用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了

开重 作者： 彼得·门泽尔（Peter Menzel） 安德斯·克罗（Anders Krogh） Kaiju是一个程序，用于从宏基因组DNA的全基因组测序中对高通量测序读段（例如Illumina或Roche / 454）进行分类分类。 使用NCBI分类法和来自微生物和病毒基因组的蛋白质序列参考数据库，将读物直接分配给分类单元。 该程序在描述 （开放访问）。 Kaiju可以在本地安装（请参阅下文），也可以通过。 有关所有版本的请参见的发行说明。 执照 版权所有（c）2015-2021 Peter Menzel和Anders Krogh Kaiju是免费软件：您可以根据自由软件基金会发布的GNU通用公共许可的条款（许可的版本3）或（根据您的选择）任何更高版本来重新分发和/或修改它。 发行Kaiju的目的是希望它会有用，但不作任何担保； 甚至没有对适销性或特定用途适用性的暗示

Computer Vision Metrics provides an extensive survey and analysis of over 100 current and historical feature description and machine vision methods, with a detailed taxonomy for local, regional and global features. This book provides necessary background to develop intuition about why interest point detectors and feature descriptors actually work, how they are designed, with observations about tuning the methods for achieving robustness and invariance targets for specific applications. The survey is broader than it is deep, with over 540 references provided to dig deeper. The taxonomy includes search methods, spectra components, descriptor representation, shape, distance functions, accuracy, efficiency, robustness and invariance attributes, and more. Rather than providing ‘how-to’ source code examples and shortcuts, this book provides a counterpoint discussion to the many fine opencv community source code resources available for hands-on practitioners.

Shallow and Deep Networks Intrusion Detection System: A Taxonomy and Survey Elike Hodo

Relatedness between vocabularies on the Web of data: A taxonomy and an empirical study