遥感图像分类算法集成学习

有效地进行图像的分类，该代码可以对图像的光谱特征和纹理特征进行提取 有效地进行图像的分类，该代码可以对图像的光谱特征和纹理特征进行提取

labelme的exe版本，在win10下测试可用。主要用于以下方面： 对图像进行多边形，矩形，圆形，多段线，线段，点形式的标注（可用于目标检测，图像分割，等任务） 对图像进行进行 flag 形式的标注（可用于图像分类 和 清理 任务） 视频标注 生成 VOC 格式的数据集 生成 COCO 格式的数据集

本项目的所有代码均已在Python3.6及Pycharm平台调试通过，除了代码外，还提供《卷积神经网络(CNN)详解与代码实现》文档和《Notes on Convolutional Neural Networks》文档，其中：《卷积神经网络(CNN)详解与代码实现》主要从卷积神经网络结构、代码实现流程图以及介绍、代码实现、注意事项、运行结果以及分析、Softmax函数详解与推导、BP算法、CNN的反向求导等方面重点描述，十分详细；代码也增加不少的注释，有助于大家了解；《Notes on Convolutional Neural Networks》是麻省理工Jake Bouvrie写的非常详细。

该资源包括易康9.0（ eCognition Developer）的文件及安装说明（含安装包下载链接、安装步骤），适用于图像自动分割、矢量化、分类

针对医学图像具有较大的相似性和交叉性，易造成归属类别混乱的问题，提出了一种基于粒子群算法的医学图像分类方法。该方法使用形态学滤波和阈值法进行预处理；使用SIFT特征描述子来提取图像的局部特征，并使用聚类的方法得到SIFT特征的“视觉词汇”；使用粒子群算法选出一些列多样性和精度更高的SVM、KNN和AdaBoost分类器对特征进行分类。对15种不同类型的医学图像进行分类的结果表明，所提出的方法取得了94.72%的分类精度，且相比于单个分类器的方法具有较大的性能提升。

文档中描述的是在eCognition软件中，如何基于 TM 影像数据采用最近邻域的方法对遥感影像进行分类。

食品神经网络 概述 餐盘图像分类器 数据 数据集由 档名 用于模型定义 用于模型和训练超参数 用于模型预处理和训练 结果

基于SVM的图像多分类 利用SVM基于距离最大度量来对图像进行分类

包含bvlc_googlenet.caffemodel、bvlc_googlenet.prototxt、synset_words.txt文件 和GoogleNet-Caffe模型实现图像分类源码、图片素材。 具体实现效果见CSDN博客“DNN系列2_GoogleNet-Caffe模型实现图像分类”