在这个项目中，我将对15个场景数据库（Bedroom、Coast、Forest、Highway、Industrial、InsideCity、Kitchen、LivingRoom、Mountain、Office、OpenCountry、Store、Street、Suburb、TallBuilding）进行训练和测试，借助HOG特征提取构建词袋模型，并利用集成学习分类器实现场景识别。
最邻近分类器：准确率（55.0%）
随机森林分类器：准确率（69.1%）
直方图梯度提升分类器：准确率（72.1%）
线性支持向量机分类器：准确率（72.7%）
Ours：准确率（74.2%）
2023-04-06 11:06:26
85.35MB
1
先决条件
正在安装
只需在config.py文件中设置数据集路径。
# -*- coding: utf-8 -*-
paths = dict(
ANNOTATIONS='/example/of/path/MIT67/Annotations/',
IMAGES='/example/of/path/MIT67/Images/'
)
跑步
$ python mit67.py
例子
2022-08-04 17:08:45
3KB
1
ESN神经网络。一种基于ESN神经网络的移动机器人场景识别方法：从构成场景的图像序列中，提取ORB特征点，再从提取到的ORB特征点中，matlab2021a测试。
2022-05-03 12:07:11
28KB
深度学习中的场景识别
在此项目中，我们使用CNN将图像分类为不同的场景。 该项目的目标包括构建使用PyTorch进行深度学习的基本管道，了解不同层，优化器背后的概念以及尝试使用不同的模型并观察性能。
项目设计归因：佐治亚理工学院，CS 6476（2020年秋季），Frank Dellaert
2022-04-01 10:24:13
2.32MB
1
基于matlab的深度学习的视觉场景识别，本实验选择经典的Corel图像库，基于注明的matconvnet工具箱进行深度学习实验，包括工具箱配置、训练集制作、模型设计、训练和识别验证等过程，可应用于视觉场景分类识别，仿真亲测可用，有很高的参考价值
2021-07-04 16:19:18
502B
1
这个 Matlab 代码可以将测试数据集分为 15 个不同的类别，即“卧室”、“海岸”、“森林”、“公路”、“工业”、“内部城市”、“厨房”、“客厅”、“山”、“办公室”、“OpenCountry”、“商店”、“街道”、“郊区”、“高层建筑”。 数据集可以从以下地址下载： http://www-cvr.ai.uiuc.edu/ponce_grp/data/scene_categories/scene_categories.zip 如果没有在下面发表评论，我会将其邮寄给您。 如何运行？ 1.将文件放在Matlab的路径下2. 确保测试图像放置在名为“testing”的文件夹中3. 只需运行 Classify_Scene.m 4. 结果将存储在“Results.txt”文件中建议和评论总是受欢迎的。
提前致谢，
马努BN
2021-06-28 19:43:02
461KB
1
matlab
sift特征提取代码
Scene-Recognition-with-Bag-of-Words（基于词袋模型的场景识别）
1
实验目的
使用了两种特征提取算法（Tiny
images
feature和Bag
of
sift）及两种分类算法（k-Nearest
Neighbor和SVM）进行场景识别。
Tiny
+
Nearest
Neighbor
Tiny
+
SVM
Bags
of
SIFT
+
Nearest
Neighbor
Bags
of
SIFT+SVM
2
代码结构与功能
主函数：project3.m
Tiny
images
feature
特征提取：get_tiny_images.m
Bag
of
SIFT特征提取：
build_vocabulary.m
实现词袋中标准词汇的选择
get_bags_of_sifts.m
实现词袋模型的构建
k-Nearest
Neighbor分类器：nearest_neighbor_classify.m
SVM分类器：svm_classify.m
获取图片路径：get_image_paths.m
将结果呈现成webpage形式
2021-06-27 20:54:39
82.35MB
1