基于实现小样本数据集下手势识别的目的，采用了深度卷积神经网络GoogLeNet模型以及PNN神经网络进行分类，同时结合了迁移学习的方法将深度学习模型进行迁移而构建所用模型。用公共数据集Keck Gesture进行实验，通过对数据集图像进行简单的图像预处理，使得图像特征更为明显，将预处理后的图像作为网络输入进行手势识别实验。经实验验证，该方法在该数据上平均准确率达到了99%以上，而且识别速度较快，达到了10帧/s，基本能满足实时性要求。

飞桨端到端预训练模型与迁移学习工具PaddleHub 大纲 1.PaddleHub整体介绍 2.模型即软件 3.PaddleHub迁移学习 4.Hub Serving

基于深度实现自己模型的优化和压缩达到项目符合应用场景的工具手册

迁移学习详细教程，比较新的资料，值得细细阅读的资料。

将迁移学习和GAN生成对抗网络结合的一篇论述。

如有问题欢迎大家指教。

自用收集的基于ResNet50的Faster RCNN目标检测网络框架，附带可迁移学习的预训练权重用于自学备用，感谢Bubbliiing

迁移学习（Transfer Learning）是一种机器学习方法，是把一个领域（即源领域）的知识，迁移到另外一个领域（即目标领域），使得目标领域能够取得更好的学习效果。

【Inception-v3模型】迁移学习 实战训练 花朵种类识别-附件资源

已有基于深度学习的机载激光雷达点云分类方法存在训练时间长、对样本数据需求量较大等问题,无法广泛应用于不同情况下的复杂场景。针对该问题,提出了一种基于迁移学习的小样本机载激光雷达点云分类方法。该方法首先对机载激光雷达点云进行光谱信息的补充,通过提取点云数据的归一化高度、强度值和植被指数特征构建三通道点云特征图;通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并基于迁移学习方法进行多尺度、多投影的深层特征提取。针对上述提取的深层次特征,利用池化操作提取全局特征,并采用卷积神经网络进行初步分类,然后利用图割全局优化策略实现机载激光雷达点云的高精度分类。采用国际摄影测量与遥感协会提供的标准测试数据集对所提方法进行验证。与该协会网站上已公布的分类结果以及同样采用迁移学习方法的分类结果相比,所提方法在仅使用训练集中约0.6%的数据作为训练样本的情况下,总体分类精度可以达到94.9%,分类精度最高。