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。
一些图像识别/分类模型整理
最新推荐文章于 2024-04-27 10:47:45 发布