论文：https://arxiv.org/pdf/1606.04797代码：https://github.com/faustomilletari/VNet1. 研究概述作者在本文中提出了一种基于全卷积神经网络的 3D 图像分割方法。此外，本文引入了一个新的基于 Dice 系数的目标函数，以处理前景和背景体素数量严重不平衡的情况。为了解决带注释的训练集有限的问题，本文应用随机非线性变换和直方图匹配来
转载
2023-11-27 09:48:11
296阅读
（一）非监督分类方法有两种，Isodata 和K-means。1、K—均值分类算法1）打开待分类的遥感影像数据2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框。3）选择待分类的数据文件。4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分
转载
2023-11-26 14:04:00
1114阅读
最近协助同学做了完整的监督分类数据，特此记录下来。对于ENVI监督分类，是每一个遥感从业者掌握的最基础的一个方法，但是完整的监督分类流程和精度评价，估计往往认识不够，所以以下的分享还是有点意义。监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本
转载
2024-01-13 14:12:38
218阅读
一、实验名称：分类后处理二、实验目的：分类后处理三、实验内容和要求：1.Majority和Minority分析。2．聚类处理(Clump)。3.过滤处理（Sieve）。4.分类统计。5．分类叠加。6．分类结果转矢量。四、实验步骤：一：Majority和Minority分析1.打开分类结果——"can_tmr_class.dat”。2.打开Majority/Minority分析工具，路径为Toolb
转载
2023-10-17 21:05:18
629阅读
1、envi 中几种分类方法的参数怎么设置？envi 中几种分类方法的参数设置方法如下： 1、平行六面体 （1）在主菜单中，选择Classification->Supervised->Parallelpiped，在文件输入对话框中选择TM分类影像，单击OK按钮打开Parallelpiped参数设置面板。 （2）SelectClasses from Regions：单击Select Al
转载
2023-09-19 07:17:48
914阅读
10. 遥感图像监督分类10.1监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求， 随后用训练好的判决函数去对其他待分数据进行分类
转载
2023-12-15 13:37:37
317阅读
概述： 基于 ENVI 平台，利用该平台自带的 Landsat tm5 多光谱遥感图像作为数据源，进行监督分类应用实验，并对其分类结果进行精度比较，结果表明：6 种监督分类方法中最大似然法分类精度较高，且计算时间相对较短，更普遍适合中低分辨率多光谱遥感图像分类工作。根据具体需求，同学们可以选择
转载
2023-07-17 15:11:41
205阅读
RNNGNN与RNN对比实践介绍一、环境设置二、数据准备2.1 参数设置2.2 对齐数据2.3 用Dataset 与 DataLoader 加载三、模型配置四、模型训练五、模型评估六、模型预测 GNN与RNN对比先进行一波拉踩全连接神经网络存在的问题：输入和输出的维数都是固定的网络的输出只依赖于当前的输入位置无关性循环神经网络通过使用带自反馈（隐藏层）的神经元，能够处理任意长度的序列。循环神经网
转载
2023-11-19 13:21:19
46阅读
使用深度学习 ENVI深度学习过程概述深度学习是机器学习的一种更复杂的形式，它使系统能够自动发现数据中的表示形式。深度学习与机器学习的不同之处在于，它能够在没有外部指导或干预的情况下自行不断改进预测的能力。深度学习算法通过遍历神经网络中的所有层来得出结论来学习模式，这类似于大脑如何处理信息。对于遥感，深度学习尝试发现图像中的空间和光谱表示。它通常用于识别特征，例如车辆、公用设
转载
2023-09-27 18:56:56
703阅读
1、神经网络 二分类 vs 多分类二分类：标签为0和1，网络输出的结果要经过sigmoid激活函数处理，输出值的值域为0~1之间，小于0.5则视为标签0， 大于等于0.5则为标签1 多分类：标签为多个值，网络需要输出一个维度与标签数量一致的z-score向量，向量需要通过softmax激活后转化为对应各标签的概率（概率和为1），而判定出的标签是概率最高的那个。谷歌人工智能写作项目：小发猫2、利用R
转载
2023-07-05 20:35:45
109阅读
1. 随机森林简介随机森林是一种有监督的机器学习算法。监督学习是机器学习的一个子类。这种类型的学习依赖于分类标签，以生成一个函数（模型）来识别图像中的不同类别。有两种类型的分类问题，二元分类和多类分类。随机森林由于其准确性，简单性和灵活性，现已成为最广泛使用的分类算法之一。随机森林是基于Bagging的决策树方法，其核心是bagging算法，原理如下：给定一个大
转载
2023-12-07 23:17:12
342阅读
作者：pengheligis （1） Activation：选择活化函数。对数（Logistic）和双曲线（Hyperbolic）。 （2） Training Threshold Contribution：输入训练贡献阈值(0-1)。该参数决定了与活化节点级别相关的内部权重的贡献量。它用于调节节点内部权重的变化。训练算法交 互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数
转载
2023-07-24 18:08:46
63阅读
1、关于分类精度检验 （1）在对一副遥感影像进行分类时，往往需要心里有数，大致分为几类，如5类。 （2）根据欲分类在影像上大致位置进行判断，针对每个类别选择50个采样点（根据个人情况而定）。 （3）携带GPS等定位终端到野外调查，记录每个
转载
2024-01-03 23:37:18
73阅读
©作者 | 初识CV单位 | 海康威视研究方向 | 计算机视觉前言本文以可逆残差网络（The Reversible Residual Network: Backpropagation Without Storing Activations）作为基础进行分析。为什么要用可逆网络呢？因为编码和解码使用相同的参数，所以 model 是轻量级的。可逆的降噪网络 InvDN 只
转载
2023-11-21 14:43:01
249阅读
ENVI5.6.3新增机器学习工具包，该功能不需要额外的许可，只需安装ENVI深度学习2.0版本应用程序，用ENVI主模块的许可便可使用新机器学习的功能。ENVI新机器学习工具包，可以对栅格数据进行快速分类，如异常检测、监督分类和分监督分类；也可以在一个或多个数据上选择样本，生成训练模型，并用该模型对其他图像进行分类；还可以使用ENVI Modeler构建对多个栅格数据进行分类的工作流。运行环境新
转载
2024-01-01 12:39:46
177阅读
ENVI简介ENVI简介是一套功能齐全的遥感图像处理系统，是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。能够进行地物目标识别。完全由IDL开发，方便灵活，可扩展性强。获2000年美国权威机构NIMA遥感软件测评第一。 ENVI包含齐全的遥感影像处理功能：常规处理、几何校正、定标、多光谱分析、高光谱分析、雷达分析、地形地貌分析、矢量
转载
2023-09-08 22:52:08
14阅读
目录一、理论基础二、核心程序三、仿真结论一、理论基础 同传统的人工神经网络一样，脉冲神经网络同样分为三种拓扑结构。它们分别是前馈型脉冲神经网络（feed-forward spiking neural network）、递归型脉冲神经网络（recurrent spiking neural network）和混合型脉冲神经网络（hybird spiking ne
转载
2023-12-01 11:15:31
69阅读
文章目录6 分类任务6.1 前置知识6.1.1 分类6.1.2 分类的网络6.2 动手6.2.1 读取数据6.2.2 functional模块6.2.3 继续搭建分类神经网络6.2.4 继续简化6.2.5 训练模型6.3 暂退法6.3.1 重新看待过拟合问题6.3.2 在稳健性中加入扰动6.3.3 暂退法实际的实现6.4 后话 6 分类任务在这一讲中，我们打算探讨一下神经网络中是如何处理分类任务
转载
2023-10-14 10:38:02
104阅读
单层感知器该概念的是在1957年美国学者Rosenblatt提出的。感知器是监督学习的神经网络模型。单层感知器是包含一个突触权值可调的神经元的感知器模型。是神经网络用来进行模式识别的一种最简单的模型，属于前向神经网络类型，但是仅由一个神经元组成的单层感知器只能区分线性可分的模式。一个感知器模型，包括一个线性的累加器和一个二值阈值元件，同时还有一个外部偏差b，也称作阈值，其值可以为正，也可以为负。线
转载
2024-01-03 11:02:46
66阅读
在这项工作中，作者在 ViT 模型的前馈过程中重新组织图像标记，在训练期间将其集成到 ViT 中。由相应的类令牌注意力引导识别 MHSA 和 FFN（即前馈网络）模块之间的注意力图像令牌，然后，通过保留注意图像标记和融合非注意图像标记来重组图像标记，以加快后续的 MHSA 和 FFN 计算。 在相同数量的输入图像标记下，该方法减少了 MHSA 和 FFN 计算以实现高效推理。例如，在 ImageN
转载
2024-01-11 18:36:55
98阅读
