Advertisement

孪生自注意力网络高光谱图像变化检测Python代码与数据集

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


简介:
该资源由基于孪生自注意力网络构建的高光谱图像变化检测系统的Python源码及数据集而成。建议在稳定运行后方能下载使用,请提前做好测试环境配置。 该资源主要面向计算机相关专业领域的学生、教师及企业员工提供技术支持与学习参考。 本项目具有较高的实用价值与学术借鉴意义,在掌握基础原理后可作为进一步开发研究的理想起点。 具备一定技术基础或对技术创新感兴趣的研究者均可基于此项目开展扩展性开发与应用探索。 在项目解压完成后,请确保项目名称和路径字段避免使用中文字符。为了避免解析不了的问题,请建议您完成解压操作后将文件重新命名为英文名称以便顺利执行程序。如遇任何问题,请通过私信联系作者。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 异常
    优质
    高光谱异常检测数据集是一套用于识别与背景环境在化学或物理特性上存在显著差异的目标或区域的数据集合,广泛应用于矿物勘探、环境保护及军事侦察等领域。 本资源包含高光谱异常探测工作中常用的两组数据集:圣地亚哥机场数据和HYDICE数据集。这些数据均为mat格式,并包含了真实异常分布图。
  • STANet: 时空神经在遥感中的应用实施
    优质
    STANet是一种创新性的时空注意力神经网络,专为提升遥感图像变化检测精度而设计。通过有效捕捉时空信息,该模型能够显著增强变化检测的准确性与效率,在相关领域展现出巨大潜力。 STANet用于遥感图像变化检测是本段落的实现:一种基于时空注意力的方法以及一个新的数据集专门用于这一领域的研究。在这里,我们提供了使用Pytorch构建的时间空间注意神经网络(STANet)的代码实现,并且已经进行了多次更新以适应不同的需求: 变更记录: 2021年1月12日: 添加了PAM预训练权重。 2020年11月5日: 增加了一个快速入门演示。增加了更多的数据集加载器模式,增强了图像增强模块(包括裁剪和旋转功能)。 2020年6月1日: 首次提交。 先决条件: - Windows或Linux操作系统 - Python 3.6及以上版本 - CPU或者NVIDIA GPU - CUDA 9.0及以上版本 - PyTorch>1.0及其他相关依赖项(如torchvision等) 安装步骤: 1. 克隆此仓库。 2. 安装PyTorch和其他所需的库。
  • 遥感影分类
    优质
    本项目聚焦于开发和应用先进的高光谱遥感影像分类算法及模型,并提供高质量的数据集以促进相关研究。 模型包括CNN, SAE, KNN 和 SVM。数据集使用了Indian_pines和Pavia。
  • 遥感常见
    优质
    本资料涵盖了高光谱及遥感图像领域内的主要数据集概览,包括各类应用的数据来源、特点及其获取途径。 这里包含常用的高光谱图像(HSI)数据集,如Indian Pavia等。每个数据集中都包含了原始图像信息及其对应的地面真实类别标签。由于文件大小限制,目前只能上传这两个数据集,还有Salinas等其他数据集可供使用,如有需要请留言说明。
  • 解混——Samon
    优质
    Samon是一款专为高光谱图像解混设计的数据集,包含多样化的地物光谱信息和复杂的混合像元场景,旨在促进机器学习算法在遥感领域的应用与发展。 高光谱图像解混数据集Samon提供了一系列用于研究的高光谱图像数据。该数据集旨在支持对复杂场景中的材料进行精确识别与分析的研究工作。
  • 】KSC版本
    优质
    简介:本数据集为改良版肯塔基草地(KSC)高光谱图像集合,适用于各类分类算法的研究与测试。 On March 23, 1996, NASAs AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) instrument collected data over the Kennedy Space Center in Florida. The AVIRIS collects data across 224 bands with a width of 10 nm and center wavelengths ranging from 400 to 2500 nm. Data were acquired at an altitude of approximately 20 km, resulting in a spatial resolution of 18 meters. After removing water absorption and low signal-to-noise ratio (SNR) bands, the analysis used 176 remaining bands. Training data for classification were selected based on land cover maps derived from color infrared photography provided by Kennedy Space Center and Landsat Thematic Mapper imagery. A vegetation classification scheme was developed at KSC to define functional types that are discernible at both Landsats spatial resolution and that of the AVIRIS data. The similarity in spectral signatures for certain vegetation types makes it challenging to distinguish land cover classes. For this analysis, 13 distinct land cover categories were defined to represent various environmental conditions present within the Kennedy Space Center area.
  • 异常合成
    优质
    本数据集专为高光谱图像中的异常检测设计,包含大量人工合成样本,旨在提升算法在复杂背景下的识别精度与鲁棒性。 分享了一个高光谱异常探测合成数据集,尺寸为120x120像素,主要用于高光谱图像的异常检测。如有需要,请自行下载使用,并参考文件中的论文描述进行引用。相关代码可在本人分享资源处下载。
  • 遥感常用(2)
    优质
    本资料介绍高光谱与遥感图像领域常用的第二部分数据集,涵盖不同应用场景下的高质量、多维度的数据资源。 该包提供了遥感图像分析中常用的Salinas数据集,格式为mat文件,包含各波段的信息以及对应的地面真实标签数据。