基于深度学习的图像特征学习和分类方法的研究及应用_冯子勇

为充分利用遥感图像的场景信息，提高场景分类的正确率，提出一种基于空间特征重标定网络的场景分类方法。采用多尺度全向髙斯导数滤波器获取遥感图像的空间特征，通过引入可分离卷积与附加动量法构建特征重标定网络，

Boosting for Transfer Learning作者的硕士学位论文，可以作为Boosting for Transfer Learning的补充材料学习，当中有很详细的公式推导，以及参数设计

半监督学习是一种重要的机器学习方法,能同时使用有标记样本和无标记样本进行学习。在webshell检测领域,有标记样本少、形式灵活多变、易混淆,基于特征匹配的方式很难进行准确检测。针对标记样本较少的现状

颜色分类leetcode产品分类器这个repo探索了使用图像和文本特征对内容（产品）进行分类的简单方法。用于分类的数据集是从公共API中提取的。从shopstyle api中提取的产品定义的相关部分是

1. 人工神经网络 1.1 神经网络结构 人工神经网络(简称神经网络)是模拟人类大脑神经元构造的一个数学计算模型。 一个神经网络的搭建,需要满足三个条件。 输入和输出 权重(w)和阈值(b) 多层感知

该文档适合有一定的高数基础的小伙伴并想学习深度学习,文档里有K近领法、朴素贝叶斯法、决策树、向量机等学习方法

图像卡通化是利用深度学习模型将真实图像转化为具有卡通风格的图像的一种方法。这种方法通过学习真实图像和对应卡通图像之间的关系，保留图像的主要特征，并加入卡通风格的效果，如简化的颜色、边缘线条和扁平化的绘

使用深度学习在不同速度和漂移下进行数据流分类 流中深度学习的时间序列分类 处理高速到达的数据流需要开发可以提供快速而准确的预测的模型。 尽管深度神经网络是许多机器学习任务的最新技术,但它们在实时数据流

任何领域的大数据研究都离不开用机器学习方法提取特征.为了探求满足海量大数据分析需求的特征选择方法,笔者对利用机器学习进行特征选择的常用方法做了深入分析,归纳总结出特征选择的五大类方法:相关性度量方法、

深度学习的方法,对分层神经网络学习有帮助,可以用来图像分类等。