- 博客(44)
- 收藏
- 关注
RSS订阅原创 摄影测量学_知识点总结
航摄像片上的特殊点线面-摄影方向线。论述题-摄影测量技术的发展趋势。摄影测量基础知识-像主距。摄影测量常用坐标系-五大。航摄像片的内、外方位元素。投影基本知识-中心投影。航摄像片与地形图的区别。共线条件方程-一般形式。
2024-04-19 16:10:40
1005
原创 [RSPFM]遥感大模型综述材料整理
人工智能领域大语言模型和视觉基础模型的显著进展引发了学者们对遥感领域通用人工智能技术的关注，推动了遥感信息处理大模型研究的新范式。遥感大模型的研究涉及3个关键因素：以预训练技术为主线，归纳分析了现有的三类遥感大模型： 在计算机视觉和自然语言处理领域，基于Transformer网络的视觉基础模型(如CLIP、Florence和BEiT等)和大语言模型(如GPT-3、OPT和T5等)在视觉和语言理解任务中表现出的强大泛化性，引发了学者们对遥感预训练基础模型的极大关注。 这些预训练基础
2024-03-11 11:31:37
1112
原创 [SS]语义分割_Mask R-CNN
Mask R-CNN是一种用于物体检测和语义分割任务的深度学习模型。它是在Faster R-CNN的基础上进行改进的，通过增加一个分割分支，实现了物体检测和像素级别的语义分割。Mask R-CNN通过在RPN（Region Proposal Network）的基础上，增加了一个全连接层来生成每个候选框的分类概率和边界框回归信息。同时，它还为每个候选框添加了一个全卷积网络来生成候选框的mask分割。在训练过程中，Mask R-CNN除了进行物体分类和边界框回归的损失计算，还加入了语义分割的损失计算。
2024-03-05 11:03:52
908
原创 [SS]语义分割_U-Net
U-Net是一种用于生物医学图像分割的卷积神经网络架构。它由Olaf Ronneberger等人在2015年提出，并被广泛应用于医学图像分析领域。U-Net的设计灵感来自于生物医学图像分割任务中常见的数据不平衡问题，即前景（感兴趣区域）与背景之间的像素数量差异很大。为了解决这个问题，U-Net使用了一种称为"U"形结构的编码-解码架构，其中编码器部分用于捕捉图像的上下文信息，而解码器部分用于恢复分辨率和帮助生成准确的分割结果。
2024-03-04 11:34:07
943
原创 [SS]语义分割_DeepLab
(1)、将backbone更换为ResNet；(2)、引入了新结构ASPP。(1)、分辨率被降低，主要由于下采样步距s>1的层导致；(2)、目标的多尺度问题；(3)、DCNNs的不变性会降低定位精度。针对分辨率被降低的问题，通常将最后几个MaxPool层的步距s设置为1，如果是通过卷积下采样的（ResNet），同样将步距s设置为1，配合使用膨胀卷积。针对目标多尺度的问题，将图像缩放到多个尺度分别通过网络进行推理，最后将多个结果进行融合即可，但是这样做的计算量太大。
2024-02-29 11:27:41
744
原创 [SS]语义分割_膨胀卷积
膨胀卷积（Dilated Convolution），也称为空洞卷积（Atrous Convolution），是一种在卷积神经网络中常用的操作。它通过在卷积核的周围插入一定数量的零值来改变卷积核的感受野大小。传统的卷积操作是在输入特征图上滑动卷积核，每次将卷积核中的权重与输入特征图的对应位置进行相乘并求和，从而得到输出特征图中的一个像素值。膨胀卷积则是在滑动卷积核时，通过在卷积核的元素之间插入一定数量的零值来扩大感受野，使得每个卷积核的有效感受野增大。
2024-02-28 11:20:08
842
原创 [SS]语义分割_FCN全卷积网络
全卷积网络（Fully Convolutional Networks，FCN）是一种用于语义分割的深度学习网络模型。传统的卷积神经网络（CNN）常用于图像分类任务，但是对于像素级别的语义分割任务，需要输出每个像素的类别标签，CNN的全连接层并不能处理不同输入尺寸的图像，因此不能直接用于语义分割。FCN通过将全连接层替换为全卷积层，实现了端到端的像素级别的语义分割。FCN的网络结构由编码器和解码器组成。
2024-01-20 20:04:40
914
原创 [SS]语义分割_文献摘要
本文基于Sentinel-2时间序列遥感影像，使用DeepLabv3+深度学习语义分割模型生成了济南市中心城区2016年-2020年逐年防尘绿网数据，随后利用景观格局、重心-标准差椭圆等方法分析了其空间分布特征和时空扩张趋势。
2024-01-18 21:23:50
845
原创 [SS]语义分割_转置卷积
转置卷积（Transposed Convolution），也被称为反卷积（Deconvolution）或逆卷积（Inverse Convolution），是一种卷积神经网络中常用的操作。转置卷积可以用于图像生成、图像分割、语义分割等任务中。转置卷积的操作实际上是卷积操作的逆过程。在标准的卷积操作中，输入数据经过卷积核的滑动窗口运算，生成输出特征图。而在转置卷积中，输出特征图经过转置卷积核的滑动窗口运算，生成输入数据的近似重构。转置卷积的操作可以用矩阵乘法的方式来实现，也可以用卷积的方式来实现。
2024-01-18 10:35:22
438
原创 [SS]语义分割——基础知识
语义分割（Semantic Segmentation）是计算机视觉中的一项任务，目标是将图像中的每个像素按其语义类别进行分类。与传统的目标检测不同，语义分割对图像中的每个像素都进行分类，而不是只关注物体的边界框。语义分割的目标是给图像中的每个像素分配一个类别标签，通常使用颜色编码来可视化不同的类别。例如，将图像中的道路像素标记为蓝色，建筑物像素标记为红色等。语义分割在许多计算机视觉任务中起到重要作用，如自动驾驶、智能监控、图像编辑等。
2024-01-17 17:42:13
888
原创 遥感类SCI期刊_一区二区汇总
h-index:191区h-index:2381区h-index:1101区h-index:2161区h-index:761区h-index:342区h-index:02区h-index:02区h-index:812区h-index:802区h-index:642区h-index:371区h-index:01区。
2024-01-14 11:15:30
1937
原创 [DL]深度学习_Feature Pyramid Network
Feature Pyramid Network (FPN)是一种用于目标检测和语义分割的神经网络架构。它的目标是解决在处理不同尺度的图像时，信息丢失和语义细节模糊的问题。FPN的核心思想是通过在网络中添加一组横向连接来构建多尺度特征金字塔。这些横向连接将底层的高分辨率特征与高层的低分辨率特征进行融合，以捕捉不同尺度的语义信息。融合后的特征金字塔可用于检测和分割任务中的多尺度目标识别。具体来说，FPN在主干网络（如ResNet）中的每个阶段添加一个横向连接，以便从高层到底层传递信息。
2024-01-13 17:31:21
1547
原创 遥感图像分类与识别_知识点总结
遥感图像分类以遥感数字图像为研究对象，在计算机系统的支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能等技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。
2023-12-28 21:02:27
669
1
原创 [DL]深度学习_AlexNet
AlexNet是一种经典的卷积神经网络模型，由Alex Krizhevsky、Ilya Sutskever和Geoffrey E. Hinton于2012年提出。它是第一个在ImageNet比赛中获得冠军的深度神经网络模型，引领了深度学习在计算机视觉领域的发展。AlexNet的结构包含了8个图层，其中前5个是卷积层，后3个是全连接层。下面是对每个图层的详细介绍：输入层（Input Layer）：接受输入的图像，并进行预处理。
2023-12-26 11:30:52
911
原创 [DL]深度学习_ResNet
在神经网络中，"degradation"（退化）指的是当网络的深度增加时，性能反而下降的现象。具体来说，随着网络层数的增加，训练误差会逐渐减小，但验证误差却会先减小后增大，导致模型的性能退化。网络退化问题的原因有以下几点：梯度消失（Gradient Vanishing）：在深层网络中，反向传播算法可能会导致梯度逐渐变小，使得参数更新很小或无法更新，从而降低网络的学习能力。
2023-12-19 21:40:51
831
原创 [DL]深度学习_CNN卷积神经网络
在深度学习中，卷积是一种特殊的数学运算，它被广泛应用于卷积神经网络（Convolutional Neural Networks，CNNs）中。在卷积神经网络中，卷积主要是指对于输入张量（通常是图像或时间序列数据）的一种特殊的线性变换。卷积的定义在深度学习中稍有不同，具体来说，在卷积神经网络中，卷积操作是通过将一个可训练的小型过滤器（也称为卷积核或滤波器）应用于输入张量的不同位置来计算输出张量的过程。这个过滤器被滑动到输入张量的每个位置，并且在每个位置进行点乘和求和来计算一个输出值。
2023-12-12 17:36:36
484
原创 [DL]深度学习_神经网络
神经网络前向传播（Feedforward Propagation）是指将输入数据在神经网络中进行计算的过程。在神经网络的每一层中，通过激活函数对输入进行转换，再将转换后的结果传递到下一层，直到达到输出层。在前向传播的过程中，每一层的权重和偏置都会被使用。整个前向传播的过程是一个单向的计算过程，没有反馈回来的信息。在每一层中，将输入数据乘上对应层的权重矩阵，再加上偏置向量。将该层的输出传递到下一层，重复步骤2-3，直到达到输出层。对每一层的结果使用激活函数进行转换，得到该层的输出。
2023-12-11 20:03:21
1796
原创 [DL]深度学习_基础
深度学习（Deep Learning）源于神经网络领域，是一种基于多层神经网络的机器学习方法。相较于传统的浅层神经网络，深度学习模型具有更高的神经网络层数，因此能够处理更为复杂的数据，包括图像、语音、自然语言等。深度学习的基本构建模块是神经网络，其基本思想是将大量数据输入到神经网络中进行训练，通过不断调整神经元之间的连接权重，学习到数据中的特征，然后用这些学习到的特征来进行预测和分类。神经网络中的每一个神经元都拥有权重和偏置，权重确定了神经元之间的连接强度，偏置则是用于调整神经元的输出值。
2023-12-08 11:15:58
701
原创 [ML]机器学习_强化学习
强化学习是一种从环境与智能体的交互中进行学习的机器学习方法。它的主要目标是通过智能体进行实验来获得关于环境和任务的信息，最终达到最优的决策策略。 在强化学习中，人们通常将环境描述为一系列状态和动作的集合。智能体的任务是选择一系列动作来改变环境的状态，并最大化长期的回报（通常用累计奖励的期望来表示）。智能体的决策策略通常基于学习算法得出并随时间推进而发生调整。 在强化学习中，有两种基本的方法：基于值函数的方法和基于策略的方法。 基于值函数的方法，比如Q-learning，通过学习环
2023-12-08 10:48:14
326
原创 [ML]机器学习_PCA主成分分析
主成分分析(PCA)是一种算法，可以获取大量特征的数据，并将特征数量减少到两三个特征(即二维或三维)，以便对特征进行可视化绘图。如果有关于轿车集合的数据，轿车有许多的特征，如汽车长度，宽度，高度等。借助PCA减少特征数量以便将其特征可视化。1、假设特征是汽车的长度，是汽车的宽度，由于事实情况限制，汽车的宽度往往变化不会太大，如果有一个汽车集合中是汽车长度和宽度的数据集，则数据特征分布会如下图所示。其中特征车长变化很大，而特征车宽则变化相对较小。如果需要减少特征，则可以做的是取特征车长。
2023-12-07 17:31:12
898
原创 [ML]机器学习_基于内容过滤的深度学习算法
基于内容过滤的深度学习算法是一种利用深度学习技术实现的推荐算法。它的主要思想是利用用户过去的行为和偏好以及物品的内容特征，通过深度学习模型来预测用户对物品的兴趣度，并向用户推荐可能感兴趣的物品。具体来说，基于内容过滤的深度学习算法一般分为以下几个步骤：特征提取：首先需要对物品的内容进行特征提取。这一步通常是使用卷积神经网络（CNN）或循环神经网络（RNN）等深度学习模型提取物品的视觉、文本、音频或其他内容特征。特征表示：将提取出的物品特征表示为向量形式。
2023-12-05 20:35:50
890
原创 [ML]机器学习_协同过滤算法
协同过滤算法是一种推荐算法，其目的是为用户推荐他们可能感兴趣的物品。该算法使用用户的历史行为和偏好来预测他们对尚未查看或评分的物品的偏好。协同过滤算法有两种类型：基于用户和基于物品。基于用户的协同过滤算法根据用户之间的相似度来推荐物品。它首先计算用户之间的相似度，并根据这些相似度为每个用户推荐适合他们的物品。基于物品的协同过滤算法是相反的，它根据物品之间的相似度来推荐物品。协同过滤算法分为两种主要类型：基于用户的协同过滤和基于物品的协同过滤。
2023-11-26 19:28:12
883
原创 定量遥感精度验证方法
公式：r = (Σ（反演值 - 反演值均值）×（实际值 - 实际值均值）) / sqrt（Σ（反演值 - 反演值均值）² × Σ（实际值 - 实际值均值）²）公式：R² = 1 - (Σ（反演值 - 实际值）² / Σ（实际值 - 实际值均值）²)模型检验法：将反演结果输入到模型中，与实际观测数据进行对比，验证模型的可靠性和精度。公式：Mean = （Σ（反演值 - 实际值））/ 样本数。最大值（Maximum）和最小值（Minimum）：反演结果与实际值之间的最大差异和最小差异。
2023-11-15 19:54:14
123
原创 [ML]机器学习_异常检测算法
异常检测是指在大量数据中检测出与其他数据不同的数据点或样本，通常被称为“异常值”或“离群值”。异常值可能是因为数据记录错误，或者是由于真实世界中的异常事件或问题导致的。异常检测是数据挖掘领域中的重要任务之一，它可以应用在许多领域，例如金融、医疗、电力、交通等。在金融领域，异常检测可以用来检测信用卡欺诈、洗钱等；在医疗领域，异常检测可以用来识别病人的异常病情，以及早期预警疾病的发生等。异常检测算法会查看未标记的正常数据集，从而学会检测异常事件或发出危险信号。
2023-11-06 21:04:17
34
原创 [ML]机器学习_聚类算法
聚类是一种机器学习和数据挖掘技术，它是将数据集中的数据对象分成不同的组或类的过程。它的目的是识别出数据集中相似的数据对象，并将它们分组。聚类算法通常基于两个基本假设：相似性和连续性。相似性假设认为属于同一组的数据对象应该具有相似的属性值。连续性假设认为属于同一组的数据对象应该彼此接近。聚类算法可以用于各种不同的领域，例如数据挖掘、生物学、图像处理和市场营销。聚类的结果可以用于确定数据集中的模式和结构，以及发现数据集中的异常值和离群点。
2023-11-05 10:07:13
323
原创 Python_列表、元组、字符串、集合、字典
Python中的列表是一种基本的数据结构，它允许我们以有序的方式存储一组数据，这些数据可以是任何类型的对象，例如整数、浮点数、字符串和其他更复杂的对象。以下是关于Python列表的详细介绍：1、创建列表：可以使用方括号[]或list()函数创建一个空的列表，也可以在方括号中添加元素创建一个非空的列表。2、访问列表元素：可以使用下标操作符[]或切片操作符[:]访问列表的元素或元素的子集。下标从0开始，-1表示最后一个元素。3、修改列表元素：可以使用下标操作符[]或切片操作符[:]修改列表的元素或元素的子集。
2023-10-29 15:45:12
14
原创 [ML]机器学习_决策树模型
决策树是一种经典的监督学习模型，它通过对数据集进行递归分区，最终形成一个树形结构，树上每个节点都对应一个关于特征的判断条件，而叶节点则是对应一个分类结果或者回归值。决策树可以用于分类（C4.5、CART）和回归（CART），其中分类树解决离散变量，回归树解决连续变量。决策树的构建过程一般包括以下几个步骤：特征选择：选择最优的特征作为当前节点的分裂依据，这一步通常根据信息熵或者基尼不纯度进行计算。
2023-10-28 17:15:28
55
原创 [ML]机器学习_机器学习开发流程
首先，决定系统的总体架构，然后根据架构实现模型和训练模型，之后是诊断模型，根据诊断的结论更新模型架构，然后使用新的总体架构再次进行循环迭代，直到模型达到预期的性能要求。
2023-10-23 21:09:59
32
原创 [ML]机器学习_模型评估
如果我们运行模型时，发现这个模型预测的结果不准，则通常有如下对策：1、获得更多训练示例2、减少那些影响较小的特征3、使用特征工程添加特征4、减小或者增大正则化项中的通过模型评估可以得到一些诊断，能够得知，是否值得花费数周甚至数月时间收集更多训练数据来提高性能。
2023-10-21 10:06:46
32
原创 [ML]机器学习_高级优化算法
梯度下降算法是一种常用的优化算法，可以用来求解一些最小化误差函数的问题。在机器学习领域，梯度下降算法通常用来最小化损失函数，从而得到一个最优的模型参数。下面详细介绍梯度下降算法的原理和实现。梯度下降算法是机器学习中最常用的优化算法之一，可以用来最小化损失函数，得到最优的模型参数。批量梯度下降、随机梯度下降和小批量梯度下降是梯度下降算法的三种不同变体，适用于不同的训练数据集大小和模型复杂度。在实现时，需要注意学习率的选择、收敛条件的判断以及参数的初始化等问题，以保证梯度下降算法能够正确地收敛。
2023-10-19 10:34:11
67
原创 [ML]机器学习_多分类问题
softmax回归的主要目标是学习一个线性模型，在该模型的基础上使用softmax函数将线性输出转换为概率分布。具体来说，softmax函数将每个类别的线性得分转化为概率分布，使得所有的概率值都为正且加起来等于1。在机器学习中，通常使用监督学习算法进行多分类问题的解决，其中输入数据包括特征和标签，标签是由多个类别中的一种或多种组成的。softmax回归，也称为多项逻辑回归，是一种用于多分类问题的监督学习算法。该算法输出每个类别的概率，最终选择概率最高的类别作为预测结果。二、Softmax回归算法。
2023-10-16 20:29:43
95
原创 [ML]机器学习_激活函数
激活函数(Activation Function)是神经网络中的一种数学函数，用于将输入转换为输出，并增加神经元之间的非线性特性。激活函数通常被应用于神经网络中的隐藏层和输出层，以实现非线性映射和复杂的分类和回归任务。常见的激活函数包括Sigmoid函数、ReLU函数、Tanh函数等。选择合适的激活函数可以对神经网络的性能和准确度产生重要影响。
2023-10-16 17:14:04
19
原创 [ML]机器学习_神经网络训练
有一个输入x，然后第一个隐藏层有25个单元，第二个隐藏层有15个单元，然后是一个输出单元。第一步让TensorFlow按顺序将神经网络的三层串联起来。第二步是让TensorFlow编译模型，要求编译模型的关键步骤是指定要使用的损失(Loss)函数，在示例中，使用二元交叉熵损失函数。第三步是调用fit函数，它使用在步骤二中指定的损失函数来拟合第一步中指定的模型到数据集x，y。在TensorFlow中，fit()函数是用于训练模型的主要函数之一。它的作用是训练一个模型，使其能够对未知的数据进行预测。
2023-10-16 17:03:38
19
原创 [ML]机器学习_强人工智能
强人工智能(Artificial general intelligence)是指拥有与人类智能相当甚至超越人类智能的人工智能。它不仅可以像现代人工智能一样完成任务，而且还可以像人类一样思考、推理、学习、理解自然语言、甚至拥有情感等高级智能能力。强人工智能的研究至今仍处于起步阶段，但如今已经涉及到许多领域，如机器学习、自然语言处理、人机交互、计算机视觉等。尽管强人工智能的发展还面临着许多技术和道德难题，但其应用前景广阔，未来将在社会、经济、政治等方面发挥重要作用。
2023-10-15 15:56:27
45
原创 [ML]机器学习_如何用代码实现
TensorFlow是由Google推出的开源机器学习框架，被广泛应用于深度学习、神经网络等领域。它可以在各种硬件设备上运行，包括CPU、GPU和TPU等，使得用户可以在不同的硬件上进行机器学习的计算。数据流图（Data Flow Graph）：TensorFlow采用数据流图模型来表示计算图，节点表示操作，边表示数据。这种模型可以并行计算，使得TensorFlow在大规模数据处理时能够高效地运行。
2023-10-14 20:08:52
45
原创 BP(back propagation)神经网络推导
BP神经网络是一种通过误差反向传播算法进行误差校正的多层前馈神经网络，其最核心的特点是：信号是前向传播，误差是反向传播。前向传播过程中，将误差信号原路返回，修改各层权重。即计算误差输出时按从输入到输出的方向进行；调整权值和阈值则从输出到输入的方向进行。
2023-10-10 20:53:44
45
原创 [ML]机器学习_神经网络
人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。神经网络类型众多，其中最为重要的是多层感知机。为了详细地描述神经网络，我们先从最简单的神经网络说起。神经网络最初的动机是试图建立模拟大脑的软件。模拟大脑神经元之间通过电脉冲通信的流程。
2023-10-06 16:57:22
19
原创 [ML]机器学习_过拟合与正则化
也称为高方差(High variance)，具体表现为模型在测试数据上泛化不佳。过拟合其实就是为了得到一致假设而使得假设过于地严格，使得其在训练集上的表现非常地完美，但是在训练集以外的数据集却表现不好。，也称为高偏差(High bias)是指模型在训练数据和测试数据上都表现较差的现象。欠拟合的模型过于简单，以至于它无法捕捉到数据中的关键特征和模式。
2023-10-05 17:19:36
25
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人