Advertisement

基于0.5米高分辨率遥感影像的在运车辆道路自建UTSV2023数据集(Urban Traffic Sat View 2023)

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:ZIP


简介:
本研究构建了Urban Traffic Sat View 2023数据集,采用0.5米高分辨率遥感图像,专注于监测城市中行驶的各类在运车辆及其道路分布情况。 本人自主构建的UTSV2023数据集规模较大,包含了1372张高分辨率遥感影像片段,覆盖了城市范围内不同的地理位置和天气条件。纯手动标注60522个城市道路在运行的机动车实例,涵盖了不同类型和尺寸的车辆。具体来说,数据集包含51417辆小型车(samllcar,类别0),870辆疑似小型车(smallcar,类别1)。这类车辆在遥感影像中由于未知因素影响,其外显的轮廓和尺寸更小,因此肉眼无法明确辨识其一定是小型机动车,但根据主观经验判断其大概率是小型机动车。大型车(largecar,类别2)方面包含4785辆实例,这些车辆包括货车、铰链车等,在道路交通中占据较大空间且外形特征鲜明突出。最后一类是中型车(midcar,类别3),共有3480辆此类车辆的实例。中型车介于小型车和大型车之间,是一个重要类别。此数据集规模及四种类别分布使其成为一个强大的资源,可用于支持复杂的交通分析和深度学习模型训练。 基于labelimg手动标注该数据集,标签格式为yolo系列算法所需的txt文件格式。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 0.5UTSV2023Urban Traffic Sat View 2023
    优质
    本研究构建了Urban Traffic Sat View 2023数据集,采用0.5米高分辨率遥感图像,专注于监测城市中行驶的各类在运车辆及其道路分布情况。 本人自主构建的UTSV2023数据集规模较大,包含了1372张高分辨率遥感影像片段,覆盖了城市范围内不同的地理位置和天气条件。纯手动标注60522个城市道路在运行的机动车实例,涵盖了不同类型和尺寸的车辆。具体来说,数据集包含51417辆小型车(samllcar,类别0),870辆疑似小型车(smallcar,类别1)。这类车辆在遥感影像中由于未知因素影响,其外显的轮廓和尺寸更小,因此肉眼无法明确辨识其一定是小型机动车,但根据主观经验判断其大概率是小型机动车。大型车(largecar,类别2)方面包含4785辆实例,这些车辆包括货车、铰链车等,在道路交通中占据较大空间且外形特征鲜明突出。最后一类是中型车(midcar,类别3),共有3480辆此类车辆的实例。中型车介于小型车和大型车之间,是一个重要类别。此数据集规模及四种类别分布使其成为一个强大的资源,可用于支持复杂的交通分析和深度学习模型训练。 基于labelimg手动标注该数据集,标签格式为yolo系列算法所需的txt文件格式。
  • 动态阈值提取
    优质
    本研究提出了一种基于动态阈值的方法,有效提升了高分辨率遥感图像中道路信息的自动识别与提取精度,为城市规划和交通管理提供强有力的数据支持。 本段落提出了一种基于动态阈值的道路提取方法,旨在解决单一阈值无法全面捕捉高分辨率遥感影像中各处道路信息的问题。首先对影像进行预处理。
  • 公开
    优质
    本数据集提供丰富的全球道路信息,基于公开遥感影像精确定位与标注,适用于自动驾驶、地理信息系统及交通规划等领域研究。 包括Spacenet、Massachusetts、CHN6-CUG、DeepGlobe等公开数据集。
  • 深度学习语义
    优质
    本研究利用深度学习技术,针对高分辨率遥感影像进行高效准确的语义分割,旨在提升图像解译精度与自动化水平。 高分辨率遥感影像包含大量地理信息。然而,基于传统神经网络的语义分割模型难以从这些图像中的小物体提取高层次特征,导致较高的分割错误率。本段落提出了一种改进DeconvNet网络的方法,通过编码与解码结构特征连接来提升性能。在编码阶段,该方法记录池化操作的位置并在上采样过程中加以利用,有助于保留空间信息;而在解码阶段,则采用对应层的特征融合以实现更有效的特征提取。训练模型时使用预训练模型可以有效扩充数据集,从而避免过拟合问题的发生。 实验结果显示,在优化器、学习率和损失函数适当调整的基础上,并通过扩增的数据进行训练后,该方法在验证遥感影像上的分割精确度达到了约95%,明显优于DeconvNet和UNet网络的表现。
  • 消除技术(2008年)
    优质
    本研究聚焦于开发先进的算法和技术,用于处理和分析高分辨率遥感图像中的阴影问题。通过创新的方法去除或减少阴影干扰,提高图像解析精度及信息提取效率,为环境监测、城市规划等领域提供有力支持。 本段落提出了一种全自动彩色影像阴影去除算法,基于对阴影属性的分析。首先将图像转换为HSI(色调、饱和度、亮度)空间,并利用阴影区域亮度低且饱和度高的特点,结合小区域处理与数学形态学方法来精确定位阴影区域。接着,在各独立的阴影区域内以及其邻近非阴影区域中分别进行匹配补偿操作,针对I、H和S分量图中的变化做出调整。最后将图像转换回RGB空间以完成去影过程。实验结果显示该算法能够在不改变原始影像非阴影部分信息的前提下有效去除阴影影响。
  • Pytorch语义割-及全流程教学资料.zip
    优质
    本资源包提供基于PyTorch的高分辨率遥感影像语义分割教程,包含详尽的数据处理、模型训练和评估流程,适合科研与学习使用。 本段落介绍了使用Pytorch实现高分遥感图像语义分割的方法,并提供了数据集下载链接以及完整的流程教程。
  • 提取与检测算法研究
    优质
    本研究致力于开发先进的机器学习和计算机视觉技术,以提高从遥感图像中自动识别道路及行驶车辆的能力。通过创新性地结合多源遥感数据和深度学习模型,我们探索了一种高效、准确的道路提取与车辆检测方法,旨在为智能交通系统提供强有力的数据支持。 摘要:基于遥感图像的道路提取与道路车辆检测算法在交通信息提取技术领域备受关注。本段落提出了一种改进空洞空间卷积池化金字塔结构的算法,并结合抑制性检测方法来增强道路识别效果及提高道路上行驶车辆的精确度。 背景知识: 1. 从遥感图中获取交通数据是当前研究中的重要议题。 2. 上述所提技术可以显著提升道路提取和路面行车辨识的质量与准确性。 3. 改进后的空洞空间卷积池化金字塔结构有助于优化道路识别效果。 4. 抑制性检测算法能够提高车辆在道路上的定位精度,减少误检率。 5. 遥感图中的交通信息如道路布局和行驶车辆的数量分布一目了然,是关键的数据来源之一。 6. 在真实遥感图像中提取有效的交通数据面临诸多挑战:首先,这些图片覆盖大范围地理区域且背景复杂;其次,路面通常表现为线状特征,并受到大量遮挡物干扰,使精确识别变得困难。此外,在道路上检测车辆时必须排除非道路环境中的误检情况。 7. 传统方法如Kass等人提出的snake模型曾被用于提取交通信息。 8. 遥感图像中提取的道路数据主要通过两种途径:一是基于手动设计特征的传统方式,二是利用深度学习技术的现代手段。 详细说明: 1. 利用遥感图来获取城市规划、道路管理及智能车辆调度等领域的关键交通资料是当前研究的重要方向。 2. 本段落算法旨在优化空洞空间卷积池化金字塔结构以增强道路识别,并通过抑制性检测方法提升道路上行驶的车辆辨识精度。 3. 改进后的空洞空间卷积池化金字塔结构能够更好地捕捉遥感图中的特征,从而提高道路提取的质量和准确性。 4. 抑制性检测算法可有效减少遮挡物对车辆定位的影响,进而增强识别准确度。 5. 遥感图像中直观展示的道路布局及行驶车辆的位置分布是重要的交通信息来源。这些数据对于理解城市道路交通状况至关重要。 结论: 本段落提出的基于遥感图的提取道路和辨识道路上行车的技术方案,在提升道路识别精度、优化路面车辆定位以及提供关键交通资料方面具有显著优势,为智能交通系统的构建提供了有力支持。
  • PyTorch筑物深度学习提取方法
    优质
    本研究提出了一种利用PyTorch框架进行高分辨率遥感图像中建筑物自动识别与提取的深度学习算法,旨在提高建筑检测精度和效率。 基于DenseLinkNet50网络实现的遥感影像建筑提取方法,在效果上不逊于目前流行的Transformer模型,并且具有更高的检测效率。程序集成了训练、验证以及大图像测试的功能,其中在测试环节采用了旋转扩充数据与投票机制相结合的方法来提升识别精度。 针对遥感数据读取和处理部分,本项目基于GDAL库专门开发了tiffIO.py文件中的影像读写相关函数以提高性能。此程序曾使用SpaceNet数据集进行过训练,并支持用户采用该数据集或自行提供的其他数据集进行模型训练与测试。 具体而言,train.py负责模型的训练过程;valid.py用于验证阶段以评估模型表现;test.py则专门设计用来处理大尺寸图像的测试任务。预训练权重文件存放于weights/resnet50-19c8e357.pth中,作为基础网络的一部分被加载使用。