STANet用于遥感图像变化检测
它是本文的实现：一种基于时空注意力的方法和一种用于遥感影像变化检测的新数据集。
在这里，我们提供了时空注意力神经网络（STANet）的pytorch实现，用于遥感图像变化检测。
变更记录
20210112：
添加PAM的预训练权重。 ，代码：2rja
20201105：
添加演示以快速入门。
添加更多的数据集加载器模式。
增强图像增强模块（裁剪和旋转）。
20200601：
第一次提交
先决条件
Windows或Linux
Python 3.6+
CPU或NVIDIA GPU
CUDA 9.0+
PyTorch> 1.0
视觉
安装
克隆此仓库：
git clone https://github.com/justchenhao/STANet
cd STANet
安装 1.0+和其他依赖项（例如，torchvision， 和 ）
2022-05-03 19:42:27
1.93MB
1
VAE-火炬
VAE和CVAE的Pytorch实施
VAE
为了生成某些东西，例如我们的mnist位数，我们需要找到mnist $ P（X）$的真实分布。 如果找到了，那么我们需要做的就是从$ P（X）$中抽取样本，然后完成所有操作。 但是，我们无法获得$ P（X）$，因此VAE会使用潜在变量来近似$ P（X）$。 $$ P（X）= \ int P（x | z）P（z）$$然后，我们要做的就是从z采样，并使用$ P（x | z）$生成x。
为了训练该$ P（x | z）$并找到合适的Z，我们将定义$ P（z | x）$。 $$ P（Z）= \ int P（z | x）P（x）$$此外，为了进行采样，VAE在$ P（z | x）$上施加了一些约束，并使其成为正态分布$ N（0，1）$。 然后我们有$$ P（Z）= \ int P（z | x）P（x）= N（0，1）\ int P（x\uff09=
2022-05-03 16:49:00
65.46MB
1