此文件是稠密尺度不变特征提取（dense Sift），用于图像特征提取 , 大家注意是matlab版本的

网络 概述 使用 Theano 构建具有以下特征的卷积神经网络 输入的弹性失真和噪声 卷积层 带有 Dropout 的隐藏层，Maxnorm 正则化 各种输出层，如 Softmax、高斯混合等。 依赖关系 Python 3.0 西诺 pip 安装 git+git://github.com/Theano/Theano.git 示例用法 制作一个像 params/5numbers.prms 这样的文件来拥有一个定义你想要构建的 CNN 的字典。 使用 train.py 运行它 python3 train.py mnist params/mnist.prms 您自己的数据 使其适用于您自己的数据（称为galaxy数据）。 在数据目录（如mnist.py ）中创建一个模块，名为galaxy.py ，加载时将具有以下四个属性。 training_x, training_y, testing_x,

第一次上传的公开资源 涉及两篇可解释机器学习的论文—— 1不做事后解释 2ProtoPNet模型，实现模型级别的可解释，保证了精确度又实现了可解释的图像分类实验。具体的代码后续也会上传

综述：基于深度学习的遥感图像分类 Deep learning for remote sensing image classification: A survey

行业分类-物理装置-基于混合连通性深度卷积神经网络的图像分类方法及系统.zip

【图像分类】ConViT从入门到实战——使用ConViT实现植物幼苗的分类（pytorch）用到的源码

本文按照场景分类的大体框架对国内外场景分类发展的现状进行了描述.在对不同的场景分类方法进行详细描述的基础之上,将各种方法进行系统的分析、比较和总结,最后对场景分类的未来发展趋势作出了展望。对场景分类未来发展的挑战和发展趋势给出了明确的介绍，对于图像场景分类方向的研究有很大的帮助。

行业分类-物理装置-基于细粒度领域自适应的跨领域图像分类方法及系统.zip

行业分类-物理装置-基于随机深度残差网络的高光谱图像分类方法.zip

TensorFlow图像分类构建过程 https://xercis.blog.csdn.net/article/details/118942947