CNN图像情感分类 该项目使用在上找到的面部图像数据集KDEF来训练和测试卷积神经网络以预测人的情绪。 该项目使用Tensorflow，Keras和Python Pickle。

An_improvement_of_data_classification_Using_Random_Multimodel_Deep_Learning_(RMDL) Mojtaba Heidarysafa

Deep_Learning_for_Encrypted_Traffic_Classification_An_Overview Shahbaz Rezaei

Convolutional Neural Networks for Multivariate Time Series Classification using both Inter- & Intra- Channel Parallel Convolutions G. Devineau

DCASE 2020-任务3-4月 这是我们对DCASE2020任务3挑战的贡献。 （C）2020年AndrésPérez-López和RafaelIbañez-Usach。 如[1]中所述，该存储库保留了参数粒子过滤器（PAPAFIL）方法的实现。 该方法如何工作？ PAPAFIL基于四个主要构建块： 估计单源TF仓并计算其瞬时窄带DOA。 使用粒子跟踪系统将DOA转换为一致的事件轨迹和激活。 使用这些注释在空间和时间上对B格式输入信号进行过滤，从而产生单音事件估计。 使用基于GBM的单分类器将分类标签分配给每个事件估计。 下图描述了该体系结构，其中Omega和Ypsilon

ImageNet Classification with Deep Convolutional Neural Networks.pdf

基于马尔可夫随机场（MRF）的方法已广泛用于高空间分辨率（HSR）图像分类中。 但是，许多现有的基于MRF的方法更加注重像素级上下文，而较少关注超像素级上下文信息。 为了解决这个问题，本文提出了一种新颖的双层上下文MRF框架，称为BLC-MRF，用于HSR图像分类。 具体来说，将像素和超像素级别的依赖关系合并到建议的MRF模型中，以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中，首先执行像素级MRF模型，然后级联作为超像素级MRF的输入。 在超像素级别，分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后，进行了上下文MRF模型，并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的：首先，可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界，以提高分类性能；其次，该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明，在分类性能方面，该方法优于几种最新方法。

这是2020年IEEE上的论文，自己要用没找到翻译版本就翻译了一下，翻译不好。只是分享出来大家共同参考，有需要的请自取

在Android上的Deit变压器。 分类实例 跑 为Android准备模型 将模型放入资产文件夹 生成并运行应用 参考 DEIT变形金刚回购 Pytorch移动示例 教程火车mnist vit变压器 VIT变压器仓库

该数据集也称为PanNuke，包含半自动生成的核实例分割和分类图像，包含19种不同组织类型的详尽核标签。 Cancer Instance Segmentation and Classification 1_datasets.txt Cancer Instance Segmentation and Classification 1_datasets.zip