图像分类国内外研究现状

图像分类是计算机视觉领域中的一个重要研究方向，近年来取得了许多进展。以下是图像分类国内外研究现状的概述：

国外研究现状：

1. 深度学习方法：近年来，深度学习方法已经成为图像分类的主流方法。AlexNet、VGG、GoogLeNet、ResNet、DenseNet等深度卷积神经网络已经在ImageNet等大规模图像数据集上取得了很好的表现。

2. 迁移学习：迁移学习是将一个领域的知识迁移到另一个领域的方法。在图像分类中，使用预训练的模型参数和特征对新的数据集进行分类已经成为一种常见的方法。

3. 特征提取：除了使用深度学习方法外，传统方法中的特征提取仍然是一个重要的研究方向。例如，SIFT、HOG等特征在图像分类中仍然有很好的表现。

国内研究现状：

1. 深度学习方法：国内的研究者也在深度学习方法上做出了许多贡献。例如，华为的SENet、中科院的Squeeze-and-Excitation Networks等模型已经在图像分类上取得了很好的表现。

2. 图像增强：国内研究者也关注到了图像增强对于图像分类的重要性。例如，清华大学的RCNN、Faster RCNN等模型就在图像增强方面做出了很好的工作。

3. 视频分类：除了图像分类外，国内的研究者也在视频分类方面有很好的表现。例如，中科院的TSN、清华大学的TSM等模型已经在视频分类上取得了很好的表现。

总的来说，国内外的研究者都在图像分类领域做出了很多有意义的工作，不断推动着该领域的发展。