注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. WHU-RS19数据集

  2. WHU-RS19是从谷歌卫星影像上获取19类遥感影像，可用于场景分类和检索。 相关工作： -G.-S. Xia, W. Yang, J. Delon, Y. Gousseau. H. Maitre, H. Sun, "Structural high-resolution satellite image indexing". Symposium: 100 Years ISPRS - Advancing Remote Sensing Science: Vienna, Austria, 2010

  3. 所属分类：机器学习

    • 发布日期：2018-09-14
    • 文件大小：99mb
    • 提供者：cp_oldy

  1. ISPRS数据集.zip

  2. ISPRS官网数据集.zip

  3. 所属分类：深度学习

    • 发布日期：2020-04-01
    • 文件大小：207mb
    • 提供者：suyunzzz

  1. 基于多尺度特征和PointNet的LiDAR点云地物分类方法

  2. 针对复杂场景下激光雷达测量（LiDAR）点云数据的地物分类问题，提出了一种基于多尺度特征和PointNet的深度神经网络模型，该方法改进了PointNet提取局部特征的能力，实现了复杂场景下LiDAR点云的自动分类。在PointNet网络基础上添加多尺度网络提取点的局部特征，将不同尺度点的局部特征通过全连接层组成一个多维特征，并与PointNet提取的全局特征相结合，返回每个点类的分数以完成点云分类标签。利用Semantic 三维数据集和ISPRS提供的Vaihingen数据集，验证了所提深度神

  3. 所属分类：其它

  1. 基于卷积神经网络的高光谱遥感地物多分类识别

  2. 在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二, 再增

  3. 所属分类：其它

  1. 融合光谱特征和几何特征的建筑物提取算法

  2. 机载LiDAR点云系统由于获取三维立体信息方便、快捷, 已被广泛应用到城区目标的提取与识别中, 但LiDAR点云数据缺乏光谱特征, 对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题, 提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准, 实现了点云数据光谱信息的提取; 通过改进传统的张量投票机制, 融合光谱特征与空间几何特征形成了新的融合分类特征; 运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数

  3. 所属分类：其它

  1. GeoInfoNet-源码

  2. 地理信息网 论文“用于遥感云/雪探测的地理信息驱动方法和新型大规模数据集”（ISPRS）上的代码和数据集信息。 概述 本文提出了一种新的基于深度学习的云和雪检测方法。该方法称为地理信息驱动神经网络（GeoInfoNet）。与之前只专注于使用图像数据（波段反射率）而忽略地理信息的方法不同，该方法中设计了一种``地理信息编码器''，它将图像的高度，纬度和经度编码为2D地图集。然后将这些地图逐像素地集成到检测网络中，然后以端到端的方式训练整个检测模型。可以看出，通过辅助信息的集成，云雾和雪的探测精度不

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：885kb
    • 提供者：weixin_42116672