图像分类是分配其中之一的任务给定图像的先前已知标签。例如，您知道您将获得几张照片，并且每张图片都恰好有一张在里面。算法应该说明照片显示的内容。
图像分类的基准数据集是ImageNet；尤其是大规模视觉识别挑战赛 (LSVRC)。它正好有 1000 个类和大量的训练数据（我认为有一个大约 250px x 250px 图像的下采样版本，但许多图像似乎来自 Flicker）。
这一挑战通常通过 CNN（或其他神经网络）来解决。
是否有任何论文尝试在 LSVRC 中不使用神经网络的方法？
澄清问题：当然，还有其他分类算法，如 最近的邻居或 SVM。但是，我怀疑它们是否适用于那么多类/那么多数据。至少对于-NNs 我敢肯定预测会非常慢；对于支持向量机，我猜拟合和预测都会很慢（？）。
回答这个问题的部分问题是实际上有两个问题。首先：
是否有任何不是神经网络的图像分类算法？
是的，很多。但现在真正的问题是：
是否有任何论文尝试在 LSVRC 中不使用神经网络的方法？
在您的问题中，由于速度原因，您排除了诸如 kNN 和 SVM 之类的方法。Bag of Words 是用来解决这个问题的一种方法。MATLAB 有一个很好的演示（http://www.mathworks.com/help/vision/examples/image-category-classification-using-bag-of-features.html）。但是 BoW 包含 k-means 聚类，因此可能不适合您的需求。
还有一些其他有趣的图像分类方法，例如纹理分析。正在研究 TA 作为一种对医学图像（如肿瘤）中疾病的恶意进行分类的方法。这是一篇常用的论文： http ://www.ncbi.nlm.nih.gov/pmc/articles/PMC2701316/
这是图像分类的概述： http ://www.tandfonline.com/doi/full/10.1080/01431160600746456
有很多算法可以用来执行分类（很多到很难全部提到的程度）我建议你看看这个 http://dlib.net/ml_guide.svg
决定使用哪种算法取决于您正在处理的问题，主要是：1. 类的数量 2. 样本的数量 3. 类内的变化和类之间的相似性 4. 数据不平衡 5. 维度您的功能和许多其他参数
一般来说，CNN 非常受欢迎有两个原因：它们可以在非常具有挑战性的问题中带来高性能，并且它们是在您需要了解其架构的上下文中的通用解决方案 仅执行训练的策略和技巧，之后您不需要需要改变任何东西，没有参数可以玩。
