点PY
If you cannot risk, you cannot grow. If you cannot grow, you cannot become you best. If you cannot become you best, you cannot be happy. If you cannot be happy, what else matters?
展开
-
在显著性检测结果应用优化版本的PointRend进行边缘修复
深度学习网络已被用于Salient object detection,并获得了不错的结果。然而,以往的工作聚焦于像素级精度上,而不是集中在对象边界质量上,从而导致边界模糊的问题。在本文中,我们提出了一个轻量化的边界细化模块——boundary Rend来解决这个问题。原创 2023-03-27 09:20:35 · 466 阅读 · 0 评论 -
基于COANet的遥感道路提取
1. 数据准备1.1 原始数据格式标签为二值图,后缀为png- ${your data root} -- train_images --- xxx.tif --- xxx.tif ... -- train_labels --- xxx.png --- xxx.png ...train_imagestrain_labels1.2 生成connect标签cd ${your project root}/dataGeneratorspython create_co.原创 2022-05-26 09:26:05 · 1384 阅读 · 14 评论 -
在显著性检测上应用pointrend进行边缘细化
文章目录1 概要2 编解码网络3 不确定点的采样4 点级特征5 PointRend6 相关代码6.1 基础编解码网络6.2 pointRend6.3 不确定点的选择1 概要随着遥感技术的发展,大量的高空间分辨率(HSR)图像可以获得,这使得精细的土地覆盖测绘成为可能。然而,HSR图像中的地面物体的细节是复杂的,特别是在边缘,因此给遥感分类带来了新的挑战。现有的深度学习方法将其视为一种基于完全卷积网络(FCN)的语义分割任务,而不考虑复杂的细节识别。在本篇博文中,通过使用pointrend来解决这个问题.原创 2022-05-29 09:54:55 · 505 阅读 · 4 评论 -
结合断线修复方法的乡村道路提取
文章目录1. 前言2. 道路提取所遇到的问题3. 主要方法流程3.1 粗分割3.2 断线修复4 点方向估计源码1. 前言遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。2. 道路提取所遇到的问题阴影和树冠遮挡导致像素级提取出现断线问题。3. 主要方法流程利用像素级道路提取模型进行粗分割;检测断点,估计断点处的方向,匹配断点,连接断线。3.1 粗分割随意选取主流的像素级提取模型进行粗分割。3.2 断线修复原创 2022-02-10 14:35:00 · 1103 阅读 · 14 评论 -
基于高分影像的耕地地块提取教程V1
前言近年来,随着高遥感影像的空间分辨率不断提高,高分十四号(军高分)已经达到分米级,亚米级高分影像即可界定地物的类型、纹理和边缘,使得遥感地物细粒度分类和精准监测成为可能,已成为山区耕地信息提取的数据保障。农业遥感的耕地提取对象已从过去的大范围、大面积的密集耕地区向更加精准的耕地地块转变。本篇博文将利用“边缘/语义”的思想来实现地块级耕地提取,最终结果如下图所示。方法本篇博文介绍的方法较为简单,主要流程可分为三步:①利用语义分割模型提取耕地面;②利用边缘检测模型提取耕地线;③利用GIS算法——分区统原创 2021-06-24 20:57:07 · 4514 阅读 · 4 评论 -
基于cyclegan的遥感影像色差改正
1. 应用背景单一的基于深度学习的遥感分类模型泛化能力较差,就比如学生考试时,只会做自己曾经做过的题,遇到没有见过的题(类似的题),不懂得举一反三,表现很差。迁移学习可以较好地解决这个问题,赋予模型”举一反三“的能力。2. CycleGanhttps://blog.csdn.net/weixin_42990464/article/details/1164456933. 实验分析图1 模型训练用到的影像图2 模型测试用到的影像比较图1和图2,不难发现,二者色差较大,并且空间分辨率有些许差异。原创 2021-05-31 14:14:26 · 935 阅读 · 9 评论 -
基于高分影像的建筑屋顶实例掩膜提取
paper:https://ieeexplore.ieee.org/document/9486859code:https://github.com/SonwYang/building-extraction文章目录前言要解决的问题技术路线方法基于权重映射的影像分类流程基于分水岭算法的影像后处理提取效果概览相关指标前言语义分割在基于高分影像的建筑提取中不能区分不同的建筑个体,因为在建筑密集区其通常将同一个类的对象紧密地打包成一个连接的组件,即使是优秀的语义分割网络模型也不可避免地会产生这样的结果。而实原创 2021-08-01 17:20:58 · 984 阅读 · 0 评论 -
基于多任务学习的高分影像耕地地块提取
现有的遥感影像的耕地地块提取流派众多,这里不一一叙述了。我们关注的方法:边缘检测提取边缘线,闭合线构成面状地块,利用语义分割获取面状语义信息,与面状地块进行匹配,从而获取最终的耕地地块。我们的工作最主要的贡献就是提高了闭合线构面的概率。原创 2021-09-23 17:19:52 · 2611 阅读 · 12 评论 -
基于深度学习的分水岭算法
文章目录前言基于标记的分水岭算法分水岭算法在深度学习上的应用前言在2018 Kaggle Data Science Bowl竞赛中,分水岭算法成功应用于细胞核的实例分割,用于解决相邻细胞体的分割问题。本博文将简单来介绍这个方法。基于标记的分水岭算法分水岭算法(watershed),又名模拟浸水法,它是以拓扑学中的数学形态学的图像处理作为基础的图像分割算法。其基本的思想是将图像看作为地理学中的拓扑地形图,这其中由“山谷”和“山峰”,通过模拟自底向上浸水来实现整个算法过程。但是上述方法非常容易造成过分原创 2020-06-03 14:34:22 · 1261 阅读 · 11 评论 -
地块尺度的山区耕地精准提取方法
文章目录摘要创新点数据介绍方法边界增强网络级联聚焦训练试验结果相关论文模型代码摘要山地丘陵区域耕地资源稀缺,耕地碎片化现象严重,耕地地块细小狭窄且结构复杂,导致了地块级别的耕地信息难以快速、精准获取,阻碍了基于高分辨率遥感影像的精准数字农业服务在山地丘陵地区的应用。现有基于边缘检测/语义分割的耕地提取方法忽略了地块的结构化特征,对于狭长地块提取效果不佳,存在边界模糊问题。针对上述问题,本文以西南山区湖南省邵东县为研究区,提出一种面向地块尺度的山区耕地遥感影像高精度提取方法。该研究模型主要有以下特征:1)原创 2021-12-22 15:54:46 · 2482 阅读 · 31 评论 -
基于SAR影像的鱼塘提取
文章目录相关背景1 方法概述2 标记区域提取2 前景区域提取4 困难边界修复5 源码相关背景养殖塘是主要渔业国家水产养殖的主要承载体,养殖塘开发利用带来巨大经济效益的同时也加速了周边环境恶化。遥感技术具有成本低、多时相、覆盖广等特点,利用遥感技术对客观监测养殖塘的时空变化,从而实现养殖塘变迁对周边生态影响的科学认知。虽然人工提取养殖塘可以达到最高的精度,但人力资源成本过多,因此更需要自动提取方法。利用深度卷积神经网络(DCNN)可以很好地实现自动提取,这些网络在图像分类、对象检测、语义分割等许多计算机原创 2022-05-02 23:17:14 · 1806 阅读 · 15 评论 -
基于地块提取的多任务网络——Bsinet
BsiNet从Psi-Net将三个并行解码器构造为一个编码器,以提高计算效率。BsiNet学习三个任务:农业领域识别的核心任务和农田边界预测和距离估计的两个辅助任务,分别对应于掩模、边界和距离任务。采用了一个空间群级增强模块,以改进对小场的识别。我们对在中国新疆、福建、山东和四川各省采集的一张高分1号和3张高分2号卫星图像进行了实验,并将BsiNet与13种不同的神经网络进行了比较。原创 2022-10-30 21:09:21 · 1620 阅读 · 53 评论