Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. 2016. Deep residual learning for image recognition. In CVPR. 770–778. 论文原文

车辆图像识别 概括 该项目的目标是根据斯坦福大学AI网站（ ）上预先配置的数据集，按品牌，型号和年份对汽车进行分类。 数据预先设置了所有图像的标签和边框。 将图像调整为边界框尺寸，并保存为原始图像。 通过使用TensorFlow的图像数据生成器将图像转换为像素数据矩阵，使用了卷积神经网络将看不见的验证图像分类为不同的汽车品牌。 从网站上找到的所有数据的总和来看，总共有16,185张图像，分为90/10的训练/测试比率。 像EfficientNet系列和InceptionV3这样的预先训练的模型，以前在'Imagenet'数据集上进行了训练，用于获得〜85％的最终精度。 结果 使用EfficientNetB1的模型格式，其中一部分图层保持在ImageNet数据集上学习的预训练权重，基于CNN模型看不到的图像，预测特定汽车的年份，品牌和模型的准确性达到〜85％。 。 以下是结果和模型的摘要：

An Image is worth 16x16 Words: Transformer for image recognition手写笔记

个人学习——论文翻译同时+阅读

使用步骤 1.安装labelme，使用 pip install labelme 命令即可。 2.在labelme环境下输入 labelme命令，打开labelme软件，对图片进行标记，具体方法就是用多边形将所有水体部分圈起来命名为water，并保存文件(json格式)。 3.将main.m文件内fname和imagename改为对应的json文件名和image文件名，之后使用matlab运行main.m文件，稍等片刻，即可看到训练过程，训练结束后可以看到ac率和预测后图像和原始图像的对比。 labelme的GitHub地址： 文件中包含两个测试样例，image1和image2，分别是单通道的遥感水体图像，分辨率为79317301和一个从网上下载的RGB水体图像，分辨率为500333.

resnet ppt refer to Deep Residual Learning for Image Recognition

Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习

Deep Residual Learning for Image Recognition原版及翻译及笔记， 博客参考：https://blog.csdn.net/m0_46384757/article/details/125054695 resnet代码参考：https://download.csdn.net/download/m0_46384757/85503785

机器翻译

图像-R用户的计算机视觉和图像识别算法 该存储库包含一组R软件包，这些软件包执行图像算法，而其他R软件包（如 ， 或目前不提供这些算法。 由于许可证不同，这些算法被放入不同的程序包中。 当前，以下R软件包可用： 包 功能性 执照 细节 image.CornerDetectionF9 FAST-9角落检测图像 BSD-2 image.CornerDetectionHarris 哈里斯角检测图像 BSD-2 image.LineSegmentDetector 图像的线段检测器（LSD） AGPL-3 image.ContourDetector 图像的无监督平滑轮廓线检测 AGPL-3