[实战]200类鸟类细粒度分类识别
我又来了！！！！
一、图像分类
这次进行实战项目，鸟类细粒度分类识别实战。再讲细粒度分类之前，让我们先回顾一下图像分类吧。
图像分类是计算机视觉的最基础的一个任务，从最开始的入门级的mnist手写数字识别、猫狗图像二分类到后来的imagenet任务。图像分类模型随着数据集的增长，一步步提升到了今天的水平。计算机的图像分类水准已经超过了人类。
在这里我把图像分类任务分为了两种，一种是单标签的图像分类任务，一种是多标签的图像分类任务。
多标签的图像分类任务，更加符合人们的认知习惯。因为现实生活中的图片往往会包含多个类别物体。
而在单标签的图像分类任务中又可以
2021-08-20 11:21:32
1.16MB
1
细粒度情感分类
此仓库显示了对各种NLP方法的比较和讨论，这些方法可以在（SST-5）数据集上执行5级情感分类。 目标是使用多个基于规则，基于线性和神经网络的分类器来预测此数据集上的类，并查看它们之间的区别。
当前已实现以下分类器：
TextBlob ：基于规则，使用库中的内部polarity度量。
Vader ：基于规则，使用库中的compound极性分数。
Logistic回归：在将词汇表转换为特征向量并考虑使用TF-IDF的词频影响后，在scikit-learn中训练简单的logistic回归模型。
SVM ：在将词汇表转换为特征向量并使用TF-IDF考虑词频的影响后，在sci
2021-08-19 22:24:07
1.55MB
1
双线性神经网络
林崇宇，Aruni RoyChowdhury，Subhransu Maji提出的的双线性CNN的pytorch实现。 整个模型的框架如下图所示：
在此实现中，基础网络使用resnet34结构
依存关系
python> = 3.5 火炬> = 0.4 另外，请将项目文件夹添加到PYTHONPATH并pip install以下软件包：
tqdm
数据
下载图片和注释。 将它们提取到data/raw/
训练
根据本文的要求，该模型的训练分为以下两个步骤：
预训练模型的参数是固定的，只训练最后一个完整的连接层。 运行以下代码。 python bilinear_ResNet_linear_layer.py 在此步骤中，需要计算图像数据的平均值和方差，以进行图像预处理
模型中的所有参数都经过训练。 运行以下代码。 python bilinear_ResNet_fine_tunin
2021-08-16 10:58:19
117KB
1
行业分类-物理装置-一种细粒度识别方法、终端设备及计算机可读存储介质.zip
2021-08-08 21:07:32
349KB
Attribute-Aware Attention Model ：用于细粒度表示学习的属性感知注意模型
2021-07-29 10:41:58
672KB
1
行业分类-物理装置-基于细粒度领域自适应的跨领域图像分类方法及系统.zip
2021-07-25 09:02:25
991KB