Advertisement

建筑物的遥感影像分割数据集

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

简介：
本数据集包含大量建筑物的遥感影像，旨在为计算机视觉与机器学习研究者提供精准标注的分割样本，推动智能城市规划及灾害监测领域的发展。 遥感影像中的建筑物分割标注数据集包含1000张图片及其对应的1000个标签，所有标签均为纯手工标注，并公开分享资源。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 建筑物的遥感影像分割数据集
    优质
    本数据集包含大量建筑物的遥感影像，旨在为计算机视觉与机器学习研究者提供精准标注的分割样本，推动智能城市规划及灾害监测领域的发展。 遥感影像中的建筑物分割标注数据集包含1000张图片及其对应的1000个标签，所有标签均为纯手工标注，并公开分享资源。
     
  • 建筑物分类用遥感图像数据集.zip
    优质
    本数据集包含大量建筑物分类用的遥感图像，旨在为研究者提供一个全面且高质量的数据资源库，促进相关领域技术的发展与应用。 遥感图像的建筑物分类数据集
     
  • 地标建筑的遥感影像数据库
    优质
    本项目致力于构建全球重要地标建筑的遥感影像数据库，通过收集、处理和分析多源卫星及无人机图像数据，为城市规划与建筑设计提供精准的空间信息支持。 遥感图像地标建筑物数据集
     
  • 遥感影像数据集
    优质
    遥感影像数据集是一系列通过卫星或飞机等平台获取的地表观测图像集合，涵盖不同地区、时期及光谱范围，广泛应用于环境监测、城市规划和自然资源管理等领域。 遥感图像数据集采用tif格式，适用于图像融合、图像分割等领域，非常实用。
     
  • 遥感影像的分割算法
    优质
    遥感影像是通过卫星或飞机等远程传感器获取的地表图像数据。遥感影像分割算法旨在将这些大尺度、多光谱的数据划分为有意义的同质区域，以便进一步进行目标识别与分类分析，从而提高信息提取的精度和效率。 遥感图像分割是处理这类图像的关键步骤之一。马尔科夫随机场模型作为一种先验模型，在图像分割领域得到了广泛应用，并且实践证明它有助于提高图像的分割效果。然而，由于环境因素及传感器特性的影响，遥感图像是灰度变化大、纹理复杂以及边界模糊等特征突出，这使得传统的马尔科夫随机场模型在处理这类问题时往往表现不佳。 本段落针对遥感图像中某些像素分类的不确定性，提出了一种新的方法——模糊马尔可夫随机场（FMRF）模型。该模型结合了分割中的随机性和模糊性特点，并合理地获取了先验知识，更好地适应了遥感图的特点，从而使得在进行图像分割时应用先验信息更为准确。 此外，在算法设计上，本段落特别考虑到了灰度特征和纹理特征的差异以及它们的重要性，采用了贝叶斯方法并利用权重来平衡这两种特性。为了解决数据不完整的问题，并找到全局最优解，我们还引入了最大期望（EM）算法与模拟退火（SA）技术进行优化处理。 通过上述改进措施，模糊马尔可夫随机场模型能够更准确地识别和区分遥感图像中的不同类别，在无监督环境下取得了较好的分割效果。
     
  • UCMerced_LandUse遥感影像数据集
    优质
    简介：UCMerced_LandUse 遥感影像数据集是一套针对土地利用多样性的高质量遥感图像集合，适用于土地覆盖分类与变化检测等研究领域。 本资源是UCMerced_LandUse遥感图像数据集，包含21类图像，每类有100张图片。该数据集可用于土地资源分类。
     
  • RSC11遥感影像数据集（.7z）
    优质
    RSC11遥感影像数据集包含丰富的高分辨率卫星图像，适用于多种地球观测任务和深度学习应用。以压缩文件形式提供(.7z)方便下载与存储管理。 RSC11 数据集是一个包含高分辨率遥感影像的数据集合，这些图像来源于 Google Earth。每张图片的尺寸为 512*512 像素，并且数据集中共有 11 类不同的场景图像，每一类大约有 100 张图，总计约有 1232 张图片。
     
  • 高光谱遥感影像数据集
    优质
    高光谱遥感影像数据集是一套包含连续可见光到短波红外区域光谱信息的数据集合，用于精确的地物识别与分类。 常用的高光谱遥感图像数据集包括Indians Pines、Botswana、KSC、PaviaU和Salinas，以及它们的ground truth矩阵。这些文件的后缀为.mat。
     
  • 已完成标注的荷兰耕地语义分割遥感影像数据集
    优质
    本数据集包含大量荷兰地区已标注耕地信息的高分辨率卫星影像，旨在促进农业监测与土地利用研究中的深度学习应用。 荷兰耕地的语义分割遥感影像数据集已经完成标注。
     
  • 基于PyTorch的高分辨率遥感影像建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。