pytorch搭建自己的unet网络,训练自己的数据集。 B站视频地址全程带你手撸代码:https://www.bilibili.com/video/BV11341127iK?spm_id_from=333.999.0.0
pytorch搭建自己的unet网络,训练自己的数据集。 B站视频地址全程带你手撸代码:https://www.bilibili.com/video/BV11341127iK?spm_id_from=333.999.0.0
关于简单目标识别与意图分析的机器学习实战项目研究 本项目是对群体目标智能化识别进行研究,通过识别群体目标行为,有效处理并运用所获取的信息、准确判断作战群体意图。 项目围绕群体目标意图识别问题展开研究,考虑了实际环境中复杂的地狱地貌、多变的目标状态以及诸多意图判断,以坦克战斗群为例,首先通过Unity3D构建了坦克群模型,模拟了群体目标的常用阵型以及行进序列。而后将敌军坦克集群图片/视频进行降噪处理,包括二值化、黑白图、以及颜色分割,而后进行初次模板匹配,找到目标的大概位置坐标之后进行透视变换,将目标拉伸到一般视角,最后再次进行模板匹配,并根据我们之前研究过的连线算法,得到连线简图。 最后,运用GoogLeNet的inceptionV3模型结合softmax函数制作深度学习分类器的方法实现了从群体目标阵型的识别到群体目标意图的判断。
pyTorch:高光谱图像分类 该存储库基于PyTorch和sklearn实现了6个用于高光谱图像分类的框架。 详细结果可见于 基于的高光谱图像分类 双分支双注意机制网络 。 如果您需要任何其他信息,请随时与我联系: lironui@whu.edu.cn 。 我们的一些代码引用了项目 双重注意网络 遥感影像分类 用于高光谱图像分类的快速密集光谱空间卷积网络框架
遥感影像的语义分割实验:FCN,UNet,SegNet,Capsule
https://tianchi.aliyun.com/competition/entrance/531860/information 本赛题基于不同地形地貌的高分辨率遥感影像资料,希望参赛者能够利用遥感影像智能解译技术识别提取土地覆盖和利用类型,实现生态资产盘点、土地利用动态监测、水环境监测与评估、耕地数量与监测等应用。 结合现有的地物分类实际需求,参照地理国情监测、“三调”等既有地物分类标准,设计陆域土地覆盖与利用类目体系,包括:林地、草地、耕地、水域、道路、城镇建设用地、农村建设用地,工业用地、构筑物、裸地。
建筑物楼高提取(遥感图像)
最近一年贡献:0 次
最长连续贡献:0 日
最近连续贡献:0 日
贡献度的统计数据包括代码提交、创建任务 / Pull Request、合并 Pull Request,其中代码提交的次数需本地配置的 git 邮箱是 Gitee 帐号已确认绑定的才会被统计。