【Baseline】CCF遥感影像地块分割（非官方）

最新推荐文章于 2023-01-12 22:56:50 发布
最新推荐文章于 2023-01-12 22:56:50 发布
阅读量3.1k 收藏 22
点赞数 7
分类专栏： ▶ 深度学习-计算机视觉 文章标签： 深度学习 python 语义分割 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44936889/article/details/109080126
版权
该博客介绍了如何运用DeepLabV3+模型进行遥感影像的语义分割任务，作者强调了文章的非官方性质，并邀请有需求的读者加入其接单群以获取更多详情和讨论。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文 超级会员免费看
BIT可达鸭
关注
  • 7
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 7
    评论
专栏目录
订阅专栏
超清遥感影像语义分割处理
爱CV
02-10 771
分割出城市中的垃圾堆场，遂寻找到了这个数据集和对应的。
比赛总结：2020 CCF BDCI遥感影像地块分割
qq_37653019的博客
01-29 5191
目录前言赛题介绍初赛阶段评测指标数据和难点分析策略小结数据增强模型训练弱类处理预测策略初赛成绩复赛阶段评测指标问题分析连通性处理复赛成绩问题和经验总结 前言 近期在实验室老师的推荐下开始了我的第一次比赛经历，由于课题与遥感影像相关，所以选择参加遥感影像地块分割（其实是数据集很有诱惑力嘻嘻），下面就这次比赛的过程和经验做个分享总结。 赛题介绍 遥感影像地块分割，旨在对遥感影像进行像素级内容分析，对遥感影像中感兴趣的类别进行提取和分类（说白了就是语义分割任务，只是对象是遥感图像）。 本次比赛分类的类别有七类，
飞桨常规赛：遥感影像地块分割 - 12月第9名方案
m0_63642362的博客
04-15 938
转自AI Studio，原文链接：飞桨常规赛：遥感影像地块分割 - 12月第9名方案 - 飞桨AI Studio 引言 (1) 项目简介 为了对遥感影像进行像素级内容解析，对遥感影像中感兴趣的类别进行提取和分类，考虑使用飞桨提供的PaddleX产品解决该问题(PaddleX官方参考文档)，该产品在数据标注、图像处理、模型训练等方面简单实用。本项目首先安装了PaddleX以及项目中所用到的相关包。然后，进行数据处理，主要包括数据解压操作，图像数据增强操作，划分数据集操作以及数据准备操作。进而，进行模型训
赛事比赛|FLAIR遥感语义分割和域适应、baseline
海淀小天的blog
01-12 620
该数据集总面积约为 800 平方公里，其中的斑块已在整个法国大都市地区进行采样，以说明不同的气候和景观（空间域）。数据集中包含的航拍图像是在不同的月份和年份（时间域）中获取的。全国范围内的遥感航空影像必然是在不同的时间和日期以及在不同的条件下获得的。使用的架构允许集成补丁式元数据信息，并采用常用的图像数据增强技术。每天的尝试次数和总尝试次数都是有限的，以确保在不同时间注册比赛的团队之间的公平性。任何集成来自 FLAIR-one 数据集的数据的通信都应包括对上面提供的数据集技术描述文件的引用。
最后十天，CCF BDCI 遥感赛题前沿评价指标揭露！你敢来挑战吗？
百度大脑
11-19 1067
点击左上方蓝字关注我们今年，中国计算机学会举办的CCF 大数据与计算智能大赛（CCF BDCI）首度设立了全新的“自主平台”赛道，百度首发 “遥感影像地块分割” 赛题，飞桨作为该赛题的指...
2020 CCF BDCI 遥感影像地块分割冠军竞赛方案 & 语义分割trick整理
3D视觉工坊
02-01 3799
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨Sakura.D@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/346862877编辑丨极市平...
基于Deeplab-v3算法实现对遥感图像的语义分割python源码(带详细注释+项目说明+数据集+模型).zip
最新发布
12-20
CCF卫星影像的AI分类与识别提供的数据集初赛复赛训练集，一共五张卫星遥感影像 * 百度云盘：[点击这里](https://pan.baidu.com/s/1LWBMklOr39yI7fYRQ185Og) * 密码：3ih2 * 预训练模型：[点击这里下载]...
CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip
08-20
CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip CCF-BDCI大赛 OCR赛题第一名 天晨破晓团队 文字识别模型baseline.zip
遥感类SCI期刊汇总
热门推荐
wokaowokaowokao12345的专栏
07-12 4万+
GIScience & Remote Sensing http://www.tandfonline.com/toc/tgrs20/current http://www.letpub.com.cn/index.php?page=journalapp&view=detail&journalid=3102 IEEE TRANSACTION ON GEOSICENCE A...
2022 CCF 小样本数据分类baseline
fade_fate的博客
09-16 1056
2022 ccf 小样本数据分类 baseline
卫星遥感—地块/边界提取相关论文
深度学习与计算机视觉
09-27 1541
作者：德怀特链接：https://zhuanlan.zhihu.com/p/396874909本文转载自知乎，作者已授权，未经许可请勿二次转载Development of a Parcel...
2020年MathorCup高校数学建模挑战赛—大数据竞赛B题遥感图像地块分割与提取求解全过程文档及程序
weixin_43292788的博客
01-09 1168
2020年MathorCup高校数学建模挑战赛—大数据竞赛B题 遥感图像地块分割与提取。
MathorCup赛题开源方案——遥感图像地块分割与提取
梁瑛平的博客
01-22 2152
赛道B 遥感图像地块分割与提取赛题：代码： 赛题： 耕地的数量和质量是保持农业可持续发展的关键，利用卫星遥感影像可以识别并提取耕地，并对耕地进行遥感制图，准确的耕地分布能够为国家决策部门提供重要支撑。目前高精度的耕地信息提取主要还是依靠人工解译，耗费大量人力、财力且效率较低，因此，遥感图像的耕地识别算法研究将对耕地遥感制图提供重要帮助。 资源三号（ZY-3）卫星是中国第一颗自主的民用高分辨率立体测绘卫星，通过立体观测，可以测制1∶5万比例尺地形图，为国土资源、农业、林业等领域提供服务，资源三号填补了中国立体
徐韬：CCF - 个贷违约预测Baseline
老马的程序人生
12-01 1082
徐韬是华北电力大学数理系大四的学生，Datawhale成员/Dreamtech成员，参加了多期Datawhale的组队学习，也在天池/CCF/讯飞等比赛中取得了不错的成绩，现保送大连理工大学软件学院深造。 这篇图文是他在线下组队学习时，为大家分享自己CCF比赛的baseline。 希望参与我们线下组队学习的同学，可以在微信公众号后台回复 线下组队学习，进入线下组队学习群，大家一起学习，一起成长。 -> 插入视频 ...
遥感影像语义分割数据集
lzq-rser
03-20 2万+
遥感图像语义分割数据集 文章目录遥感图像语义分割数据集1.建筑1.1 Aerial Image Segmentation Dataset1.2 INRIA aerial image dataset1.3 WHU Building Dataset1.4 Massachusetts Buildings Dataset1.5 2020数字中国创新大赛—应用赛1：建筑智能普查1.6 SpaceNet Buildings Dataset1.7 AIRS2.道路2.1 Massachusetts Roads Datas
Kaggle冠军告诉你，如何从卫星图像分割及识别比赛中胜出？
weixin_34265814的博客
01-01 2823
本文来自AI新媒体量子位（QbitAI） 在2016年12月至2017年3月期间，Kaggle网站举办了一场对英国国防科学与技术实验室（DSTL）提供的卫星图像进行场景特征检测的图像分割比赛。 主办方所提供的训练集里包含了25个1平方公里大小地区的高分辨率卫星图像，具体任务是通过算法进行识别10个不同类型的对象，分别是： 房屋和楼房； 混杂的人工...
用python写tif遥感影像立体匹配算法
05-05
Tif遥感影像立体匹配算法主要是利用两幅相同区域的遥感影像进行匹配，从而获取该区域的高程信息。这里提供一种基于OpenCV的Python实现方法。 首先，需要安装OpenCV库，可以使用以下命令进行安装： ```python pip install opencv-python ``` 然后，需要读取两幅tif遥感影像并进行灰度化处理： ```python import cv2 # 读取左侧影像 left_img = cv2.imread('left.tif', cv2.IMREAD_GRAYSCALE) # 读取右侧影像 right_img = cv2.imread('right.tif', cv2.IMREAD_GRAYSCALE) ``` 接下来，使用SIFT算法提取左右影像的特征点，并进行匹配： ```python # 创建SIFT对象 sift = cv2.xfeatures2d.SIFT_create() # 检测左侧影像的特征点和描述符 kp1, des1 = sift.detectAndCompute(left_img, None) # 检测右侧影像的特征点和描述符 kp2, des2 = sift.detectAndCompute(right_img, None) # 创建BFMatcher对象 bf = cv2.BFMatcher() # 匹配左右影像的特征点 matches = bf.knnMatch(des1, des2, k=2) ``` 然后，需要进行筛选匹配点： ```python # 筛选匹配点 good = [] for m, n in matches: if m.distance < 0.75 * n.distance: good.append(m) # 获取匹配点的坐标 pts1 = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2) pts2 = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2) ``` 接下来，使用OpenCV的`cv2.stereoSGBM()`函数进行立体匹配： ```python # 定义立体匹配算法的参数 window_size = 3 min_disp = 0 num_disp = 16 * 5 stereo = cv2.StereoSGBM_create(minDisparity=min_disp, numDisparities=num_disp, blockSize=window_size, P1=8 * 3 * window_size ** 2, P2=32 * 3 * window_size ** 2, disp12MaxDiff=1, uniquenessRatio=10, speckleWindowSize=100, speckleRange=32) # 进行立体匹配 disparity = stereo.compute(left_img, right_img) ``` 最后，可以根据匹配结果计算高程信息： ```python # 计算高程信息 focal_length = 1 # 焦距 baseline = 1 # 基线长度 height, width = left_img.shape[:2] Q = np.float32([[1, 0, 0, -width / 2], [0, 1, 0, -height / 2], [0, 0, 0, focal_length], [0, 0, 1 / baseline, 0]]) points_3d = cv2.reprojectImageTo3D(disparity, Q) ``` 以上就是基于OpenCV的Python实现方法，可以根据实际情况进行调整和优化。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BIT可达鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值