图像相似度 使用Resnet50+KNN在数据集中查找相似图像以获取新图像。 为了解决curse of dimensionality使用PCA来降低特征的维数。 Resnet50（在imageNet上训练） 在没有toplayer的情况下从keras创建Resnet50，以获取卷积特征（2048维）作为输出，而不是图像分类概率。 为数据集的每个图像提取卷积特征（Feature_size：[number_images，2048]）。 KNN（不是分类问题） 将最近邻算法拟合到从数据集中提取的特征 提取测试图像（新）的卷积特征，并计算测试图像与数据集的每个图像之间的距离（image_Similarity）。 PCA 将PCA应用于提取的特征并减小尺寸。 使最近邻算法适合新功能

基于卷积神经网络 Resnet-50 的猫狗识别系统的设计与实现.pdf基于卷积神经网络 Resnet-50 的猫狗识别系统的设计与实现.pdf基于卷积神经网络 Resnet-50 的猫狗识别系统的设计与实现.pdf

数据集可用语在ImageNet上预训练的PyTorch模型，用于转移学习。如果将此数据集作为附加数据添加，则可以用作基础模型，可以使用转移学习针对特定任务对其进行微调。 ResNet-50 PyTorch Pretrained_datasets.txt ResNet-50 PyTorch Pretrained_datasets.zip

用于图像分类的 ResNet-50 模型架构及权重文件，使用 Caffe 进行预训练模型执行图像分类，可用于 OpenCV 图像分类计算机视觉项目，包含使用示例。

ResNet系列模型文件：ResNet_50_train_val.prototxt、ResNet_101_train_val.prototxt、ResNet_152_train_val.prototxt、ResNet_50_deploy.prototxt、ResNet_101_deploy.prototxt、ResNet_152_deploy.prototxt、solver.prototxt、ResNet-50-model.caffemodel

为了将可学习的参数从预先训练的2D ResNet-50（ImageNet）传输到3D，我们通过三维复制了2D滤镜（重复复制它们）。 这是可能的，因为视频或3D图像可以转换为图像切片序列。 在训练过程中，我们希望3D ResNet-50学习每个帧中的模式。 该模型具有4,800万个可学习的参数。 只需调用“ resnet50TL3Dfun（）”函数。

ResNet-50 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练，并在 2015 年赢得了 ImageNet 大规模视觉识别挑战 (ILSVRC) 比赛。 该模型在超过一百万张图像上进行了训练，有 177 层总共对应一个50层的残差网络，可以将图像分为1000个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 resnet50.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2017b及更高版本。 用法示例： % 访问训练好的模型净 = resnet50(); % 查看架构细节网络层% 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:

用ResNet-50对指定目录下的图片进行分类处理

ResNet-50 Pre-trained Model for Keras. ResNet-50 Keras的预训练模型。 imagenet_class_index.json resnet50_weights_tf_dim_ordering_tf_kernels.h5 resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5

ImageNet pre-trained ResNet-50的caffemodel 来源：https://github.com/KaimingHe/deep-residual-networks中提供的OneDrive链接