医学图像分类，分类问题主要文档及步骤说明（通用步骤）

卷积神经网络图像识别，matlab。包含了卷积神经网络matlab必备的代码部分，可直接运行，无需改变，

如何使用python搭建：基于CNN网络的图像识别和yolov3的目标检测系统。

Caltech-UCSD Birds 200 是一个鸟类图片数据集，包含 200 不同种鸟类，共计 11788 张图片。

遥感图像，高光谱数据分类。非常好的资源，能够进行入门学习和交流。十分nice！，欢迎下载学习交流！！！

The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。

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。

SAM卫星图像分类 该项目旨在说明SAM算法在卫星图像分类中的用途。 高光谱图像提供像素光谱，可获取有关表面的详细信息，以识别和区分光谱相似（但独特）的材料。 放置在遥感卫星上的高光谱图像传感器可捕获具有各种光谱带的高光谱图像。 进行了实验，以在高光谱图像上实现光谱角度映射器（SAM），以对表面上的像素进行分类。 还可以获得图像的假彩色合成，以便更好地可视化表面差异。 各个波段的高光谱图像彼此堆叠，以形成用于SAM实现的三维图像立方体。 SAM是一种监督分类算法，可基于光谱角的计算来识别图像中的各种类别。 在为每个像素建立的测试向量与为用户选择的每个参考类别建立的参考向量之间计算光谱角。 获得了将多个2D数据集读取并重组到一个紧凑的3D数据集多维数据集中的结果。 构建参考向量以执行SAM分类，并计算参考向量和像素向量之间的角度以与确定的阈值角度值进行比较。 然后应用颜色编码来区分已被SAM

使用HLS工具在FPGA上使用二进制权重和激活进行图像分类的CNN的培训和实现 这是博洛尼亚大学项目工作的资料库教授 在这项工作中，我首先学习了具有二进制权重和激活的二进制网络。 然后，我在MNIST数据集上训练了一个网络，使用小型网络（46万权重）实现了96％的准确性。 但是，该项目的核心是使用高级综合工具（Vivado HLS）在FPGA器件（Zynq）上实现二进制网络。 我实现了核心模块（卷积，密集，最大池，填充），优化资源，评估结果并讨论了时间和资源之间的取舍。 整个实现是流水线的，通过使用少于FPGA上可用资源的一半，就可以实现数千个图像/秒的吞吐量。 您可以在提供的幻灯片中找到其他信息。 参考 二进制网络参考文件：二进制 ：我已经从该项目改编了我的培训代码 有关在FPGA上实现BNN的论文： 作者 博洛尼亚大学-2018年5月

shanghai数据集用于行人密度识别、适用于MCNN人群密度估计