云检测数据集项目推荐内容

于 2024-12-27 12:37:38 发布
阅读量302 收藏 7
点赞数 4
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gitblog_00044/article/details/144765456
版权

云检测数据集项目推荐内容

38-Cloud-A-Cloud-Segmentation-Dataset This data set includes Landsat 8 images and their manually extracted pixel-level ground truths for cloud detection. 38-Cloud-A-Cloud-Segmentation-Dataset 项目地址: https://gitcode.com/gh_mirrors/38/38-Cloud-A-Cloud-Segmentation-Dataset

项目简介

本项目是基于Landsat 8卫星图像的云检测数据集，名为38-Cloud。该数据集包含了38个Landsat 8场景图像及其手动提取的像素级地面真实值，用于云检测。图像被裁剪成多个384x384像素的补丁，以适应基于深度学习的语义分割算法。

核心功能

  • 数据集结构：数据集分为训练集和测试集，每个集包含红色、绿色、蓝色和近红外波段的图像补丁以及相应的地面真实值。
  • 云检测算法：提供了一种端到端的云检测算法——Cloud-Net，可用于在Landsat 8图像上进行云检测。
  • 性能评估：提供了用于评估云检测结果的MATLAB代码。

最近更新

  • 数据集扩展：数据集已经扩展，现在可以通过Kaggle或另一个服务器下载完整数据集。
  • 算法优化：Cloud-Net模型进行了优化，以提高云检测的准确性。

推荐模块

  1. 项目基础介绍

    • 数据集的来源和目的
    • 数据集的主要组成部分

  2. 核心功能详解

    • 数据集的详细结构
    • Cloud-Net算法的工作原理和实现细节
    • 评估代码的使用方法和输出结果

  3. 项目应用案例

    • 展示如何使用38-Cloud数据集进行云检测的案例
    • 分析Cloud-Net模型在实际应用中的表现

  4. 社区贡献

    • 如何为项目贡献代码或数据
    • 如何在研究中引用本项目

  5. 未来工作方向

    • 数据集的潜在扩展
    • Cloud-Net模型的改进计划

通过这些模块，本项目可以为遥感图像处理和云检测领域的研究人员提供一个宝贵的资源。

38-Cloud-A-Cloud-Segmentation-Dataset This data set includes Landsat 8 images and their manually extracted pixel-level ground truths for cloud detection. 38-Cloud-A-Cloud-Segmentation-Dataset 项目地址: https://gitcode.com/gh_mirrors/38/38-Cloud-A-Cloud-Segmentation-Dataset

遥感影像云检测-现有光学遥感卫星数据参数合集
ssshyeong的博客
10-17 8193
现有光学遥感卫星参数合集：MODIS、LandSat5、LandSat7、LandSat8、国产高分系列
遥感影像云检测-云检测数据集信息及下载
热门推荐
ssshyeong的博客
11-03 1万+
常用云检测数据集信息及下载1.LandSat7云量评估数据集2.LandSat8-Biome生物群落云量评估数据集3.LandSat8-38Cloud数据集4.高分系列-GF1-WHU遥感影像云数据集5.Sentinel-2 Cloud Mask Catalogue5.1.数据介绍5.2.数据集目录编排5.3.统计数据5.4.错误和不确定性 1.LandSat7云量评估数据集 数据下载 该集合包含206 个Landsat 7增强型主题映射器（ETM +）1G级场景，显示在以下生物群系中。手动生成的云遮罩用于
遥感图像云检测数据集CHLandsat8
gitblog_06540的博客
09-20 483
遥感图像云检测数据集CHLandsat8 遥感图像云检测数据集CHLandsat8 项目地址: https://gitcode.com/Resource-Bundle-Collection/2ab61 ...
ISPRS2021/遥感影像云检测：一种地理信息驱动的方法和一种新的大规模遥感云/雪检测数据集
ssshyeong的博客
07-05 2465
本文提出了一种用于云和雪检测的新型神经网络——地理信息驱动网络(GeoInfoNet)。除了使用图像数据外，该模型还集成了训练和检测阶段的地理信息。专门设计了“地理信息编码器”，将图像的海拔、纬度和经度编码为一组辅助地图，然后将其输入检测网络。该网络可以通过密集鲁棒特征提取和融合进行端到端训练。建立了用于云雪检测的新数据集“Levir_CS”，该数据集包含4168幅高分一号卫星图像和相应的地理记录，比该领域其他数据集大20多倍。......
疲劳驾驶检测数据集 VOC格式 可以用于实际项目
04-21
本数据集就是以VOC格式提供，专为疲劳驾驶检测而设计，适用于实际项目的开发和训练。 首先，我们来详细了解一下深度学习。深度学习是机器学习的一个分支，通过模拟人脑神经网络的工作机制，构建多层非线性模型，...
智慧工地项目-反光衣检测数据集3065张含voc和yolo格式两种标签(真实工地监控多视角拍摄).zip
07-11
智慧工地项目-反光衣检测数据集3065张含voc和yolo格式两种标签(真实工地监控多视角拍摄).zip 【实际应用】 智慧工地、反光衣穿戴检测、反光背心穿戴检测抓拍告警等 【数据集说明】 工地工人反光衣穿戴检测数据集，...
YOLOV5火灾火焰烟雾检测源码+数据集+训练好的模型Python火灾火焰烟雾检测源码+数据集+训练好的模型
08-14
YOLOV5火灾火焰烟雾检测源码+数据集+训练好的模型Python火灾火焰烟雾检测源码+数据集+训练好的模型，含有代码注释，新手也可看懂，个人手打98分项目，导师非常认可的高分项目，毕业设计、期末大作业和课程设计高分必...
智慧工地数据集3065张反光衣安全帽行人检测数据集含voc和yolo格式两种标签(工地监控多视角多场景抓拍).zip
07-11
智慧工地数据集3065张反光衣安全帽行人检测数据集含voc和yolo格式两种标签(工地监控多视角多场景抓拍).zip 【实际应用】 智慧工地项目、反光衣穿戴检测、安全帽佩戴检测、人员入侵抓拍告警等 【数据集说明】 数据集...
NUAA活体人脸检测数据集
07-05
【NUAA活体人脸检测数据集】是一个专门用于研究和开发活体人脸检测技术的数据集。这个数据集包含了15个不同个体的人脸图像，旨在为人工智能和计算机视觉领域的研究者提供一个平台，以测试和优化他们的算法在识别真实...
95-Cloud-An-Extension-to-38-Cloud-Dataset:卫星图像中云的二进制分割的巨大数据集
05-28
95云：38云数据集的扩展 （ ）中引入的95-Cloud是对我们先前发布的云检测数据集（ ）的扩展。 它由384 * 384的34,701个补丁组成，用于培训。 95云的测试集与38云的测试集完全相同。 训练补丁是从75个Landsat 8 Collection 1 Level-1场景中提取的，这些场景大多位于北美。 95-Cloud的测试集包括20个场景的9201个补丁。 95云和38云的测试集完全相同。 但是他们的训练方式是不同的。 95-Cloud的场景比38-Cloud的要多训练57个场景。 每个贴片具有4个对应的光谱通道，分别是红色（波段4），绿色（波段3），蓝色（波段2）和近红外（波段5）。 与其他计算机视觉图像不同，这些通道不会合并在一起。 相反，它们位于其对应目录中。 数据集的目录树与38-Cloud完全相同。 由于篇幅所限，该数据集分为两部分：95个云训练+的
云检测数据集（2类，246张图像）JPG
03-04
项目提供了一个云检测数据集和一个预训练模型，旨在提高遥感航空图像中的目标检测精度，尤其是在具有挑战性的云覆盖场景中。该数据集包括两类：云和非云图像。 数据集结构 cloud_images：包含带有云的图像。 non_cloud_images：包括没有云的图像。
RSE2022/云检测：A hybrid generative adversarial network for weakly-supervised cloud detection 多光谱图像弱监督云检
ssshyeong的博客
09-06 1267
本文提出了一种基于生成对抗网络（GAN）和基于物理的云失真模型（CDM）的协同组合的混合云检测方法。提出的弱监督GAN-CDM方法（在线可用https://github.com/Neooolee/GANCDM)训练只需要面片级标签，并且在训练和测试阶段都可以在像素级生成云掩模。
RSE2020/云检测：基于弱监督深度学习的高分辨率遥感图像精确云检测
ssshyeong的博客
07-04 2964
本文提出了一种基于弱监督深度学习的云检测方法，该方法使用块级标签，仅指示一个遥感图像块中是否存在云。在训练阶段，提出了一种新的全局卷积池（GCP）操作，以增强特征映射表示有用信息（例如空间方差）的能力。在测试阶段，通过局部池修剪（LPP）策略修改经过训练的深度网络以生成云激活图（CAM），该策略修剪在训练阶段训练的深度网络的局部池层，以提高CAM的质量（例如，空间分辨率）。通过滑动窗口将一幅较大的遥感图像裁剪成多个重叠块，然后通过修改的深度网络生成每个块的CAM。......
【语义分割】【云检测】Cloud detection Paper Reading Pa.1
RitaTang的博客
10-21 1490
更一下最近看的遥感图像云检测的文章。主要是2019，2020年的。 1.Cloud detection algorithm for multi-modal satellite imagery using convolutional neural-networks (CNN)（2020） 亮点： 该文章讲的是用于云以及云影的检测； 使用了空间数据以及光谱数据来提高准确率； 不依赖于红外数据以及远红外数据（指利用RGB以及近红外数据 WV-2 上训练并提升性能（还做了域适应） 这...
如何使用linux优雅的下载云检测Biome数据集
秋名山8086
05-25 692
[数据集][目标检测]管道漏水泄漏破损检测数据集VOC+YOLO格式2614张4类
FL1623863129的博客
08-25 1245
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["crack","leak","no leak","water"]重要说明：数据集有部分增强图片，请仔细查看图片谨慎下载。图片数量(jpg文件个数)：2614。标注数量(xml文件个数)：2614。标注数量(txt文件个数)：2614。
TGRS2020/云检测：Deep Matting for Cloud Detection in Remote Sensing Images深度抠图在遥感图像云检测中的应用
ssshyeong的博客
11-17 1737
本文从云图像的遥感成像机制出发，从一个完全不同的角度重新审视云检测，即将云检测定义为前景和背景图像的混合能量分离。这一过程可以在基于深度学习的图像抠图框架下进一步等效地实现，具有明确的物理意义。更重要的是，该方法能够在统一的框架下处理三个不同但相关的任务，即“云检测”、“云去除”和“云量评估”。在三个卫星图像数据集上的实验结果证明了我们的方法是有效的，特别是对遥感图像中较复杂但常见的例子，如薄云和卷云。
三维点云数据集汇总（分类+检测+识别）
3D视觉工坊
12-22 6248
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨深蓝学院@知乎来源丨https://zhuanlan.zhihu.com/p/445283508编辑丨3D视觉工坊1.The S...
遥感影像云检测数据集
最新发布
03-20
### 遥感影像云检测数据集下载 对于遥感影像云检测的任务，可以考虑以下几个公开可用的数据集： #### 1. CHLandsat8 数据集 CHLandsat8 是一个专门针对 Landsat 8 卫星图像设计的云检测数据集。它包含了多个 Landsat 8 OLI/TIRS 地形校正场景，并提供了手工标注的云掩码文件。这些掩码文件可用于训练和测试云检测模型。 - **项目地址**: [https://gitcode.com/Resource-Bundle-Collection/2ab61](https://gitcode.com/Resource-Bundle-Collection/2ab61)[^2] - **特点**: - 包含96个 Landsat 8 场景。 - 每个场景提供 `.TIF` 格式的波段文件、质量带文件以及元数据文件 `MTL.txt`。 - 手工生成的云掩码以 `.img` (ENVI) 格式存储。 #### 2. LandSat8-38Cloud 数据集 LandSat8-38Cloud 数据集同样基于 Landsat 8 图像构建，旨在支持云覆盖评估（CCA）。此数据集中每张图像都有对应的近似云状态分类标签，分为 Clear (<35%), Mid Cloud (35%-65%) 和 Cloudy (>65%) 三种级别。 - **描述链接**: 参考说明文档[^3]。 - **特点**: - 提供了详细的云覆盖率分级标准。 - 文件结构清晰，便于解析和利用。 #### 3. GF-1 WFV 云与云影检测数据集 GF-1 宽视场相机（WFV）数据集适用于更高分辨率下的云及云阴影检测任务。其像素级标注能够帮助提升细粒度特征的学习能力。 - **详情参见**: 关键参数汇总表[^4]。 - **主要特性**: - 总计108幅高分一号卫星拍摄的宽视角多光谱影像及其对应标签图。 - 支持多种机器学习框架接入开发。 以下是 Python 脚本示例代码片段展示如何读取其中一种格式的 TIFF 文件并可视化部分内容: ```python import rasterio from matplotlib import pyplot as plt def load_tiff_image(file_path): with rasterio.open(file_path) as dataset: array = dataset.read() # Read all bands into a NumPy array. profile = dataset.profile return array, profile if __name__ == "__main__": tiff_file = 'path_to_your_landsat_or_gf1_data.tif' img_array, meta_info = load_tiff_image(tiff_file) # Display the first band of the image using Matplotlib. plt.figure(figsize=(8, 8)) plt.imshow(img_array[0], cmap='gray') plt.title('First Band Visualization'), plt.axis('off') plt.show() ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

姚婕妹

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值