基于python inference 、ResNet实现的图像分类

EfficientNet_classification。EfficientNet在pytorch框架下实现图像分类，拿走即用。该文件包含python语言编写的model文件、my_dataset文件、predict文件、train文件、配置文件等。能够实现训练自己的数据集进行图像分类，以及对训练后的网络进行测试。EfficientNet利用NAS(Neural Architecture Search)搜索技术，将输入分辨率，网络的深度、宽度三者同时考虑，搭建更nice的网络结构。EfficientNet-B0的网络框架，总体看，分成了9个Stage：Stage1 是一个卷积核大小为3x3，步距为2的普通卷积层（包含BN和激活函数Swish）；Stage2～Stage8 是在重复堆叠 MBConv 结构；Stage9 是一个普通的1x1的卷积层(包含BN和激活函数Swish) + 一个平均池化层 + 一个全连接层组成

基于 Pytorchet GoogLeNet 的图像分类实战 完整代码 数据 可直接运行 CIFAR-10分类

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

Place365GoogLeNet 是在 Places365 数据集上训练的预训练模型，其底层网络架构与在 ImageNet 数据集上训练的 GoogLeNet 相同。 您可以使用网络阅读 句法净= googlenet net = googlenet('权重',权重) net = googlenet('Weights',weights) 返回在 ImageNet 或 Places365 数据集上训练的 GoogLeNet 网络。 如果权重等于“imagenet”，则网络具有在 ImageNet 数据集上训练的权重。 如果权重等于“places365”，则网络具有在 Places365 数据集上训练的权重。 从您的操作系统或 MATLAB 中打开 place365googlenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用

UCI Folio Leaf 是不同种类树叶的图片数据集，包含 32 中不同的树叶种类，每类 20 张左右的图像。

SVM图像分类论文：基于LatentSVM的人体目标检测与跟踪方法研究、基于LBP和SVM的工件图像特征识别研究、基于MATLAB的遥感图像SVM分类系统实现等

用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

基于 Pytorch MobileNetv1 的图像分类实战 完整代码+数据 计算机毕设 可直接运行

本次作业需要利用深度学习的方法对 10 类图片进行分类，图片类别及示例如图 1 所示。提供的数据包含 30000 张带类别标签的图片组成的训练集，和 5000 张无类别的测试集，需要用训练好的模型对测试集图片进行分类，并将结果生成 csv 文件上传提交。选用 python 编写网络架构，深度学习框架在 pytorch/tensorflow/caffe 中任选其一。