批量处理sentinel-2影像数据，利用cen2cor插件，内包含sen2cor插件及python脚本
2021-08-30 10:49:54
189.96MB
1
针对当前高光谱遥感影像分类人工标注样本费时费力，大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题，提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维，在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后，通过稀疏自编码器得到原始数据的稀疏特征表达，并通过逐层无监督学习稀疏自编码器构建深度神经网络，输出原始数据的深度特征，将其连接到softmax分类器，利用少量标记样本以监督学习的方式完成模型的精调。最后，利用主动学习算法选择最不确定性样本对其进行标注，并加入至训练样本以提高分类器的分类效果。分别对PaviaU影像和PaviaC影像进行分类实验的结果表明，该方法在少量标记样本情况下，相对于传统方法能有效地提高分类精度。
2021-08-29 17:01:44
1.49MB
1
医学影像分割是计算机辅助诊断中的一项基础且关键的任务，目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像，医学影像往往纹理复杂，同时受限于成像技术和成像设备，医学影像噪声大，边界模糊而不易判断。除此之外，对医学影像进行标注极大依赖于医疗专家的认知和经验，因此可用于训练中的标注数据少且存在标注误差。由于上述的医学影像边缘模糊不清、训练数据较少和标注误差较大等特点，基于传统图像分割算法搭建的辅助诊断系统难以满足临床应用的要求。近年来随着卷积神经网络（CNN）在计算机视觉和自然语言处理领域的广泛应用，基于深度学习的医学影像分割算法取得了极大的成功。首先概述了近几年基于深度学习的医学影像分割的研究进展，包括这些医学影像分割算法的基本结构、目标函数和优化方法。随后针对医学影像标注数据有限的问题，对目前半监督条件下医学影像分割的主流工作进行了整理归纳和分析。此外，还介绍了针对标注误差进行不确定度分析的相关工作。最后，总结分析了深度学习医学影像分割的特点并展望了未来的研究趋势。
2021-08-29 09:10:56
2.48MB
1
完整版（34个视频49.9元）：https://download.csdn.net/download/yingcai111/21699945
2021-08-28 18:04:24
2.75MB