ResNet算法实现的图像分类，包含训练代码以及检测代码，数据集见 https://download.csdn.net/download/reset2021/89263991 下载后，可以修改train中的类别以及数据集地址训练其他数据集模型

基于深度学习的肺炎医学CT图像分类算法研究_吴云峰.caj

研究现状 图像表示 底层视觉特征表示 语义图像表示 词包模型表示 机器学习算法 多示例学习算法

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

医疗图像分类，深度学习图像分类算法，带前后端，一个完整的癌症识别项目，keras框架+flask vue

基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类算法研究 基于深度学习的肺炎医学CT图像分类

高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、军事目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。

很不错的最新介绍深度学习的文献，仅供大家参考，希望更多的深学爱好者上传分享，谢谢！

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

现有深度残差网络作为一种卷积神经网络的变种，由于其良好的表现，被应用于各个领域，深度残差网络虽然通过增加神经网络深度获得了较高的准确率，但是在相同深度情况下，仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法：（1）通过卷积网络进行映射实现维度填充；（2）构建基于SELU激活函数的残差模块（3）学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络，实验结果表明：所提出的网络模型在准确率上优于传统的深度残差网络.