细粒度图像分类开源网络有哪些

目前比较流行的细粒度图像分类开源网络包括以下几种：

1. CUB-200-2011：该数据集包含200种鸟类共约6000张图像。常用的网络模型包括VGG、ResNet、DenseNet等。

2. Stanford Dogs：该数据集包含120种狗共约20,000张图像。常用的网络模型包括Inception-v3、ResNet-152等。

3. FGVC Aircraft：该数据集包含100种飞机共约10,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。

4. Stanford Cars：该数据集包含196种汽车共约16,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。

5. Oxford 102 Flowers：该数据集包含102种花卉共约8,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。

以上是常用的细粒度图像分类开源网络和对应数据集，可以根据需求选择适合自己的模型。

相关问题

细粒度图像识别开源算法有

细粒度图像识别是指在一个大类别中进行更加细致的图像分类，通常需要区分同一类别中的不同子类别。以下是一些常用的细粒度图像识别开源算法：

1. B-CNN：双流卷积神经网络，可以在两个视角下对图像进行分类，适用于识别不同的鸟类、花卉等。

2. FGVC-Aircraft：针对飞机的细粒度分类任务开发的算法，包括DFL-CNN、B-CNN等。

3. FineGAN：基于生成对抗网络（GAN）的算法，可以实现细粒度图像生成和分类。

4. G-Net：基于注意力机制的算法，可以自适应地聚焦于图像中的重要信息，适用于识别花卉、鸟类、狗等。

5. S-CNN：基于子空间卷积神经网络的算法，可以对不同种类的动物进行分类，如鸟类、狗、猫等。

这些算法都有相应的开源实现，并且在细粒度图像识别领域取得了不错的表现。需要根据具体应用场景和数据集选择适合的算法进行使用和改进。

图像细粒度分类开源算法

以下是一些图像细粒度分类的开源算法：

1. [Fine-Grained Visual Classification (FGVC) with PyTorch](https://github.com/abhay-venkatesh/fine-grained-pytorch) - 基于PyTorch实现的FGVC算法，使用ResNet网络进行图像分类。

2. [Bilinear-CNN for Fine-grained Visual Classification](https://github.com/tsungyi/bcnn) - 基于Caffe实现的BCNN算法，使用双线性池化操作进行特征提取和图像分类。

3. [Deep Residual Learning for Image Recognition](https://github.com/KaimingHe/deep-residual-networks) - 基于Deep Residual Network实现的图像分类算法，可以应用于细粒度分类问题。

4. [DeepID-Net: Object Detection with Deformable Part Based Convolutional Neural Networks](https://github.com/liuzhuang13/DenseNet) - 基于DenseNet实现的图像分类算法，可以应用于细粒度分类问题。

5. [Attentional Network for Visual Object Recognition](https://github.com/philipperemy/tensorflow-attentional-ocr) - 基于Attentional Network实现的图像分类算法，可以应用于细粒度分类问题。

这些算法都是开源的，可以在GitHub上找到它们的代码和实现细节。它们使用的深度学习模型和特征提取方法可能不同，但都可以应用于细粒度图像分类问题。