摘要： 哨兵2号云检测的语义分割，提出了CloudNet，不使用池化和上采样操作，从头到尾保持原图大小，中间每个块使用ASPP和残差连接，网络结构如下 比较了CNN, FCN, DeeplabV3+，效果都没CloudNet好，效果最好的层数是12，分支是8个 阅读全文

摘要： 对哨兵1号的多时相双极化SAR数据进行预处理，得到18个日期的VV和VH共36景影像，通过ANOVA和JM距离分析，选其中ANOVA得到的F值最高的6景影像。真值用LC8数据和地面调查，目视解译得到标签。将6景影像合到一个数据中即6波段数据，输入到UNET中，网络结构同原始UNet，除了在conv和 阅读全文

摘要： 感觉主要是数据的创新，方法就是比较了传统方法（RF,SVM,Adaboost）和CNN，输入比较了单像素输入和像素周围3,5,7大小的范围。也不是语义分割，最基本的CNN，单像素时还用的1*1的卷积 用的数据是landsat8作为检测的图，真值点用欧空局的2014年全球38m建城区数据为基准随机生成 阅读全文

摘要： 不是目标检测也不是语义分割，两步CNN指的是，采集的数据是一堆点，以点为中心的65*65和17*17图像范围大小来判断这个点是否是油棕树。第一步就是判断65*65的范围是否为（油棕树植被群，其他植被/空地，不透水面/云），第二步判断17*17的范围是否为（油棕树，背景，其他植被/空地，不透水面/云） 阅读全文

摘要： 1.介绍 航片里小目标占总像元数不足1%，普通目标检测算法如YOLO会有很多错误，主要原因有3点： 1、航片的无关背景占多数 2、目标大小由于飞行高度和拍摄角度不同 3、航片中的小移动目标和噪音会混淆 2.方法步骤 1、多线索前景分割 结合了 optical flow 和 background mo 阅读全文

摘要： 作者认为语义分割的两个挑战是分类和定位，而这两个挑战又是比较对立的。对于分类问题，模型需要有变形和旋转不变形，而对于定位问题，模型有需要对变形敏感。 提出的GCN遵循两个主要原则： 1、对定位问题，模型需要全卷积来获得定位信息，不能有全连接或是全局池化层。 2、对分类问题，需要有大的卷积核来连接特征 阅读全文

摘要： 1、介绍 语义分割通常有两个问题：类内不一致性（同一物体分成两类）和类间不确定性（不同物体分成同一类）。本文从宏观角度，认为语义分割不是标记像素而是标记一个整体，提出了两个结构解决这两个问题，平滑网络和边界网络（Smooth Network and Border Network）。平滑网络用的是通道 阅读全文

摘要： 创新点： 1、在GCN（global convolutional network）基础上，把他的backbone替换成更多层的，使其适应中分辨率影像，resnet50,101,152 2、利用 channel attention 来挑选出最具有识别力的特征 3、迁移学习来解决数据稀缺的问题，用了不同 阅读全文

摘要： 作者是伦敦大学学院Mullard空间科学实验室成像组，之前做过对火星图像的分辨率增强。 文章用了许多的图像处理方法获得特征和高分辨率的中间结果，最后用一个生产对抗网络获得更好的高分辨率结果。 用的数据是MISR多角度成像数据，225282个训练样本，输入275m分辨率（64*64），得到68.75m 阅读全文

摘要： numpy.array 作为参数传入函数中时，是作为引用进去的，函数内部对这个数组的修改会直接修改原始数据。在函数中需要暂时修改数据，不对原始数据造成影响的话，需要用 np.copy() 先拷贝一份，在拷贝上修改。 但是在函数内部对其进行 del 时，只是删除了引用的局部变量，不会影响原数据。del 阅读全文