随着智能交通系统中的应用，航空图像车辆检测已成为一项关键工程技术，具有学术研究意义。 提出了一种基于YOLO深度学习算法的航空图像车辆检测方法。 该方法通过处理三个公共航空图像数据集来整合适合YOLO训练的航空图像数据集。 实验表明，该训练模型在未知的航拍图像上具有良好的性能，特别是对于小物体，旋转物体以及紧凑而密集的物体，同时满足实时性要求。

基于LiDAR 和航空影像的三维建模方法探讨

卫星图像深度学习：通过卫星和航空影像进行深度学习的资源

Raster Vision是一个开放源代码Python框架，用于在卫星，航空和其他大型影像集（包括倾斜的无人机影像）上构建计算机视觉模型。 它允许用户（不需要成为深度学习专家！）可以快速重复地配置执行机器学习管道的实验，包括：分析训练数据，创建训练芯片，训练模型，创建预测，评估模型和捆绑模型文件和配置，以便于部署。 内置支持使用PyTorch进行芯片分类，对象检测和后端语义分割。 可以在内置支持使用在云中运行的CPU和GPU上执行实验。 该框架可扩展到新的数据源，任务（例如实例分段），后端（例如Detectron2）和云提供商。 有关更多详细信息，请参见。 建立 可以通过多种方法来设置Raster Vision： 要从头开始构建Docker映像，请克隆此仓库后，运行docker/build ，然后使用docker/run容器。 Docker映像已发布到 raster-vision图像的标签确定它是哪种图像： pytorch-*标签用于运行PyTorch容器。 每次合并到master ，我们都会发布一个新标签，并使用提交哈希的前7个字符进行标签。 要使用最新版本，请拉l

用户友好的商业级软件，用于无人机图像处理。 从航空影像生成地理参考地图，点云，高程模型和带纹理的3D模型。 它支持多种引擎进行处理，目前支持和 。 入门 Windows和macOS用户可以购买自动，从而简化了安装过程。 您也可以从实时USB / DVD运行WebODM。 请参见 。 寻找纯UI安装的Windows用户也可以从下载“ Desktop App”。 要手动安装WebODM，请执行以下步骤： 安装以下应用程序（如果尚未安装）： Python 点子 Windows用户应安装并且1）确保已启用Linux容器（切换到Linux容器...），2）为Docker提供足够的CPU（默认为2）和RAM（> 4Gb，16Gb更好，但留给Windows使用）转到设置-高级，然后3）选择要将虚拟硬盘驱动器驻留在硬盘驱动器上的位置（设置-高级-图像和卷）。 从Docker Quickstart Terminal或Git Bash（Windows），或从命令行（Mac / Linux），键入： git clone https://github.com/OpenDroneMap/WebODM

概述 这是 ， 和华盛顿大学之间合作的工作空间，旨在自动检测航空影像中的北极野生生物。 意象 现在可以在公开获取图像， 是一个开放的数据存储库，用于保存与保护生物学相关的图像。 标签 data目录包含以下标签/元数据文件： train.csv （5,110条记录）：热点检测数据，我们拥有所有对应的图像数据（请参阅下文）。 当前，所有这些热点均引用数据集ArcticSealsData01中的图像。 test.csv （1,314条记录）：与train.csv相同的格式和分布，适用于交叉验证。 CSV文件中的每个记录均指的是NOAA热探测系统所拾取的热点，人类将其分类为“动物”（真阳性）或“异常”（假阳性）。 每个热点都是唯一的（没有重复项）。 列架构如下： hotspot_id ：唯一ID timestamp ：GMT / UTC时间戳（始终对应于热图像时间戳） filt_the

塔童军 从卫星和航空影像中识别冷却塔的工具 TowerScout团队：黄凯伦（Karen Wong），贡纳尔·梅恩（Gunnar Mein），赛迪杜斯·塞古拉（Thaddeus Segura），贾鲁（Jia Lu） 根据CC-BY-NC-SA-4.0许可（有关详细信息，请参阅存储库根目录中的LICENSE.TXT）

通过分析机载雷达（LIDAR）点云数据与航空影像数据特点，提出了融合机载LIDAR点云和航空影像的建筑物轮廓探测方法。分别提取机载点云和航空影像中的部分建筑轮廓线，将轮廓线拟合成直线段的建筑物轮廓边，并以两相邻且垂直的轮廓边相交得到建筑的角点，根据建筑物的同名角点实现机载点云和航空影像的配准融合；将航空影像的光谱信息赋予机载点云，并将光谱信息作为特征向量进行聚类，分离出植被和树木等地物，利用高程信息从光谱信息相似的地面道路和建筑物中分离出建筑物，提取建筑物的轮廓边，完成建筑物轮廓的探测。实验结果表明，利用该方法进行建筑物点云的分类正确率可达97.96%，轮廓边的提取精度可达0.21 m，能够有效的实现建筑物轮廓的探测。

针对遥感图像语义分割中存在对多尺度目标的漏检和分割边界粗糙等问题,提出了一种基于注意力金字塔网络的航空影像建筑物变化检测方法。该方法采用编码-解码结构,在编码阶段使用ResNet101作为基础网络来提取特征,并在部分残差模块应用空洞卷积增大感受野,同时将金字塔池化结构作为编码网络的最后一层,以提取图像多尺度特征;在解码阶段的横向连接过程中引入注意力机制以突出重要特征,并采用自上而下的密集连接方式计算特征金字塔,有效融合不同阶段、不同分辨率的特征。在大型建筑物变化检测数据集上进行验证实验,实验结果表明所提方法在对不同尺寸建筑物目标的变化检测中展现出了良好的适应性,相比于经典语义分割网络具有一定的优势。

TTPLA：用于输电塔和输电线的检测和分段的航拍图像数据集 TTPLA是一个公共数据集，它是输电塔（TT）和输电线（PL）上的航拍图像的集合。 这是论文的官方资料库。 该存储库包括： TTPLA数据集的原始图像带有COCO格式的像素级批注。 （2021年3月更新）。 分割文本文件包含分割为train.txt，validate.txt和test.txt后的图像名称列表。 基于两个不同的主干和三个不同的图像大小的训练模型的权重。 准备数据： 修改resize_image_and_annotation-final.py以使用目标图像尺寸（第10行）。 然后，使用python resize_image_and_annotation-final.py -t 调用脚本。 它将产生一个名为sized_data新文件夹。 然后，如果要删除void标签，请调用remov