用卷积神经网络训练图像数据分为以下几个步骤 1.读取图片文件 2.产生用于训练的批次 3.定义训练的模型（包括初始化参数，卷积、池化层等参数、网络） 4.训练 1 读取图片文件 def get_files(filename): class_train = [] label_train = [] for train_class in os.listdir(filename): for pic in os.listdir(filename+train_class): class_train.append(filename+train_class+'/'+pic) la

基于keras，后端为theano的卷积神经网络分类，代码是二分类，主要对猫狗进行识别分类

Caltech-256 是一个图像物体识别数据集，包含 30608 张图片，256个物体类别，每类图片最少80张，最多827张。

鸢尾花(iris)数据集 csv+txt两个版本。Iris 鸢尾花数据集是一个经典数据集，在统计学习和机器学习领域都经常被用作示例。数据集内包含 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour, iris-virginica）中的哪一品种。