weixin_41099712的博客

前置条件：​ 数据集本篇文章主要涉及模型的构建、训练以及模型效果的评估。首先自定义遥感常用的评价函数：定义网络定义网络模型，以U-net为例：训练模型训练并保存日志，日志名称会根据网络名称和当前时间自动生成，保证同一网络多次训练结果不会同名，保存至./logs/文件夹下。同时保存训练过程中验证集上kappa_metrics最高的模型。日志通过tensorboard保存，在Jupyter Lab环境下还需要安装TensorBoard Pro插件：JupyterLab TensorBoard Pro，其

num_rows 和 num_cols代表区块内patch的行列数，可以从GEE导出的json格式文件中获取，num_rows和num_cols不一致是因为GEE导出坐标系为默认EPSG：4326（地理坐标系），作者后来更改为EPSG：32650（投影坐标系），num_rows和num_cols就相同了（区块为矩形）。然后，将旋转的图像乘以 0.9 和 1.1 之间的随机值（波段间相同，时相间不同），以增加样本数据时间序列曲线的波动。编写训练集和验证机的加载函数，根据自己的需求加载指定路径的数据包。

采用时间窗口卷积的方式会导致时间序列两端出现不可避免的误差，为了消除这种影响，本文相应延长了插值时间序列和滤波时间序列的长度，并在滤波后截断多余的序列。综合考虑研究区的影像缺失情况，本文对去云后的时间序列影像进行线性插值，以补全云污染的区域，插值的时间单边窗口为。数据集的在GEE平台导出已经在上篇文章讲过了，本篇文章主要介绍哨兵2时间序列的影像的预处理方法，每个人的预处理方法不同，仅供参考。即缺失像素在分别向前后30天时间窗口中寻找最近高质量的观测值，采用线性插值填补当前的缺失值。研究区阴雨天气较多，

例如：patchSize 为32，kernelSize为32，则导出的图像单个大小为64*64，中间的32*32为不重叠区域，边缘的16格像素为缓冲区大小。导出可以拆分为多个 TFRecord 文件，每个文件包含一个或多个 大小的 patches ，这是用户在导出中指定的。其中：crs为投影坐标系、doubleMatrix为地理仿射变换矩阵、patchDimensions为不重叠区域大小、patchesPerRow为裁剪区域内每行得到的样本数量、totalPatches为总的patch数量。

本教程是使用GEE作为数据预处理工具，本地GPU进行模型训练，推理。本教程是使用的GEE JS客户端 。预计分为以下几个章节来撰写：1.环境搭建篇2. GEE导出篇3. GEE预处理篇4. Python数据读入篇5. Python深度学习训练篇6. 官方教程解析篇

通过GDAL库将普通图像转化为栅格影像

值得注意的是，我们的渐进式训练模式增强了基础模型的能力，超越了性能上的过渡点。为了对预训练模型进行更严格的评估，我们在BigEarthNet多标签分类数据集上对所有消融模型进行微调，只使用训练集的10%子集，这是一个更艰巨的挑战，使用mAP测量进行评估。我们的预训练数据集包括fMoW-S2的广泛训练集，其中包括来自世界各地的令人印象深刻的712,874张图像，以及BigEarthNet的训练集，其中包括欧洲地区的351,496张图像，其中不包括受雪，云或云阴影影响的图像。然而，值得强调的是，所。

使用历史双色球中奖数据去推导下一次中间结果。模型基于LSTM深度学习模型

​ SpectralGPT: Spectral Foundation Model 论文的前四个RS实验：分类、多标签分类、语义分割、变化检测。

​ 基础模型最近引起了人们的极大关注，因为它有可能以一种自我监督的方式彻底改变视觉表征学习领域。虽然大多数基础模型都是为了有效地处理各种视觉任务的RGB图像而定制的，但在光谱数据方面的研究存在明显的差距，光谱数据为场景理解提供了有价值的信息，特别是在遥感(RS)应用中。为了填补这一空白，我们首次创建了一个通用的RS基础模型，名为SpectralGPT，该模型专门用于使用新型3D generative pretrained transformer(GPT)处理光谱RS图像。

因为折腾WIFI棒子的过程中，不小心砖了。现在需要重新刷一下机，所以把之前的过程的细节给梳理一下。

然后使用ffmpeg开源工具将USB摄像头的视频流推送到云服务器上，最后简单开发一个前端界面在浏览器端拉取视频流/或者使用VLC播放器直接打开rtmp地址播放视频。如果您的摄像头已经被正确地连接到系统上，那么命令会输出一个关于USB摄像头的信息，包括制造商和设备ID等信息。其中webcam是我们自定义的视频流的名称，stream是nginx-rtmp服务器默认配置的应用名（可通过配置文件修改）。把USB摄像头插入到USB拓展坞上，我的摄像头是同淘宝随便买的，带麦克风1080p的自动对焦摄像头。

开机启动时自动将USB接口切换为主模式是相对危险的，因为随身WIFI需要通过网络或者USB接口与外界通信。意味着无法通过USB进行SSH连接，所以要保证随身WIFI可以连接外部网络，可以无线SSH访问。我个人采用的方案就是随身WIFI连接WIFI网络，将22端口反向代理到我的云服务器。USB OTG是USB协议规范中的一部分，它支持从设备和主设备之间的双向通信。虚拟复合设备可以在一个USB插槽中模拟多个USB设备，并允许以不同功能的与USB主机进行通信。随身WIFI对外交互的接口只有WIFI和USB接口。

很酷的一个项目，目前我下载的脚本是自动化刷各平台的代币，没有深入研究。查看docker是否已经开机启动：sudo systemctl is-enabled docker。开机启动docker：sudo systemctl enable docker。查看docker状态：sudo systemctl status docker。启动docker：sudo systemctl start docker。启动容器后，打开云服务器的Frp控制台，发现已经正常连接上了。的储存空间，还是比较小的。

可以在终端提示符下显示系统信息，包括操作系统名称、内核版本、CPU、GPU、内存、硬盘空间、桌面环境和主题等等。它还支持自定义配置，可以从几千个字符画中选择一个来作为系统图标。安装前使用了0.5G左右，安装完软件后储存空间使用了1.1G，还是占了挺多空间的。可以按需安装自己所需的软件。工具和随身WIFI(USB连接)进行数据传输，上图以scp工具为例。ping一下百度测试一下，网络有没有通？将本地电脑文件夹传输至随身WIFI。将随身WIFI的文件传输至本地电脑。成为默认的登录信息，请在。

通过对高通410芯片的随身WIFI刷写Debain系统，我们已经拥有了一台带4G功能的迷你ARM64单板电脑。现在我们可以基于此此平台进行一下二次开发。因为此项目基于随身WIFI的优势就是价格低廉，性能和树莓派zero2、树莓派3b差不多。硬件配置如下：外设的io定义如下：我主要是想通过点亮LED灯学习一下Linux如何控制底层硬件设备。随身WIFI存在三个led灯，openstick作者设置默认blue表示wifi连接状态，red表示系统是否还处于正常运行状态。可以通过 echo > /sys/

Keras ConLSTM2D的用法详解

刷完系统以后我们就可以自定义一些玩法了，自由度相当的高。

本人研究的方向是遥感作物分布提取，想基于**多时相、深度学习和GEE平台**展开研究，现对相关文献进行资料调研。现在的人工智能已经进入（知识+数据驱动）可解释的深度学习模型的发展阶段，**作物生长机理**和**数据挖掘算法**同样重要，下文将结合2个研究领域从如下3个方面陈述发展现状：1. 遥感作物提取技术的发展现状2. 深度学习算法的发展现状3. 基于**深度学习**算法的**多时相**遥感作物提取方法现状

GEE中为避免导出时的内存溢出错误，将研究区划分为多个区块，单次处理一个小区块，处理多次