分类

爱吃奶酪的松鼠丶

图像分类模型传统训练VS迁移学习训练相同的数据集，训练结果对比。传统的只有70%左右，迁移学习方式有95%的准确率。传统训练方式：训练模型：

a man of sadness

决策树算法基础：信息熵相关知识本文对信息熵等概念进行系统梳理，为后续学习决策树系列算法做好准备挖坑待填：ID3、C4.5、CART、随机森林、LightGBM

西西弗Sisyphus

YOLO 11 图像分类推理 Web 服务flyfish

SLAM算法分类对比ref: 激光与视觉 SLAM 的算法综述SLAM 算法旨在解决机器人在未知环境中运动时的定位与路标估计问题，获得机器人位姿和路标特征概率分布，通过机器人的运动模型和观测信息，利用统计手段逐步减少估计值与真实值的偏差，从而完成机器人在环境运动过程中的位姿和路标的估计，按求解的方式不同可以分为滤波和优化：

食品分类的代码复习（无半监督部分，无迁移学习部分）

小狗照亮每一天

【菜狗学聚类】序列嵌入表示、UMAP降维——20250930用于聚类和分类的序列嵌入 |by 奇塔·兰詹 |TDS 档案 |中等https://medium.com/data-science/sequence-embedding-for-clustering-and-classification-f816a66373fb

基于卷积神经网络的 CIFAR-10 图像分类实验报告本实验基于 PyTorch 深度学习框架，设计并实现了一款轻量级卷积神经网络（CNN），用于解决 CIFAR-10 数据集的 10 分类任务。实验通过数据标准化预处理、多轮迭代训练、GPU 加速计算等手段，完成了模型的构建、训练与测试。结果表明，经过 10 轮训练后，模型损失值从初始的 1.8 左右降至 0.8 以下，在测试集上对随机抽取的 4 个样本实现了 75% 以上的分类准确率，验证了轻量级 CNN 在小尺寸图像分类任务中的有效性。

深度学习之图像分类笔记图像分类是将不同图像划分到对应类别标签的任务，核心目标是实现最小分类误差，即让模型对图像类别的判断尽可能准确。

基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近借助深度学习方法，基于卷积神经网络的遥感影像自动地物识别取得了令人印象深刻的结果。深度卷积网络采用“端对端

基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近借助深度学习方法，基于卷积神经网络的遥感影像自动地物识别取得了令人印象深刻的结果。深度卷积网络采用“端对端

图像分类项目一、图像分类核心定义与三层境界图像分类的核心目标是将不同图像划分到对应类别标签，以实现最小分类误差，具体可分为三层境界，难度与精度要求逐层提升：

PyTorch 实战：CIFAR-10 图像分类与网络优化图像分类是计算机视觉领域的基础任务，CIFAR-10 数据集包含 10 类常见物体的图像，是入门图像分类的经典数据集。本文将使用 PyTorch 框架，从数据加载与预处理开始，构建卷积神经网络（CNN）进行 CIFAR-10 图像分类，并对网络进行优化，提升分类性能。

小杰深度学习（two）——全连接与链式求导全连接神经网络（Fully Connected Neural Network），中每个节点与下一层所有节点相连，通过调整节点连接关系处理信息，工程和学术界常简称其为 “神经网络”，如下图所示。

PyTorch 实现 CIFAR10 图像分类知识点总结上述内容覆盖了数据处理、模型构建、训练优化、评估验证全流程，体现了 PyTorch 实现图像分类任务的典型思路与关键技术。

使用 PyTorch 框架对 CIFAR - 10 数据集进行CNN分类

凳子（刘博浩）

使用 PyTorch 实现 CIFAR-10 图像分类：从数据加载到模型训练全流程CIFAR-10 是一个包含 10 个类别的彩色图像数据集，每个类别有 6000 张 32×32 像素的图像，共 60000 张图像，分为 50000 张训练集和 10000 张测试集。10 个类别分别是：飞机、汽车、鸟类、猫、鹿、狗、青蛙、马、船和卡车。

PyTorch 实现 CIFAR-10 图像分类：从基础 CNN 到全局平均池化的探索CIFAR-10 数据集包含 10 类、共 60000 张 32×32 的彩色图像，是计算机视觉领域入门图像分类任务的经典数据集。本文基于 PyTorch 框架，完整演示从数据预处理、CNN 模型构建、模型训练与优化到性能评估的全流程，并介绍 “全局平均池化” 对模型结构的优化思路。

基于PyTorch的CIFAR-10图像分类项目总结（2）1. 添加每个类别准确率计算在整体准确率计算后新增功能：初始化每个类别的正确预测计数器和总样本计数器遍历测试集统计每个类别的预测结果计算并打印10个类别的单独准确率修正了原代码中的语法错误

图像分类笔记定义：将不同的图像划分到不同的类别标签，目标是实现最小的分类误差。应用：广泛应用于多个领域，如安防监控（人脸识别）、医疗影像诊断（疾病识别）、自动驾驶（交通标志识别）等。

PyTorch 实现 CIFAR10 数据集的 CNN 分类实践基于CIFAR10 数据集，用 PyTorch 完成了一个卷积神经网络（CNN）图像分类的实践，这里把核心流程分享出来～