tensorflow python cpu window 自己输入样本训练神经网络，测试，实现猫和狗两类动物的分类！！可用于学习！！样本资源少以及网络简单存在过拟合问题.

交通标志数据集，共有62类交通标志。其中训练集数据有4572张照片（每个类别大概七十个），测试数据集有2520张照片（每个类别大概40个）。数据包含两个子目录分别train与test 实战地址：https://blog.csdn.net/xiaosongshine

基于tensorflow的深度学习图像分类案例，适合初学！

首先利用PCA进行降维，并利用SVM对高光谱数据进行分类，数据采用印第安纳农场数据，训练样本比例可调，设计了一个GUI

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

可实现不同图像的相似性度量，可作为识别图像的一种依据

图像的特征Dense Sift提取，通过Bag of Words词袋模型进行描述，用BoW描述完图像之后，指的是将训练集以及测试集的图像都用BoW模型描述了，就可以用SVM训练分类模型进行分类了。在这里除了用SVM的RBF核，还自己定义了一种核： histogram intersection kernel，直方图正交核。很多论文说这个核好，并且实验结果很显然。能从理论上证明一下么？通过自定义核也可以了解怎么使用自定义核来用SVM进行分类

图像分类数据集：17个类别的花朵数据集，训练集800张，验证集和测试集260张

1. 搭建自己的简单二分类网络，使用pytorch训练和测试； 2. 将pytorch训练的pth模型转换成ONNX，并编码测试； 3. 含训练和测试数据，含训练ok的pth模型和ONNX模型，含完整python和C++实现； 4. 使用方法：首先运行“TrainTestConvertOnnx.py”执行“训练数据读入、模型训练、模型测试、导出onnx”，再运行“TestOnnx.cpp”测试onnx（需要配置OpenCV）；

一个可用的神经网络方法进行的 遥感图像分类，里面有数据，可以直接执行。