1.数据集简介2.模型相关知识3.split_data.py——训练集与测试集划分4.model.py——定义ResNet34网络模型5.train.py——加载数据集并训练，训练集计算损失值loss，测试集计算accuracy，保存训练好的网络参数6.predict.py——利用训练好的网络参数后，用自己找的图像进行分类测试

1.灰度变换增强（1）图像直方图（2）图像直方图的均衡化2.频域滤波增强（1）低通滤波器（2）高通滤波器（3）同态滤波器3.彩色增强（1）真彩色增强（2）伪彩色增强（3）假彩色增强4.小波变换在图像增强方面的应用

颜色模型主要有RGB、HSV、YCbCr、NTSC等。模型转换有rgb2hsv函数、hsv2rgb函数、rgb2ntsc函数、rgb2ycbcr函数、ntsc2rgb函数、ycbcr2rgb函数等

matlab图像分割技术里边缘检测（1）Roberts边缘算子(2)Sobel算子(3)Prewitt算子(4)拉普拉斯（Laplacian）算子(5)LOG（Laplacian-Gauss）算子（6)坎尼（Canny）算子（7）利用霍夫（Hough）变换

1.Fast-RCNN论文背景2. Fast-RCNN算法流程RCNN算法流程4个步骤、Fast-RCNN算法流程、Fast RCNN相比于RCNN改进、ROI Pooling（Region of Interest）、SPP Net、多任务损失函数3.Fast R-CNN 问题和缺点

1.Faster RCNN论文背景2. Faster-RCNN算法流程（1）Fast-RCNN算法流程（2）特征提取conv layers（3）Region Proposal Networks(RPN)（4）ROI Pooling作用（5）Classification3.Faster RCNN问题和优缺点

linux里创建文件夹、创建文件夹子文件夹、删除文件夹和文件、访问指定目录级返回上一级目录。先查看当前文件夹下文件，文件夹、文件名重命名

RCNN算法分为4个步骤:获取候选区域：对于一张输入的图像，首先使用selective search算法获取2000个左右的候选区域。获取图像特征：将图像输入到卷积神经网络中获取图像特征，这一部分可以采用常用的图像卷积神经网络如VGGNet,AlexNet等。获取区域类别：在初步获得目标的位置之后，需要获取目标的类别，这一步采用SVM分类器来判断当前区域属于哪个类别。微调区域位置：尽管候选区域已经

图像灰度化的三种方法，最大值法：使R,G,B的值等于3值中最大的一个，R=G=B=max（R,G,B），最大值法会形成亮度很高的灰度图像。平均值法：是R,G,B的值求出平均值，R=G=B=(R+G+B)/3，平均值法会形成较柔和的灰度图像。加权平均值法

1.Faster RCNN论文背景2. Faster-RCNN算法流程（1）Fast-RCNN算法流程（2）特征提取conv layers（3）Region Proposal Networks(RPN)（4）ROI Pooling作用（5）Classification3.Faster RCNN问题和优缺点