已有基于深度学习的机载激光雷达点云分类方法存在训练时间长、对样本数据需求量较大等问题,无法广泛应用于不同情况下的复杂场景。针对该问题,提出了一种基于迁移学习的小样本机载激光雷达点云分类方法。该方法首先对机载激光雷达点云进行光谱信息的补充,通过提取点云数据的归一化高度、强度值和植被指数特征构建三通道点云特征图;通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并基于迁移学习方法进行多尺度、多投影的深层特征提取。针对上述提取的深层次特征,利用池化操作提取全局特征,并采用卷积神经网络进行初步分类,然后利用图割全局优化策略实现机载激光雷达点云的高精度分类。采用国际摄影测量与遥感协会提供的标准测试数据集对所提方法进行验证。与该协会网站上已公布的分类结果以及同样采用迁移学习方法的分类结果相比,所提方法在仅使用训练集中约0.6%的数据作为训练样本的情况下,总体分类精度可以达到94.9%,分类精度最高。

随着光学和电子技术的迅猛发展,基于光与物质相互作用而建立的分析测试方法愈来愈广泛地应用于物理、化学和生物等各个学科领域,特别是在物质组成和结构的研究、基团的识别、几何结构的确定以及表面分析等方面,具有很大的优越性。文章主要介绍了土壤重金属光谱检测中几种典型的方法,总结了各种光谱检测技术的优缺点,并概述了国内外土壤重金属光谱检测的研究现状,提出了土壤重金属光谱检测的进一步研究方向。

拉曼光谱matlab代码电缆结构的自动峰值拾取 使用修正的 AMPD（基于多尺度的自动峰值检测）[1] 和基线校正后的 MAD（中值绝对偏差）的全自动峰值拾取方法 [2]。 此存储库中的源代码已上传以用于结果部分的复制。 SS Jin、SH Jeong*、SH Sim、DW Seo 和 YS Park (2021)，斜拉桥中自主斜拉索监控系统的全自动峰值拾取方法，施工自动化，126, 103628, . 所有源代码均由金博士开发。 Faster R-CNN 的结果是由 Jeong 博士在 PYthon 中使用 Tensorflow 获得的。 源代码仅适用于上传的数据集，因为该算法正在申请专利。 如果您对我们的方法感兴趣，请联系“”。 [源代码] 通过运行以下 m 文件，可以使用 Faster R-CNN 的结果执行三种自动峰值拾取方法 Main_Run_automatic_peak_picking.m：为每个类运行四种自动峰值拾取方法 [数据] 定义了自动采峰的三个难度级别。 f_PSD_data_class_easy_data.mat: 20 PSDs for easy class

天文光谱分类算法在分布式环境下的应用研究.pdf

本资源包含matlab源码、项目汇报ppt、项目结课报告 该项目包含三个模块，第一块是光谱交叉相关匹配，第二块是遥感影像融合中的遥感影像多光谱与全色IHS融合、第三块是遥感影像分类中的基于ENVI的遥感影像分类。

2021-2027全球与中国ICP-OES光谱仪市场现状及未来发展趋势.docx

2021-2027全球与中国ICP光谱仪市场现状及未来发展趋势.docx

高光谱波段合并程序

高光谱波段提取程序

遥感中研究小区光谱提取程序