深度学习是近几年图像识别领域的一门新兴技术,能够自动学习影像深层次特征 从而进行准确的分类决策,为得到更好的高分辨率遥感影像分类结果带来新的契机
2022-04-18 16:36:47 4.19MB U-net 遥感图像 分类 深度学习
1
在 Keras 中使用Baseline U-Net 模型和图像增强通过语义分割进行烟雾检测 这个 repo 是的部分实现 此用例的主要目的是检测任何背景中的烟雾。 烟雾的来源、颜色、环境等也可能有变化。我们应该能够从语义上分割烟雾以分析它的各种特征,如颜色、强度、烟雾喷射持续时间(来自视频源)等。 master分支具有U-Net的实现,但是在不同分支中提供了使用另一种实现。 优网 U-Net 是一种卷积神经网络,是德国弗莱堡大学计算机科学系为生物医学图像分割而开发的。 该网络基于全卷积网络,其架构经过修改和扩展,可以使用更少的训练图像并产生更精确的分割。 建筑学 图片来源:德国弗赖堡大学计算机科学系 在 Kaggle Airbus 船舶检测挑战中, 使用这个模型从过滤器尺寸 8 开始,从 768x768 图像检测船舶。 但是,我已将它用于从 Google 搜索获得的“烟雾图像”并将其调
2022-01-01 19:40:54 20.69MB unet unet-image-segmentation linknet unet-keras
1
pytorch-3dunet PyTorch实施3D U-Net及其变体: 基于3D U-Net的标准3D U-Net ÖzgünÇiçek等人。 基于残差3D U-Net。 该代码允许对U-Net进行以下方面的训练:语义分割(二进制和多类)和回归问题(例如降噪,学习解卷积)。 二维U网 也可以训练标准2D U-Net,有关示例配置,请参见 。 只需确保将单例z维保留在H5数据集中(即(1, Y, X)而不是(Y, X) ),因为数据加载/数据扩充始终需要3级张量。 先决条件 Linux NVIDIA GPU CUDA CuDNN 在Windows上运行 该软件包尚未在Windows上进行过测试,但是有报告称该软件包已在Windows上使用。 要记住的一件事:在使用CrossEntropyLoss进行训练时:配置文件中的标签类型应该从long更改为int64 ,否则会出现错误:
2021-11-16 15:48:36 30.49MB pytorch unet semantic-segmentation volumetric-data
1
网络 使用MobileNetV2上的转移学习方法在移动环境中进行巩膜分割的U-Net模型 该存储库包含使用Keras和Tensorflow的U-Net架构的实现,其背后支持Tensorflow,以使用转移学习方法对Sclera进行分段。 1-建议的方法 所提出的方法采用了以MobileNetV2类特征为条件的U-Net启发模型来分割眼睛的巩膜和背景,其中对MobileNetV2模型应用了两阶段的微调。 数据通过不同的模型进行了扩充。 在我们的方法中,我们将U-Net [U-Net]与预训练的MobileNetV2 [MobileNetV2]结合使用。 U-Net基于全卷积网络,我们修改了其体系结构以使用较少的训练样本并实现更准确的分段。 我们将MobileNetV2随附的预训练权重用于ImageNet数据集[ImageNet],并在巩膜域上对其进行了微调。 为了提供域适应性,我们根据M(
2021-11-05 16:31:43 9KB Python
1
很多初入深度学习的学生都会遇到各种环境配置问题,环境搭建不好模型就跑不了,所以这是限制新手的一大难点,MATLAB具有成熟的运行环境,无需配置,这点对于想跑通一个深度学习模型的新手是非常有利的。所以,本教程手把手教你使用MATLAB中的深度学习框架,完成遥感影像分类的具体操作步骤。本教程给出完整的代码、操作手擦、原始训练及测试样本,旨在最大限度的简化操作步骤,让深度学习零基础的学生也可以轻松跑通深度学习代码,增加自信心和学习兴趣,为遥感影像分类提供一个可借鉴的新型的方法。
2019-12-21 21:39:56 6.26MB 遥感影像分类 深度学习 U-Net模型 MATLAB
1