图像分类

[AAAI Oral] 简单通用的公平分类方法文章首发于我的博客：https://mwhls.top/5032.html

深度学习——基于卷积神经网络实现食物图像分类【3】（保存最优模型）本文将详细介绍如何使用PyTorch框架构建一个完整的食物图像分类系统，包含数据预处理、模型构建、训练优化以及模型保存等关键环节。与上一篇博客介绍的版本相比，本版本增加了模型保存与加载功能，并优化了测试评估流程。

【读点论文】A Survey on Open-Set Image Recognition归纳式方法（Inductive Methods），无需测试集参与训练，是 OSR 的主流方案，分为三类：

量子计算+AI：特征选择与神经网络优化创新应用在由玻色量子协办的第二届APMCM“五岳杯”量子计算挑战赛中，来自北京理工大学的Q-Masterminds团队摘取了银奖。该团队由北京理工大学张玉利教授指导，依托玻色量子550计算量子比特的相干光量子计算机，将量子计算技术集成到特征选择和神经网络剪枝中，在提升人工智能领域的两大经典问题：特征选择和图像分类的模型性能和效率上体现了巨大的潜力，为解决复杂人工智能问题提供了新的方向。

《Python星球日记》第54天：卷积神经网络进阶名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

基于Python深度学习的鲨鱼识别分类系统摘要：鲨鱼是海洋环境健康的指标，但受到过度捕捞和数据缺乏的挑战。传统的观察方法成本高昂且难以收集数据，特别是对于具有较大活动范围的物种。论文讨论了如何利用基于媒体的远程监测方法，结合机器学习和自动化技术，来填补鲨鱼种群评估中的信息空白。提出了一个包含53,345张鲨鱼图片的数据库，覆盖了219种鲨鱼，并开发了一个名为“Shark Detector”的软件包，利用PyQt5设计了简约的系统UI界面，使用迁移学习和卷积神经网络（CNN）来自动识别和快速分类鲨鱼种类。

从零开始：基于 PyTorch 的图像分类模型摘要：本文详细记录了使用 PyTorch 从零搭建一个图像分类模型的过程，涵盖卷积神经网络（CNN）、数据预处理、模型设计、训练调试与优化。通过对 CIFAR-10 数据集的处理实践，结合经典文献和 2025 年最新研究趋势，深入探讨了技术细节，并辅以完整实践源码的过程和结论。我选择用 PyTorch 搭建图像分类模型，既源于对深度学习的兴趣，也因为它在 2025 年的技术社区中热度不减。通过这次实践，我希望掌握 CNN 的核心原理，同时记录过程，为其他初学者提供参考。

计算机视觉——深入理解卷积神经网络与使用卷积神经网络创建图像分类算法卷积神经网络（Convolutional Neural Networks，简称 CNNs）是一种深度学习架构，专门用于处理具有网格结构的数据，如图像、视频等。它们在计算机视觉领域取得了巨大成功，成为图像分类、目标检测、图像分割等任务的核心技术。 CNNs 的核心思想是利用卷积操作（convolution）来提取数据中的局部特征，并通过层次化的结构逐步学习更复杂的模式。

【Image Captioning】DynReferDynRefer是由中国科学院大学于2024年提出的用于1种用于区域级多模态任务的模型。DynRefer 通过模拟人类视觉认知过程，显著提升了区域级多模态识别能力。通过引入人眼的动态分辨率机制，能够以同时完成区域识别、区域属性检测和区域字幕生成任务。

python实战（十五）——中文手写体数字图像CNN分类本次python实战，我们使用来自Kaggle的数据集《Chinese MNIST》进行CNN分类建模，不同于经典的MNIST数据集，我们这次使用的数据集是汉字手写体数字。除了常规的汉字“零”到“九”之外还多了“十”、“百”、“千”、“万”、“亿”，共15种汉字数字。

ML.NET 图像分类参考文档：https://www.cnblogs.com/mq0036/p/18302572

使用MFC编写一个paddleclas预测软件目录写作目的环境准备下载编译环境解压预编译库准备训练文件模型文件图像文件路径整理准备预测代码创建预测应用

Py办公羊大侠

【SH】微信小程序调用EasyDL零门槛AI开发平台的图像分类研发笔记这是ES6引入的特性，允许你通过反引号（`）创建模板字符串，并在其中嵌入变量或表达式。通过加号（+）将多个字符串和变量拼接在一起。

数据集_深度学习

101种美食-图像分类数据集总共有 100 种不同的食品。所有子文件夹中的图片总数量为 101000 张。本研究利用深度学习技术对一个包含101种美食类别的图像数据集进行分类任务研究。数据集中每类图像数量均为1000张，数据总量为101,000张。通过对数据集的预处理、模型选择与优化以及性能评估，研究展示了如何应用现代深度学习模型（如卷积神经网络）对复杂的图像分类任务进行建模。实验结果显示，合理的数据增强、优化算法以及模型架构能够显著提升分类精度，为美食推荐系统、健康饮食建议等实际应用提供了技术支持。

Python 【图像分类】之 PyTorch 进行猫狗分类功能的实现(Swanlab训练可视化/ Gradio 实现猫狗分类 Demo)目录Python 【图像分类】之 PyTorch 进行猫狗分类功能的实现(Swanlab训练可视化/ Gradio 实现猫狗分类 Demo)

学不会lostfound

三、计算机视觉_02计算机视觉领域的四大基本任务计算机视觉是人工智能领域的一个重要分支，它是一个跨学科的领域，涉及计算机科学、人工智能、机器学习、图像处理、神经科学等多个学科的知识

你的陈某某

Atlas800昇腾服务器（型号：3000）—SwinTransformer等NPU推理【图像分类】（九）CPU/NPU：鲲鹏 CPU（ARM64）+A300I pro推理卡系统：Kylin V10 SP1【下载链接】【安装链接】驱动与固件版本版本： Ascend-hdk-310p-npu-driver_23.0.1_linux-aarch64.run【下载链接】 Ascend-hdk-310p-npu-firmware_7.1.0.4.220.run【下载链接】 MCU版本：Ascend-hdk-310p-mcu_23.2.3【下载链接】 CANN开发套件：版本7.0.1【Toolkit下载链接】【Ke

【FP60】林业害虫数据集——目标检测、图像分类根据中国江苏省林业有害生物分布情况，筛选出 **15 **个科 60 种，见表，常见且易于获取的林业害虫。主要从互联网上收集林业害虫图像。在收集过程中，以每种林业有害生物的拉丁文学名作为查询关键词，然后在常见的图片搜索引擎中搜索，包括 Google、Bing 和百度。手动筛选搜索结果以过滤低质量图像。我们总共有 7253 张高质量的林业害虫图像，大小从 93×140 到 6016×4106 不等。

计算机视觉四大任务模型汇总计算机视觉中有四大核心任务：1-分类任务、2-目标检测任务、3-目标分割任务和 4-关键点检测任务文章1：

【保姆级教程】使用 PyTorch 自定义卷积神经网络（CNN）实现图像分类、训练验证、预测全流程【附数据集与源码】《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 👍感谢小伙伴们点赞、关注！