- 博客(13)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 pytorch+Unet+建筑物提取
建筑物自动提取是遥感图像分析与计算机视觉领域的重要任务，在城市规划、灾害评估和地图更新中具有广泛应用价值。本项目基于PyTorch框架，采用U-Net语义分割网络实现高分辨率遥感影像中的建筑物精准提取。应用场景：实验表明，该方法在公开数据集上可实现超过85%的IoU精度，未来可通过引入Transformer注意力机制、多模态数据融合等方式进一步提升复杂场景下的提取鲁棒性。可根据具体需求补充以下内容：2. U-Net模型定义3. 训练循环4. 评估指标（IoU）5. 预测示例使用建议：
2025-04-08 16:50:23
242
原创 基于Mamba的遥感影像建筑物语义分割：原理、实践与代码详解
Mamba凭借其线性复杂度和全局建模能力，正在成为遥感影像分割的新引擎。通过本文的代码实践与模型解析，读者可快速上手基于Mamba的建筑物分割任务。Samba官方GitHub。
2025-04-07 08:53:21
132
原创 深度学习+遥感：2025最新土地利用分类资源大全（数据集/论文/代码）
近年来，深度学习在遥感影像土地利用分类领域取得了突破性进展，从传统的农田、森林识别，到复杂的城市功能区划分，AI正在重新定义我们对地表覆盖的认知。无论是科研还是工程应用，高质量数据集、前沿算法和开源工具都是成功的关键。本文精心整理了2024年最值得关注的土地利用分类资源，包括：✅ 10+个权威数据集（覆盖全球、多分辨率、多光谱/雷达）✅ 15+篇顶会论文（CNN/Transformer/自监督学习等SOTA方法）✅ 6大开源工具箱（PyTorch/Keras实现，即拿即用）
2025-04-07 08:00:45
136
原创 遥感影像去雾研究资源汇总
遥感影像在环境监测、灾害评估、军事侦察和城市规划等领域发挥着重要作用。然而，由于大气中的雾霾、云层和颗粒物散射，遥感图像常出现对比度下降、色彩失真和细节模糊等问题，严重影响后续的解译与分析。因此，遥感影像去雾技术成为计算机视觉和遥感领域的研究热点之一。近年来，随着深度学习的发展，遥感影像去雾方法从传统的基于物理模型（如暗通道先验、大气散射模型）逐渐转向数据驱动的深度学习方法，包括卷积神经网络（CNN）、Transformer以及最新的扩散模型。
2025-04-06 17:56:13
1097
原创 利用语义分割实现滑坡识别，看这一篇就够了
以下是一个基于PyTorch的滑坡识别分割完整实现，包含数据加载、训练、测试和评估模块。代码结构清晰，支持多GPU训练和指标计算。这个实现包含了滑坡分割任务的所有关键组件，可以根据需要调整模型架构、损失函数或数据增强策略。
2025-04-06 17:39:52
49
原创 遥感变化检测全攻略：从入门到发顶会，这篇就够了！
还在为找不到优质变化检测资源发愁？🔥来袭！✅（含超高分辨率）✅✅ ** 开源代码**（PyTorch/TF全都有）覆盖传统方法到Mamba架构，城市扩张、灾害评估全搞定！#遥感 #变化检测 #AI #科研利器。
2025-04-06 17:25:41
12
原创 智能解译城市进程：遥感影像建筑物提取研究全景与前沿进展（数据集及代码）
随着全球城市化进程的加速，高效、精准地监测城市建筑物分布对城市规划、灾害评估、人口估算及智慧城市建设具有重要意义。传统的人工测绘方法耗时费力，难以满足大范围、动态更新的需求。而遥感影像建筑物提取技术，借助深度学习与计算机视觉，能够自动化识别并提取建筑物轮廓，极大地提升了城市信息获取的效率和精度。首先，建筑物提取是遥感影像解译的核心任务之一。
2025-04-06 17:18:35
29
原创 DUPNet：基于密集连接与多尺度金字塔池化的遥感影像水体分割网络
📌 研究亮点《DUPNet: Water Body Segmentation with Dense Block and Multi-Scale Spatial Pyramid Pooling for Remote Sensing Images》 由 Zhiheng Liu 团队发表于 Remote Sensing（MDPI），提出了一种创新性深度学习框架，显著提升复杂场景下的水体提取精度！
2025-04-06 14:18:52
10
原创 深度学习赋能遥感影像水体提取：技术进展、数据集与前沿研究全解析
卷积神经网络（CNN）、Transformer、生成对抗网络（GAN）等先进模型能够自动学习水体的光谱、纹理和空间特征，显著提升了水体边界的识别精度，并能够适应复杂环境（如云层遮挡、阴影干扰、细小水体检测等）。此外，多源数据融合（光学+SAR）、时序分析、自监督学习等新兴技术的引入，使得水体监测更加智能化、实时化。传统的水体提取方法依赖人工解译或基于阈值的遥感影像处理技术（如NDWI指数），但这些方法往往受限于数据质量、环境噪声和人工干预，难以适应大范围、高动态的水体监测需求。
2025-04-06 13:58:47
874
原创 遥感影像道路提取：解锁城市脉络的AI之眼
在智慧城市、灾害应急和自动驾驶等领域，高精度道路网络如同城市的“血管系统”，其自动化提取一直是遥感与AI交叉研究的核心挑战！传统方法受限于人工特征设计的瓶颈，而深度学习凭借卷积神经网络（CNN）、Transformer和图模型等利器，正在颠覆性地提升道路提取的精度与效率。本文将为你系统梳理：🔥 权威开源数据集（覆盖全球多分辨率场景）📜 顶会突破性论文（从U-Net到RoadFormer的技术演进）💻 即拿即用的代码（PyTorch/TensorFlow实战仓库）
2025-04-06 12:30:33
884
原创 遥感影像分割阅读笔记
本文提出的 AFENet 通过自适应频率增强和选择性特征融合，在遥感图像语义分割中取得了显著的性能提升。AFENet 的设计不仅解决了现有方法在网络参数适应性和频率特征交互方面的不足，还为未来遥感图像分割研究提供了新的思路。论文源码。
2025-04-06 11:47:05
34
原创 遥感影像道路提取论文阅读笔记MSMDFF
A Multiscale and Multidirection Feature Fusion Network for Road Detection From Satellite Imagery
2025-04-04 23:04:04
436
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人