用jaffe数据集，只分了三类。hog用matlab现成的代码提的，svm调通的别人的C++程序。最后出来效果不怎么好，可能训练数据有点少。有需要的下载。平台vs2017

所谓支持向量机(support vector machine)，分为两部分，分别是“支持向量”和“机”。支持向量简单来说就是支持或支撑平面上把两类类别划分开来的超平面的向量点。这里的“机”便是一个算法。支持向量机便是一种分类方法，是一种最大间隔分类器。本程序根据支持向量机的算法步骤，进行了底层实现。

drcn matlab代码通过 CNN 架构和 TV-TV 最小化实现单图像超分辨率 介绍 复制论文中实验的Matlab代码： Marija Vella, João FC Mota BMVC 2019 该论文描述了任何超分辨率算法的后处理步骤，但这与基于 CNN 的算法特别相关。 给定低分辨率图像 b 和超分辨率算法的输出 w，后处理步骤通过求解 TV-TV 最小化来生成改进的高分辨率图像： 我们的实验表明，这个过程步骤系统地提高了重建图像的质量，如 PSNR 和 SSIM 所测量的那样，即使基本算法是最先进的，（例如， ， ， ）。 要求 （针对 R2019a 进行测试） 内容 有 2 个主要文件夹：和 . 该文件夹包含三个子文件夹： - 来自数据集、 和 的地面实况图像； 这些用于测试。 - 我们考虑过的超分辨率方法的输出图像（、 和 ）。 根据缩放因子将它们裁剪为适当的大小，以避免与地面实况图像错位。 - 包含两个带有示例图像的子文件夹，一个带有真实图像，另一个带有来自 SRCNN 的输出图像，放大系数为 2 倍。 该文件夹包含运行所有实验所需的代码。 脚本experiments

颜色分类leetcode CarL-CNN Car Logos CNN - 构建我自己的汽车标识分类神经网络 描述 CarL-CNN 接受了 20,778 张 50x50px RGB 图像的训练，这些图像描绘了 40 个不同汽车品牌的标识。 该数据集是从松散的网站上精心挑选的，包含各种配色方案（黑/白、RGB、CMYK、单色）、不同角度的图像、照片、绘图、草图，有时可能包含一些噪音（其他标识、背景等） .) 它通过归因于预测的品牌标签对给定图像进行分类： 模型指标 该模型得到以下分数： 精度：94.20% 召回率：94.03% F1分数：94.04% 准确度：94.03% 特征 Jupyter Notebook 文件包含用于展示、类别概率预测和新图像识别的方法定义。 此外，还对错误预测的案例进行了仔细检查，以分析哪些汽车品牌需要一些数据集丰富。 未来发展 我计划将它变成一个 Web 应用程序，并允许添加用户拥有的图像进行分类。 稍后，我打算使用sl4a，将其制作成Android应用程序并启用手机摄像头识别车标——真正的计算机视觉！ 链接 - 完整运行 CarL-CNN 所需的链接 （解

卷积神经网络用于句子分类2014年论文的解读ppt，通过开题介绍卷积的概念，以及论文完成的工作突破性意义，以及论文中的模型构建

使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

将svm用于分类 直接输入数据即可 里面含有数据归一化

prim matlab代码双支持向量机 MATLAB, CVX 这个项目是为清华大学凸优化课程的作业6创建的，由李丽博士主讲。 这个作业要求我们实现孪生 SVM 及其对偶问题。 在这个项目中，我们使用 CVX 来解决优化问题。 'twin_svm.m' 是 prim 问题的实现，而 'twin_svm_dual.m' 是它的对偶形式。 此外，'main.m' 提供了生成训练数据和测试数据的代码，对于二维数据，程序可以返回一些说明图。 您可以添加适当的断点来一一查看数字。

颜色分类leetcode 车辆探测器 该项目 我对这个项目的目标是： 通过删除重复图像（或接近重复）来清理图像数据集。 从标记的训练图像集中提取特征以构建包含以下内容的特征向量： 定向梯度(HOG) 特征的直方图。 颜色直方图特征。 空间颜色特征。 训练线性 SVM分类器以基于 识别汽车与非汽车。 使用 SVM 和滑动窗口技术搜索车辆。 估计检测到的车辆的边界框。 这个怎么运作 该车辆检测器使用带有非线性 SVM 的滑动窗口搜索来将图像中的不同窗口分类为是否包含汽车。 从那以后，我们随着时间的推移进行整合以消除误报分类。 然而，在讨论检测管道之前，我需要解释样本选择和训练过程。 样本选择 对于该项目，提供了超过 8000 张 64x64px 的车辆和非车辆类别的组合图像（下面进一步讨论）。 由于这些样本来自视频，因此由于视频的连续成名看起来非常相似，因此许多图像看起来几乎相同。 我没有使用这个数据集进行训练，这会导致人为地提高验证准确性或导致训练集的多样性降低，我删除了几乎重复的图像。 这是由clean_dataset.py完成的，它使用图像散列算法一次检查每个图像，并拒绝任何与先前观

∗∗∗ 点击查看 :吴恩达机器学习 —— 整套笔记+编程作业详解 ∗∗∗\color{#f00}{***\ 点击查看\ :吴恩达机器学习 \ —— \ 整套笔记+编程作业详解\ ***}∗∗∗ 点击查看 :吴恩达机器学习 —— 整套笔记+编程作业详解 ∗∗∗ 作业及代码：https://pan.baidu.com/s/1L-Tbo3flzKplAof3fFdD1w 密码:oin0 本次作业的理论部分：吴恩达机器学习（七）支持向量机 编程环境：Jupyter Notebook 1. 线性 SVM 任务 观察惩罚项系数 C 对决策边界的影响，数据集：data/ex6data1.mat 在理论部分，