手写数字识别数据集MNIST

使用keras进行图像分类 算法识别 上个周末，我经历了一场思想狂潮。如果我有一个图像数据集，它非常非常小，我想自己捕获、并希望教会计算机能够识别或区分一些指定的类别，我应该怎么办呢？假设我有几千张图像，我想训练一个模型，能够从一个类别自动检测出另一个类别。但是，我只有这么少的数据，那我能不能够训练出一个深度神经网络来成功地对这些图进行像分类呢？经过研究，我发现，人们在计算机视觉领域中遇到的常见情况是：用很少的数据来训练深度神经网络。让我们面对这一现实：并非每个人都可以访问Google或Facebook这样的大数据，而且有些数据很难获得。但我也发现，这种问题的解决方案其实非常简单。今天，我将带领你们学习如何使用那些较小的图像数据集

图像分类是计算机视觉中的基本任务之一，深度学习的出现是的图像分类技术趋于完善。最近，自监督学习与预训练技术的发展使得图像分类技术出现新的变化，这篇论文概述了最新在实际情况中少标签小样本等情况下，关于自监督学习、半监督、无监督方法的综述，值得看！

里面包含着VGG16和VGG19的模型，是对CIFAR10进行一个图像分类的源码，全部可以运行，并且在这里面，如果不想运行那么久，也有一个模型可以直接加载即可，非常全面。包含了可视化，训练模型，测试模型，加载模型，保存模型一系列操作，不对CPU和GPU做限制，都可以直接运行，非常方便。最高的准确率达到了92.58%

MATLAB编成，使用了颜色直方图，颜色矩，小波等特征提取了垃圾图像的特征，而运用神经网络的方法对图像进行了分类，有漂亮额GUI界面

此内容包含高光谱遥感领域内 深度学习众多代码，包括1DCNN，2DCNN，3DCNN，等等各种神经网络模型代码，可以运行。欢迎大家相互学习！！！

erdas入门教程：图像预处理、图像增强、图像分类三个模块分别讲解

本资源是一个完整的课题项目，基于卷积神经网络的猜拳机器人设计。对机器学习，神经网络，tensorflow等人工智能技术以及机器人控制感兴趣的同学均可下载。本课题整理，总结耗费了我很大的心血，数据集采集也耗费我很大精力，所以收点积分费用，欢迎交流。本资料属于个人知识产权，请支持原创，不要传播，谢谢。

在10分钟内使用Flask作为Web应用程序部署Keras模型一个漂亮且可自定义的Web应用程序，以轻松地部署DL模型在10分钟内入门克隆此仓库安装要求运行脚本在10分钟内使用Flask作为Web应用程序部署Flaras模型作为Web App以及可定制的Web应用程序，以轻松地部署DL模型10分钟入门克隆此仓库安装要求运行脚本转到http：// localhost：5000完成！ 截图：新功能:fire:增强的，移动友好的UI支持图像拖放使用原始JavaScript，HTML和CSS。 删除jQuery和Bootstrap默认情况下切换到TensorFlow 2.0和tf.keras将Docker基本映像升级到Python

利用keras深度学习框架，生成交通标志分类模型h5，转换为tensorflow的深度学习框架pb，在OpenCV中利用dnn调用pb模型并判断交通标志分类