面对人工标注大量样本费时费力，一些稀有类别样本难于获取等问题，零样本图像分类成为计算机视觉领域的一个研究热点。

本篇文章了tensorflow训练自己的数据集实现CNN图像分类，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧

基于深度迁移学习的小样本图像分类matlab程序，网络模型基于AlexNet，文件包含了图像数据集，输出结果可靠。

光谱特征匹配分类方法 1. 二值编码匹配 一种简单的编码方法： 每个像元各波段对应的光谱值用1比特码长表示，像元光谱变为一个与波段数长度相同的编码序列。 编码完成后，可以采用最小距离算法来进行匹配识别。 特点：该法有助于提高图像光谱数据的分析、处理效率，但编码过程中会失去很多光谱信息，因此只适用于粗略的分类和识别。

讲述高光谱图像的分类方法，特征，判据、准则，算法等等

svdd算法单类检测器（以鸢尾花为例）。svdd算法作为单类别分类算法，在多个领域中发挥重要作用，该源码包含一个ipynb文件和一个鸢尾花数据集，ipynb文件里面包含了每一步操作的流程和一个简单的解释和结果展示，该实例较为简单，可供初步学习和使用，可替换自己的数据集进行测试。

基于深度学习的水果蔬菜分类pytorch实现，数据集采用360fruits

CIFAR-10 的图像分类工作 有些模板代码已经提供给你，但还需要实现更多的功能来完成这个项目,也提供答案

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题，提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理，采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矿矸石分割图像，选取煤矸石图像的HOG特征及灰度共生矩阵，分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别；分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络，进行基于卷积神经网络的煤矸石分类识别。研究结果表明，基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%，高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。

一个用于图像分类的一体化深度学习工具包，可以使用MXNet对预训练模型进行微调。