第二组 Beta冲刺(2/3)

项目所有工作已顺利完成,包括前端、后端及模型的开发与测试。团队成员分工明确,项目无明显bug,前端设计美观,操作简便,模型预测准确。通过本次项目,团队体验到了协作的魅力,并深化了对项目测试的理解。

一、完成的任务

项目所有工作已完成,进行了项目的各功能测试。

经测试,总结出项目中暂无bug,并且前端界面设计优美,操作简便,模型结果较为准确。

二、具体项目分工和进度

任务姓名
前端、对接后端陈江栋
核心代码编写和数据训练以及验证模型李智杰、邱琦、陈江栋
后端实现与对接韦境、宋子昂、陈晓政

三、燃尽图

在这里插入图片描述

四、例会照片

在这里插入图片描述

五、问题

经过前期的努力,本周暂无问题

六、收获

通过几周的工作,项目工作完成,也成功完成了对项目的测试工作,对此感受到了团队工作的魅力,以及了解了项目测试方面的工作。

git仓库地址:https://gitee.com/jiang-ye-CJD/hybird-sn

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值