旷视科技南京研究院负责人魏秀参，细粒度级别图像分析领域的现状与展望。 细粒度图像分类综述性PPT，对于研究图像分类会有很大帮助。

给出了一种散射模型与Wishart分类相结合的极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像非监督分类方法。首先利用去取向三分量散射模型进行粗分类,将像素划分为三种基本散射类型和混合散射类型;然后,在基本散射类型内根据占优散射机制的功率进行细分类,并根据Wishart距离对细分类的结果进行类别合并,合并到指定的类别数;最后对四种散射类型的像素分别重新进行Wishart迭代,从而实现极化SAR数据的非监督分类。利用美国AIRSAR机载系统采集的实测数据进行实验,并且同已有分类方法进行比较,结果表明本文方法改善了分类效果,且降低了体散射过估计。

图像分类 使用带有Tensorflow后端的Keras进行图像分类 概述 一个简单的图像识别工具，可对图像是狗还是猫进行分类。 图书馆 keras'pip install keras'

细粒度的自我监督学习 此存储库具有与用于细粒度图像分类的自我监督学习相关的代码。 我使用了木薯植物病数据集

可解释图像分类方法+不事后解释 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

SAR已成为漏油监测的重要手段之一。 但是，溢油和相似点的特征是SAR图像上有黑点。 它们具有相似或相同的反向散射系数和灰度值，很容易产生混淆。 针对此问题，本文提出了一种深度学习模型-深度信念网络（DBN），该模型使用DBN来区分漏油，相似物和水。 在实验中，从三个SAR溢油图像中收集了900张图像，以形成一个小的样本空间数据集。 提取了诸如Tamura和灰度梯度共生矩阵之类的两种纹理特征，并选择了具有良好区分特征的特征向量作为模型的输入数据。 最后，将分类结果与传统的机器学习方法（BP，SVM）进行比较。 实验结果表明，本文提出的DBN模型在分类精度上优于这些分类器。

PASCAL Visual Object Classes Challenge 2012年的图像数据集。PASCAL Visual Object Classes 是一个图像物体识别竞赛，用来从真实世界的图像中识别特定对象物体，共包括 4 大类 20 小类物体的识别。其类别信息如下。 Person: person Animal: bird, cat, cow, dog, horse, sheep Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor

用于图像分类的卷积神经网络。 随意使用它，尽管复制我的作品对您的学习无济于事。 培训和测试图像不是我要分发的，因此已被排除在外，尽管出于复制目的，可以用您自己的图像替换。 特别感谢惠灵顿维多利亚大学的彭一鸣和薛冰提供了最初的模板。

服装图像分类问题数据集csv

多类图像分类数据集FashionMNIST