The dataset contains 10,000 satellite images and almost 50,000 mesoscale cloud clusters. 这个数据集包含10,000个卫星图像以及近50,000个中尺度云簇 Understanding Clouds from Satellite Images_datasets.txt

分段-unet-maskrcnn 使用Unet或Mask RCNN进行卫星图像分割的代码，并比较这两种方法。 请在博客文章“ 查看更多详细信息 开始吧 ：使用翻转（镜像效果），rotate90，上下翻转，左右翻转来增强数据。 数据 maskRCNN的输入数据文件夹结构 训练/有效/测试 jpg（航空影像） jpg4（航空图像+阴影数据） 多边形（蒙版） Unet的输入数据文件夹结构 训练/有效/测试 jpg（航空影像） 丘陵（丘陵阴影数据） 多边形（蒙版）

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, 航空/卫星图像的深度学习 光栅视觉 注意：这个项目正在开发中，目前可能很难使用。 光栅视觉的整体目标是使它的易于训练和运行航空和卫星图像的深入学习模型。 目前，Tensorflow对象检测API实现了对象检测的任务。培训模型。预测和评估模型。 它还支

使用计算机视觉自动检测建筑物 在这个项目中，我们尝试训练基于神经网络的模型，该模型能够自动识别Nikki地区（贝宁）的建筑物。 我们从不带标签的通过Google Maps API获取的区域卫星图像开始。 这些图像将通过LabelIMG软件以YOLO格式标记，然后将为每个图像生成一个.txt文件，其中包含每个标记建筑物的相对位置。 标记完我们的训练图像后，我们就可以开始训练YOLO（一次只看一次），以便进行预测。 以下是蒙农镇上空行动的一个例子。

satdetect：从卫星图像中识别python对象。 这个 Python 包提供了一个开源管道，用于培训和评估用于人道主义目的的对象识别系统。 接触 用法 训练检测器 python -m satdetect.TrainDetector path/to/trainimage.jpg path/for/output/ [--OPTIONS] 在新图像上运行经过训练的检测器 python -m satdetect.RunDetector path/to/image.jpg path/to/classifier.dump [--OPTIONS] 有关更多信息，请参阅 TODO。 依赖关系 我们需要这些python包 麻木的 scipy sci-kit 学习 sci-kit 图像 joblib（用于将 Python 对象高质量加载/转储到磁盘） 存储库组织 satdetect/ : 模块代

免费的遥感数据下载，帮助你下载免费的卫星图像，航片等。

埃斯甘 模型架构 增强和检测 低分辨率影像与侦测 超级解决影像与侦测 高分辨率地面真理图像和边界框 依赖关系和安装 Python 3（建议使用Anaconda） PyTorch> = 1.0 NVIDIA GPU + CUDA Python软件包： pip install -r path/to/requirement.txt 训练 python train.py -c config_GAN.json 测验 python test.py -c config_GAN.json 数据集 从此处下载数据集。 这是创建自定义图像补丁的GitHub存储库。 从此处下载预制数据集， 此脚本可与预制数据集一起使用，以创建高/低分辨率和双三次图像。 确保将注释文件（.txt）复制到HR，LR和Bic文件夹中。 编辑JSON文件 需要根据用户目录更改以下JSON文件的目录。 有关详细信息，

95云：38云数据集的扩展 （ ）中引入的95-Cloud是对我们先前发布的云检测数据集（ ）的扩展。 它由384 * 384的34,701个补丁组成，用于培训。 95云的测试集与38云的测试集完全相同。 训练补丁是从75个Landsat 8 Collection 1 Level-1场景中提取的，这些场景大多位于北美。 95-Cloud的测试集包括20个场景的9201个补丁。 95云和38云的测试集完全相同。 但是他们的训练方式是不同的。 95-Cloud的场景比38-Cloud的要多训练57个场景。 每个贴片具有4个对应的光谱通道，分别是红色（波段4），绿色（波段3），蓝色（波段2）和近红外（波段5）。 与其他计算机视觉图像不同，这些通道不会合并在一起。 相反，它们位于其对应目录中。 数据集的目录树与38-Cloud完全相同。 由于篇幅所限，该数据集分为两部分：95个云训练+的

FOSSEE-案例研究2-图像处理 由IIT BOMBAY主持的Scilab FOSSEE中也提供了从损坏的卫星图像中去除云的代码作为我暑期实习的贡献。 项目链接如下 从顶部在第19行列出