ResNet_classification。ResNet网络在pytorch框架下实现图像分类，拿走即用，包含批量化测试验证。该文件包含ResNet18、ResNet50、ResNet101等网络实现图像分类的代码及对训练好的模型进行单一测试和批量测试的代码。ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元。

深度学习+Alex图像分类数据集+猫狗分类： 一共有两类：猫、狗： 数量的话分别在12500张 关于模型训练详细教程可以看我的博客：https://editor.csdn.net/md?not_checkout=1&articleId=129293973

基于transformer网络的图像分类识别，包括训练、测试，亲测有效！！！

高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

CIFAR-100 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 100 个小类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，10个大类下的10个小类，类别之间的交集为空。

RSSCN7 Dataset 包含 2800 幅遥感图像，从谷歌地球收集的图像，这些图像来自于 7 个典型的场景类别 —— 草地、森林、农田、停车场、住宅区、工业区和河湖，其中每个类别包含 400 张图像，分别基于 4 个不同的尺度进行采样，1:700,1:1300,1:2600,1:5200，四个尺度各100张。该数据集中每张图像的像素大小为 400*400，场景图像的多样性导致其具有较大的挑战性，这些图像来源于不同季节和天气变化，并以不同的比例进行采样。

当前国内的林业保护工作，主要以人工进行为主。通过森林巡护监察人员对林区树木进行肉眼观察等传统的检查，来登记可疑病死木、枯死木。检查周期长且耗费人力物力。急需一种智能化的检测手段来降低这种人力物力的损耗。 同时，由于对树木的检查主要是以肉眼观察为主，有一些树木生长过程中的病症难以在初期得到很好地排查（例如维束管病症，患病树木往往只有部分枝条枯萎而其他枝条发育正常），为树木之后的健康生长埋下了隐患。需要智能化自动化程度高的病症检测方案来降低人工病症检测的失误率提高准确率。为林业健康发展保驾护航。 国内目前针对树叶枯竭量化的研究尚少，针对本课题的研究可以为推动相关工作的发展。 二、问题分析 2.1 原理介绍 机器学习模型是图像识别分类的主要研究方法之一，本文将其应用于树叶枯竭情况的量化研究。所使用方法主要包括图像预处理、RGB特征提取、决策树回归等。

基于深度学习的视网膜OCT图像分类方法.PDF，专利，深度学习，中国科学技术大学，基于深度学习的视网膜OCT图像分类方法.PDF

ConvNeXt算法实现pytorch框架下的图像分类，ConvNeXt是通过借鉴Swin Transformer的思想，然后在ImageNet-1K上进行训练和评估，最终得到ConvNeXt的核心结构的算法。

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