【Machine Learning】【Python】一、HoG + SVM 物体分类 ---- 《SVM物体分类和定位检测》-附件资源

PASCAL Visual Object Classes Challenge 2012年的图像数据集。PASCAL Visual Object Classes 是一个图像物体识别竞赛，用来从真实世界的图像中识别特定对象物体，共包括 4 大类 20 小类物体的识别。其类别信息如下。 Person: person Animal: bird, cat, cow, dog, horse, sheep Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor

肺炎x光图片分类数据集-提供tensorflow代码和教程，结合作者录制的b站视频，快速掌握不是梦。数据集详细信息请看https://blog.csdn.net/ECHOSON/article/details/117964438

花卉识别数据集98类-提供tensorflow代码和教程.，结合作者录制的b站视频，快速掌握不是梦。数据集详细信息请看https://blog.csdn.net/ECHOSON/article/details/117964438

DataAssitantV1.1物体分类工具

针对基于卷积神经网络（CNNs）的物体分类问题，文中旨在探索一种最佳的输入组合，使得分类效果达到最佳。本文首先介绍了相关的RGB-D数据集，然后在该数据集中提取部分图片组成训练、验证和测试集。然后对这些选取的图片进行预处理，包括去除RGB-D图片的背景，和补齐深度（D）图片的深度信息。利用深度信息图和转换到不同色彩空间下的图片预先训练多个CNNs。由于每一组彩色图和深度图的内容都是相同的，他们共享相似的特征，这些预先训练的网络可以互相取长补短，本文将这些CNNs的概率向量对应元素相加并再次归一化，用这个概率向量作为最终分类的依据。实验结果表明，在本文的CNNs结构下，RGB信息、D信息、RGB-D信息三者的组合能够达到最高的分类准确率95.0%，比起仅使用其中任何一种高出至少5%。对于其他的色彩空间，预先训练的网络无法收敛，侧面印证了基于图片的深度学习工作大多使用RGB色彩空间的合理性。

人类能够在图像中轻松的识别出众多的物体，尽管图像中的物体可能千变万化：不同的大小和尺寸，甚至被旋转。即使物体只有部分可见也能够被识别出来。物体识别仍然是计算机视觉中为能够很好解决的问题。

完全MATLAB代码，包涵大量注释，多个子程序方便其他算法的替换，基于DSIFT+BOW+SVM的物体分类算法，只要下载caltech101，压缩包里附带下载网址，不用其他配置，方便学习。