搜索资源列表
label_image
- 基于TensorFlow框架，实现对图片分类(Achieve classification of pictures)
re
- 可用于 caffe环境，适于初学者,包括了五个类别，每个类别100张图片 ，有公交 恐龙 鲜花 马 大象。(it can be used in caffe environment. suitable for new learner)
图片的分类处理
- The program can be used to classify photos into two parts
PyConvNet-master
- python实现卷积网络，实现简单的图片分类的功能(Implementation of coiler network with Python)
Sig_fig
- 分类两组图片,利用了 PIL 和 Tensorflow 进行训练(classify two kinds of photograph)
Classification
- 一个C++程序能够实现对车辆图片的分类代码(To achieve the classification of vehicle picture code)
knn
- 人工智能导论课作业，水杯图片的分类，knn方法实现(Homework of AI. classify images of cups and bottles. Using knn)
svm
- 人工智能导论作业，用SVM方法实现的水杯图片分类，并生成loss的下降趋势图(Homework of AI. Using SVM to classify images of cups and bottles.)
softmax
- 人工智能导论作业，用softmax方法实现的水杯图片分类，可扩展到其他分类任务(Homework of AI. Classify images of cups using softmax. Can be used in other tasks.)
svmtrain
- 基于支持向量机的对指定多个包含特征的训练集图片，包含label信息。训练后，可对于相同格式的图片进行分类。(A training set image containing multiple features is included in the support vector machine (SVM), which contains label information. After training, the pictures in the same format can be classifi
classification
- 实现两类图片分类，针对的是X光图片进行分类。(image classification)
mnist实验
- 包含训练用的图片数据包，python源代码，mnist实验，深度学习，进行图片分类(mnist experiment.python code.deep learning.picture classification,etc.)
ts_to_im_separate
- 数据分类处理，指定的数据类型，速度比较快，将数据转换为图片(ts data classification)
风景与建筑图片的分类——支持向量机的方法
- 风景与建筑图片的分类——支持向量机的方法(Classification of landscape and architectural pictures -- Method of support vector machine)
matlab实现LeNet
- 卷积神经网络LeNet代码，可实现图片分类(Convolution neural network code)
人脸检测OPENCV
- 使用VS2013编写+OPENCV2.49，能够读取图片并识别人脸，采用 分类器制作，调试通过，也可以改为摄像头
cifar10_tutorial
- 非常适合入门的一个深度学习图片分类例程！(Very suitable for beginners to learn a deep picture classification routines!)
SVM做图片处理
- 使用SVM算法对CIFAR-10图片数据集进行分类，包括模型的训练，测试和参数的调优(Using SVM algorithm to classify CIFAR-10 image data sets, including model training, testing and parameter tuning)
CNN
- 通过卷积网络，自动实现对图片特征的提取，通过训练，得到有效的权值，进行图像分类(Through convolution network, automatic extraction of image features can be realized. Through training, effective weights can be obtained and image classification can be carried out.)
symbol_resnet
- RACNN注意力机制，细腻度图片分类。 RA-CNN由上到下用了3个尺度并且越来越精细，尺度间构成循环，即上层的输出作为当层的输入。RA-CNN主要包含两部分：每一个尺度上的卷积网络和相邻尺度间的注意力提取网络(APN, Attention Proposal Network)。在每一个尺度中，使用了堆叠的卷积层等，最后接上全连接层于softmax层，输出每一个类别的概率；这个是很好理解的，代码采用的网络结构是VGG的网络结构。(RACNN attention mechanism)