yolov8权重文件：分类+检测的n、s、m、l、x五个权重文件

针对随机森林（RF,random forest）算法的投票原则无法区分强分类器与弱分类器差异的缺陷，提出一种加权投票改进方法，在此基础上，提出一种检测 Android 恶意软件的改进随机森林分类模型（IRFCM,improved random forest classification model）。IRFCM选取AndroidManifest.xml文件中的Permission信息和Intent信息作为特征属性并进行优化选择，然后应用该模型对最终生成的特征向量进行检测分类。Weka 环境下的实验结果表明IRFCM具有较好的分类精度和分类效率。

公路坑洞图像分类检测数据集，数据被分成测试集和训练集。训练集包含4026张图像，测试集包含1650张图像。 公路坑洞图像分类检测数据集，数据被分成测试集和训练集。训练集包含4026张图像，测试集包含1650张图像。

针对近年来市场上不同品种不同级别的鸡肉混杂、以次充好现象,提出一种可以快速、准确判别土鸡和肉鸡的新方法. 采用近红外光谱技术和聚类分析技术建立鸡肉分类判别模型,并讨论了不同预处理方法对模型预测结果的影响. 结果显示:近红外光谱技术结合聚类分析技术能够对鸡肉建立一种快速的分类判别模型,该预测判别模型能够快速准确地对土鸡和肉鸡进行判别,其中数据经过二阶导数+矢量归一化后的模型预测判别率达100%.

文献阅读（36）的原文，文章主要是机器学习和深度学习在糖网方面的应用。 文章核心：使用现有的方法进行糖网分类，没有进行模型的改进，使用前任训练好的权重作为预训练模型的初始权重，之后根据实际情况进行微调，找到较好的结果。

基于MATLAB开发环境瓷砖的智能分类检测

matlab的egde源代码mstar_deeplearning_project 该资源库是我的毕业项目，涉及使用深度学习方法在公共MSTAR上对雷达目标进行分类，检测和识别。 主要框架基于caffe和fast-rcnn，使用matlab接口进行了一些修改。 此外，最近还有一个关于我的毕业设计的文章，涉及FPGA上的网络加速。 先决条件 该项目应该在win7或更高版本上运行。 在运行项目之前，请检查您的PC是否支持Nvidia GPU计算以及6.1的计算功能（如GTX1080和cuda v8.0）以及某个更高版本的Matlab（如Matlab 2015b）。 此外，还需要python3.5，我建议您直接安装Anaconda3-4.2.0-Windows-x86_64.exe并将其添加到系统路径。 由于存储库是发行版本，因此不需要其他安装和编译。 您还可以通过编译和自行进行更改。 git clone :hunterlew/mstar_deeplearning_project.git 分类 工作的第一部分集中在标准MSTAR数据集上的10类雷达目标分类上。 为了避免过拟合，我使用随机裁剪完

mmdection图像分类检测相关包，可以离线安装，其他的资源请关注我的博客，并在相关连接下载，也可以在本文中给出的地址下载

win32图像分类检测程序,由《MobileNet-Caffe-master》中的模型改编而来，可以用于识别图像中一些物体动物名称等。

模型是训练好的模型，准确率达到98%可以识别Truck、SUV、SportsCar、Car、Bus、MicroBus、Jeep这个几个类别的汽车，配合Keras_rerinanet加载使用。