一些图像识别/分类模型整理

1、可见光图像
代码地址：https://github.com/PaddlePaddle/PaddleDetection
概述：PaddleDetection是一个基于PaddlePaddle的目标检测端到端开发套件，帮助开发者实现数据准备、模型选型、模型训练、模型部署的全流程打通，涵盖2D/3D目标检测、实例分割、人脸检测、关键点检测、多目标跟踪、半监督学习等方向。
输入：图像/视频
输出：标记结果

2、红外图像
代码地址：https://github.com/jingdao/IR_detection
概述：基于CNN，应用于夜间入侵警告系统场景下的人类红外图像识别
输入：夜间红外图像
输出：标记结果

3、高光谱图像
代码地址：https://github.com/DotWang/ASSMN
概述：基于ConvLSTM，结合高光谱图像光谱-空间特征来进行图像分类
输入：可见光/红外成像光谱仪 (AVIRIS)传感器捕获的高光谱图像数据集
输出：不同分类的高光谱图像

4、SAR雷达图像
代码地址：https://github.com/ei1994/GMN-Generative-Matching-Network
概述：基于深度卷积GAN，构建两个生成器网络，分别用于学习光学图像和遥感SAR图像之间的映射关系。 就是生成器1将光学转换为SAR，生成器2将SAR转换为光学图像。使用有限的匹配好的异源图像数据训练这两个生成器网络，学习得到异源图像之间的映射关系，之后将一些没有匹配的光和SAR数据输入到对应的GAN中进行转换，得到对应的SAR和光学图像，从而得到大量有标签的训练数据，增加样本多样性。
代码地址：https://github.com/rohitgit1/Target-Detection-in-MSTAR-Images
概述：通过ML和DL算法实现SAR图像的降噪处理
注：这篇论文（https://www.mdpi.com/1424-8220/23/2/941）阐述了通过深度学习实现SAR图像的降噪处理，2023年1月刚出的，很详细。

★5、最新技术：可见光与红外图像融合
（1）VIFB——一个可见光与红外图像融合数据集
代码地址：https://github.com/xingchenzhang/VIFB
概述：可见光与红外图像融合（Visible and infrared image fusion)的目的是将可见光和红外图像融合起来得到一副融合图像，并在融合图像中保留源图像的主要信息。这样做的主要原因是因为可见光和红外图像包含互补的信息。例如，可见光图像容易受光照影响但包含很多细节信息，而红外图像不易受光照影响但是缺乏细节信息。
融合方式有多种，可以是先做图像融合生成新图像再跟踪，也可以提取特征进行融合再跟踪。
（2）基于深度学习的多聚焦图像融合综述与对比
代码地址：https://github.com/xingchenzhang/MFIF
概述 ：对比分析了35种多聚焦图像融合算法（其中包含12种深度学习算法）的性能（使用3个数据集和19个评价指标进行对比）分析。