很有用的遥感图像分类 介绍的很详细 包含监督分类和非监督分类方法

遥感数字图像处理课程设计-遥感图像监督与非监督分类，主要对于烟台市地区，包含原始数据，处理数据，以及50页的课程设计报告详细讲述了分析以及操作。以下是节选：4.1.1 图像校正 地理空间数据云下载的0云量数据已经进行过了图像大气校正，辐射校正，几何校正，不需要进一步预处理。 4.1.2 波段合成 点击“Basic Tools”—“Layer Stacking”,这时就打开了波段合成窗口，然后点击“Import file”,打开波段输入窗口。我们从中可以选择输入波段。完成波段顺序调整后，就可以直接点击“OK”,这样就会生成一个新合成的波段图像（选取波段1，2，3，4，5，7）。4.1.3 图像裁剪 由于下载的图像太大，迭代计算过于缓慢，所以需要进行裁剪。 在file/save as中，进入文件选择面板，Spatial Subset打开右侧的裁剪区域，并进行编辑。 可手动选择裁剪区域，红框为裁剪区域 图4.3 裁剪范围和大小 4.1.4 裁剪图像统计基本统计量 点击菜单Basic Tools→Statistics→Compute Statistics，对图像进行统计选中统计项目：直方图、

Python基于CNN的图像分类系统源码.zip

The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。

SVM是用来解决分类问题的，如果解决两个变量的分类问题，可以理解成用一条直线把点给分开，完成分类

AI 开源工具 可解释AI特别是论文和代码。 wrt图像分类 2013年会议论文 标题 论文标题 源链接 代码 标签 CNN的可视化 深入的卷积网络：可视化图像分类模型和显着性图 Visualization gradient-based saliency maps 2016年会议论文 标题 论文标题 源链接 代码 标签 凸轮 class activation mapping 酸橙 trust a prediction 2017年会议论文 标题 论文标题 源链接 代码 标签 研究生院 Grad-CAM：深度网络通过基于梯度的本地化的视觉解释 Visualization gradient-based saliency maps 网络解剖 Visualization 2018年会议论文 标题 论文标题 源链接 代码 标签 战术视听 interpretability method 可

基于pytorch的垃圾分类，带训练模型和数据集的下载链接！ 多达200类别-垃圾分类！ 附带5种先进的图像分类网络！ 代码支持知识蒸馏，里面有详细的教程！ 代码里面还有50+种模型选择，支持对比实验，每个模型都支持Imagenet预训练权重，详细请看代码里面的Readme！！

ShuffleNet 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 shufflenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用于 R2019a 及更高版本。 用法示例： % 访问训练好的模型净= shufflenet（）; % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); ％使用shufflenet对图像进行分类标签 = 分类（净，我） % 显示图像和

LabelMe 12-50k 数据集是一个物体识别数据集，总共包含 50000 张 JPEG 格式的图片，其中 40000 张为训练数据，10000张为测试数据，图像均从 LabelMe 网站中提取得到。每张图像分辨率为 256x256 大小。其中 50% 的图片在中心位置有一个物体，该物体属于类别总数为12类中的一类。其余 50% 图片为随机选取的图片中的一块随机区域。

基于深度学习的肺炎医学CT图像分类算法研究_吴云峰.caj