tensorflow为后端的keras框架实现遥感场景分类，使用的模型为VGG16和Resnet50，可以从头自己训练模型，也可以使用迁移学习，进行模型微调

Places365是Places2数据库的最新子集。
Places365有两个版本：Places365-Standard和Places365-Challenge。
Places365-Standard的列车集有来自365个场景类别的约180万张图像，每个类别最多有5000张图像。
我们已经在Places365-Standard上培训了各种基线CNN，并将其发布如下。
与此同时，一系列的Places365-Challenge列车还有620万张图片以及Places365-Standard的所有图片（总共约800万张图片），每个类别最多有40,000张图片。
Places365-Challenge将用于2016年的Places2挑战赛，与2016年ECCV的ILSVRC和COCO联合研讨会一起举行。

SIFT作为场景图像的局部特征能够较好的表征和区分不同的场景。
对于类别间距较大的样本，SVM能够很好的分类.

由于资源较大无法直接上传，所以上传至百度云，附件是下载地址和密码。
缺陷检测智能识别深度学习快速定位识别智能分类ViDi蓝色-特征检测使用ViDi蓝色在您的图像中执行功能检测和本地化。
它会自动找到所有寻找的零件。
ViDi红-异常检测使用ViDi红色识别图像中的异常和缺陷。
它将突出显示并评分任何类型的异常。
ViDi绿色-图像分类使用ViDi绿色在图像中执行对象和场景分类。
它会自动找到什么使每个类别可辨别。
ViDi|Deeplearning|ImageAnalysisSoftware-ViDiSystems-VisionSoftware基于深度学习的工业图像分析软件ViDi提供了第一个可用于深入学习的视觉软件，用于工业图像分析。
ViDiSuite是基于机器学习中最先进的算法集的现场测试，优化和可靠的软件解决方案。
它允许解决否则无法对机器视觉的检查和分类挑战进行编程。

基于多标准稀疏表示的场景分类

利用sift++kmeans++svm完成场景分类、图像分类；
python代码

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。