搜索资源列表
didigtal-image
- 基于GMM的概率神经网络PNN具有良好的泛化能力，快速的学习能力，易于在线更新,并具有统计学的贝叶斯估计理论基础，已成为一种解决像说话人识别、文字识别、医疗图像识别、卫星云图识别等许多实际困难分类问题的很有效的工具。而且PNN不但具有GMM的大部分优点，还具有许多GMM没有的优点，如强鲁棒性，需要更 -image processing
imageindex
- 基于内容的图像检索中的一些关键环节：特征提取：颜色直方图；纹理特征等 相似度：马氏距离，欧氏距离等 相关反馈：机器学习方法，如SVM，神经网络等 检索与分类：两个很相似的样本距离很小，虽然两个不相似的样本距离未必很大 -image index based on texture
BP
- 利用bp神经网络对遥感图像进行分类，输入样本值后，根据样本值对遥感图像不同的地物进行分类，分类后计算每种地物所占面积-The use of bp neural network classification of remote sensing images, enter a sample value, based on the sample value of the different features of remote sensing image classification, classif
newSVM
- 这是一篇改进的基于SVM多分类算法的文章，文章详细介绍了算法原理及应用，对图像图形处理专业人员的重要参考价值！-This is an improved multi-classification algorithm based on SVM article, the article describes in detail the algorithm theory and application of important reference value on the image and graphi
feature_context
- 王兴刚和白翔合作发表的CVPR2011的文章， Feature Context for Object Detection and Image Classification，可以用于物体检测和图像的分类，用到了特征上下文，Feature Context-PROCEEDINGS and white Xiang cooperation the published CVPR2011 article Feature Context for Object Detection and Image Classi
pattern1_a
- . PCA人脸识别 A．闭集测试。用每个人的前5张图像作为训练，剩下的5张图像作为测试。也就是说总共有200张训练图像和200张测试图像。采用最近邻分类，分析选取不同的主分量个数K，对识别率的影响 -. PCA Face Recognition A. Closed set tests. With each of the first five images for training, the remaining 5 images as a test. That is a total of
SVM-matlab
- svm的各种经典的程序，用于对数据、图像进行分类，回归。其中，既包含分两类的程序，也包括分多类的程序，以及svm改进算法的程序。-svm various classic procedures for data, image classification, regression. Which contains both the two types of procedures, including many types of procedures and svm algorithm procedur
cbir
- 基于内容的图像检索程序，matlab代码，SVM分类实现，检索效果好，对于研究基于内容检索的学习者用处很大-Content-based image retrieval procedures, matlab code, SVM classification to achieve good retrieval effect, for content-based retrieval research has proved very useful to learn
Pattern-Recognition-and-SVM
- 对四分类图像，使用两个提取特征值向量的方法来提取特征，然后使用SVM进行分类识别，里边包含了LIBSVM进行识别时各个参数的变化时的对结果的影响。里面包含完整源代码，在word里。是我的数字图像作业。-Four categories of images, using two feature extraction methods to extract the value of feature vectors, and then use SVM classification and recognit
FaceRecognitionBased-OnDeepLearning
- 本文运用深度神经网络的方法克服姿态变量和图像分辨率的影响,提出了一种多姿态的人脸超分辨识别算法并在实验数据集上获得了良好的性能表现。另外本文利用深度信念网络探索正面人脸图像和侧面人脸图像的映射,方法放松了深度信念网络的输入也输出之间绝对相等,而只是保证其高层含义上的相等。实验表明了使用深度信念网络可以学习到侧面人脸图像到正面人脸图像的一个全局映射,但是丢失了个体细节差异。本文还提出了基于深度网络保持姿态邻域进行姿态分类的方法,在学习过程中,我们保证了同一个姿态下的人脸图像应该与同一姿态下的多张图
EMal
- 使用EM算法完成图像的分割，使用混合高斯模型，可以修改分类数。运行EM.m-Expectation Algorithm
rough-set
- 基于粗糙集的图像语义自动标注分类算法代码-Image semantic auto-tagging based on rough set classification algorithm code
PatternRecognition
- (1)Bayes分类 已知N=9， =3，n=2，C=3,问x= 应属于哪一类？ (2)聚类 使用c－均值聚类算法在IRIS数据上进行聚类分析 (3)鉴别分析 在ORL或Yale标准人脸数据库上完成模式识别任务。 用PCA与基于核的PCA（KPCA）方法完成人脸图像的重构与识别试验。-(1) Bayes classification Known N = 9, = 3, n = 2, C = 3, x = should ask which cat
K-means
- 聚类算法 K-means 数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则 该代码针对图像的分类-Some distance K-means clustering algorithm to the data points as a prototype optimization objective function, using the function for extreme methods to adjust the rules to get the cod
OS-ELM
- OS-ELM 分类器，极限学习机应用，可以用于机器视觉应用、图像理解等各方面。-OS-ELM classifier, Extreme Learning Machine Can be used in all aspects of machine vision applications, such as image understanding.
HellokinectMAT
- 感知行为的影响因素包括单个关节的动作和不同关节的组态。因此提出一种新的基于关节的位置差异的特征类型，联合包括静态姿势、动作、位移在内的行为信息进行识别。采用关节在两个时间和空间区域的差异来明确地模拟个别关节动力学和不同关节的组态。然后应用主成分分析（PCA）来获得所需的特征。同时应用非参数的简捷的贝叶斯最近邻（NBNN）分类器进行多类行为的分类。这个NBNN分类器避免了帧描述符的量化，计算“图像到类别”的距离而不是“图像到图像”的距离。15到20帧的数据就足以实现手势以及动作的识别，无需应用整个
fruitvegtablerecognition_svm
- 基于K-means算法和SVM算法对不同种类的水果蔬菜图像进行分类识别，算法识别率较高。- Classifying a variety of fruits and vegetables images by using K-means algorithm and SVM.
cifar10inspect
- 采用卷积神经网络在cifar-10图像库上进行的分类训练。效果非常好。-Convolution using trained neural network classification on cifar-10' s image library. The effect is very good.
knn
- k邻域算法，可以用于对图像的分类等，这对与遥感、机器学习、人工智能等领域的人比较有用处-knn algorithm
matlab
- 包含数据，可以直接运行。采用LBP特征进行行人和非行人图像的分类，分类方法是LDA。-It contains data that can be run directly. Use LBP features pedestrian and non-pedestrian image classification, classification is LDA.