改进的圆形LBP算子 改进后的圆形LBP算子：用任意半径 R的圆形邻域将最原始的3×3 的正方形邻域替换了，能够允许在半径为 R 的圆形领域内有任意P个像素点。 双线性插值 （1，8） （2，8） （2,16）

slow-fast network 何凯明最新论文源码，内含部分注释

点云配准是基于RGB-D(RGB-depth)传感器的室内场景重建的关键技术之一。针对稀疏建图中关键帧间的点云配准问题,提出一种基于改进的随机采样一致性(RANSAC)的场景分类点云粗配准算法。首先分别利用几何信息与光度信息进行关键点的检测、描述与匹配,然后由场景分类算法判断场景类别,适应性地结合几何匹配与光度匹配,最后提出一种改进的RANSAC算法,通过有偏重的随机采样与自适应的假设评价,对关键帧间的变换矩阵进行估计。采用公开的RGB-D数据集对整体的点云粗配准算法进行实验验证,并与多种算法进行比较。实验结果表明,该点云粗配准算法能够实现稳健有效的变换矩阵估计,有助于后续的精配准与整体的室内场景重建。

基于实现多光谱图像的多标签场景分类为目的，采用卷积神经网络的方法，通过计算数据集中所有样本标签的共现矩阵，利用共现矩阵为每个标签分配不同的权重，提出了一种新的计算损失函数的方法。所设计的卷积神经网络能够充分利用除了红绿蓝三通道之外的光谱信息，同时也能够利用已有的预训练的卷积神经网络权重进行参数的初始化，使得网络能够快速收敛。所提出的算法在Planet Amazon数据集上取得了最高的F值，从而得出了该算法具有高准确率和高可行性的结论。

计算机视觉作业-2018Spring 内容 混合图像。 拐角检测。 标度空间斑点检测。 ：场景分类器 视觉词袋模型和最近邻分类器（kNN）。 视觉单词袋模型和判别式分类器（SVM）。 在ImageNet上使用ResNet50预训练的权重进行转移学习。 在ImageNet上使用VGG16预训练的权重进行转移学习。 在ImageNet上使用GoogleNet预训练的权重进行转移学习。 消失点检测。 单视图计量。 使用参考对象的高度查找图像中对象的高度。 图像拼接。 贡献者 和（

此示例的主要目标是使用 MIT Places 数据集的子集和预训练模型 Places365GoogLeNet 演示 MATLAB 功能在场景分类解决方案中的使用。 代码结构分为四部分： - 在“第 1 部分”中，我们从头开始构建一个简单的 CNN，对其进行训练和评估。 - 在“第 2 部分”中，我们“按原样”使用预训练模型 Places365GoogLeNet。 - 在“第 3 部分”中，我们采用了一种迁移学习方法，该方法演示了使用 MATLAB 中的迁移学习进行图像分类的一些最新功能和最佳实践。 - 最后，在“第 4 部分”中，我们采用图像数据增强技术来查看它们是否会带来改进的结果。 该示例应易于修改并扩展到用户需求。 笔记： - 本示例中使用的数据集（Places365-Standard 数据集的子集）可在以下网址找到： https ://www.dropbox.com/s/a

高分辨率光学遥感场景分类的深度度量学习方法.pdf

行业分类-物理装置-用于遥感场景分类的多任务神经网络框架及分类方法.zip

本文按照场景分类的大体框架对国内外场景分类发展的现状进行了描述.在对不同的场景分类方法进行详细描述的基础之上,将各种方法进行系统的分析、比较和总结,最后对场景分类的未来发展趋势作出了展望。对场景分类未来发展的挑战和发展趋势给出了明确的介绍，对于图像场景分类方向的研究有很大的帮助。

rscup: 遥感图像场景分类