变更检测项目——实验性构建版：尝试运用深度CNN开展主动学习，提升遥感数据的检测能力。

5星

浏览量: 0

大小:None

文件类型：None

简介：
本项目为实验性质的变更检测系统，旨在通过引入深度卷积神经网络进行主动学习，优化和增强遥感图像的数据识别与分析效率。遥感中的深度主动学习可以有效地检测数据变化。使用具有预训练的ResNet34架构的暹罗U-Net模型作为编码器来执行遥感数据集上的更改检测任务，并支持深度主动学习方法。演示中使用的模型已在Colab上进行了预先训练，仅展示了基本的变化检测功能，而未展示主动学习方法（因为这需要更多的计算资源和数据）。所需设置包括安装必要的Python库版本：tensorflow 1.12.0、Keras 2.2.4、Keras-Applications 1.0.7、Keras-Preprocessing 1.0.5以及numpy 1.16.0，还需使用opencv-python-headless。

全部评论 (0)

还没有任何评论哟~

客服

变更检测项目——实验性构建版：尝试运用深度CNN开展主动学习，提升遥感数据的检测能力。

优质

本项目为实验性质的变更检测系统，旨在通过引入深度卷积神经网络进行主动学习，优化和增强遥感图像的数据识别与分析效率。遥感中的深度主动学习可以有效地检测数据变化。使用具有预训练的ResNet34架构的暹罗U-Net模型作为编码器来执行遥感数据集上的更改检测任务，并支持深度主动学习方法。演示中使用的模型已在Colab上进行了预先训练，仅展示了基本的变化检测功能，而未展示主动学习方法（因为这需要更多的计算资源和数据）。所需设置包括安装必要的Python库版本：tensorflow 1.12.0、Keras 2.2.4、Keras-Applications 1.0.7、Keras-Preprocessing 1.0.5以及numpy 1.16.0，还需使用opencv-python-headless。

Python中用于深度学习的遥感图像变化检测数据集创建及图像裁剪

优质

本研究探讨了在Python环境下利用深度学习技术进行遥感图像变化检测的数据集构建与图像裁剪方法，旨在提高变化检测算法的准确性和效率。一、我们需要制作什么样的数据集？首先需要了解的是遥感图像的变化检测依赖于多时期的数据支持，这意味着对于神经网络的输入至少要有两张图片，并且必须有一个标签来标明变化发生的区域在哪一部分。在双时相变化检测中，通常是在较新的时间点进行标注工作，比如使用2017年和2018年的两幅图像时，在2018年度的那一张上做标记。二、对于双时相遥感图像的变化检测来说，发生变化的区域通常是连续的一片。因此，在对这些图像进行标注的时候可以采用labelme软件中的多边形工具来完成这一任务。安装这个软件的过程是在conda环境中执行命令 `conda install labelme` 即可实现，并且运行之后就可以开始使用该程序来进行具体的标记工作了。

目标检测技术在深度学习中的演变：从R-CNN到Faster R-CNN

优质

本文探讨了目标检测技术在深度学习领域的演进历程，重点分析了R-CNN及其衍生算法直至Faster R-CNN的发展与突破。本段落基于个人微博内容撰写，主要介绍了R-CNN系列目标检测方法在当前技术领域中的重要地位。目标检测（object detection）的任务是在给定的图片中准确地定位物体，并标注其类别。这一任务需要解决的问题是识别出物体的位置和所属类别。然而，这个问题并不容易解答，因为物体可能具有不同的尺寸、姿态各异且分布广泛，同时可能存在多个不同类别的物体。在目标检测技术的发展历程上，有以下几个关键步骤：RCNN到SppNET再到Fast-RCNN以及Faster-RCNN。

目标检测中的深度学习——密集人头检测数据集002

优质

本研究专注于利用深度学习技术进行目标检测，尤其针对复杂背景下的密集人头检测问题。通过构建特定的数据集，优化模型以提高在拥挤场景中的人脸识别精度和效率。 brainwash数据集是一个专门用于密集人头检测的数据集。该数据集通过在人群出现的各种场景下拍摄图像，并对这些人群中的人头进行标注而生成。它包含三个部分：训练集包括10769张图片，共81975个人头；验证集有500张图片，3318个人头；测试集则由500张图片组成，共计5007个人头。这个数据集非常适合用于密集人头目标检测的训练任务。由于文件大小限制的原因，该数据集被分成了两个部分进行下载。“深度学习-目标检测-密集人头检测数据集001”是需要积分的部分，在成功下载并解压此文件后，请继续下载与之同属一个资源中的另一个文件，并在同一目录下解压即可。

深度学习中的变化检测数据集划分

优质

本文探讨了在深度学习框架下如何有效划分变化检测的数据集，以提升模型训练和验证的效果。通过合理分配训练、验证与测试部分，确保算法能准确捕捉到环境或场景的变化，为遥感影像分析等领域提供支持。变化检测数据集随机划分代码用于将所有的图像对随机划分为train、val、test三部分，每部分包含变化前的图像、变化后的图像以及对应的标注文件。

在OpenCV中利用Mask R-CNN开展深度学习对象检测与实例分割

优质

本研究探讨了如何运用OpenCV平台结合Mask R-CNN模型进行高效的物体检测和实例分割任务，为计算机视觉领域的研究人员提供了一种强大的工具组合。在OpenCV中使用Mask R-CNN进行基于深度学习的对象检测和实例分割。

基于FPGA的目标检测深度学习系统的构建与实施

优质

本项目聚焦于利用FPGA技术搭建高效能目标检测深度学习系统，通过硬件加速优化算法模型，实现低延迟、高精度的目标识别应用。为了解决当前深度学习目标检测算法中存在的计算复杂度高及内存需求大的问题，我们设计并实现了一种基于FPGA的深度学习目标检测系统，并针对YOLOv2-Tiny目标检测算法开发了硬件加速器。通过建模各模块处理时延和详细设计卷积计算模块，实验结果显示，在能效方面，CPU+FPGA异构系统的性能是双核ARM-A9架构的67.5倍、Xeon处理器的94.6倍；在速度上则是双核ARM-A9架构的84.4倍及Xeon处理器的大约5.5倍。此外，该设计在实际应用中也展现了优于先前工作的性能表现。

深度学习：密集人头检测数据集在目标检测中的应用001

优质

本研究探讨了深度学习技术中，专门针对密集场景下的人头检测问题，通过构建新颖的数据集来优化目标检测算法的有效性和准确性。深度学习-目标检测-密集人头检测数据集中的Brainwash 数据集是一个专门用于密集人群头部检测的数据集合。该数据集通过在各种有人群出现的区域拍摄照片，并对这些图像中的人头进行标注而生成。此数据集包含三个部分：训练集、验证集和测试集。 - 训练集中有10769张图片，标记了81975个人头； - 验证集中包括500张图片，标记3318个人头； - 测试集合同样拥有500张图像，并且标注了其中的5007个头部。由于文件大小限制的原因，该数据集需要分成两个独立的部分下载和解压。具体来说，“深度学习-目标检测-密集人头检测数据集001”为第一个部分；而第二个部分则命名为“深度学习-目标检测-密集人头检测数据集002”。请确保这两个文件在同一个目录下进行解压缩操作以完成完整的安装过程。此资源非常适合用于训练和评估密集人群头部的目标识别模型。