- 博客(107)
- 收藏
- 关注
RSS订阅原创 深度学习入门实战教程｜案例③-6：CNN 深度解释与可视化
本文探讨高光谱分类中CNN模型的可解释性问题。通过类激活图(CAM)和通道注意力可视化方法，揭示了CNN内部工作机制。实验在KSC数据集上进行，采用1DCNN模型，并展示多种可视化技术：混淆矩阵分析错误分类模式、整图预测验证空间泛化能力、卷积核谱形可视化展示特征提取机制、通道重要性评估识别关键特征维度。这些方法使CNN从"黑箱"转变为可解释模型，帮助理解其决策依据。实验代码完整展示了数据处理、模型构建、训练及可视化过程，为高光谱分类提供了一套系统的可解释性分析方案。
2025-09-07 20:33:52
409
原创 深度学习入门实战教程｜案例③-5：进阶卷积（Dilated / Depthwise Separable）在 KSC 的应用
研究对比了空洞卷积和深度可分离卷积在1D高光谱分类中的效果。空洞卷积通过间隔采样扩大感受野，深度可分离卷积将标准卷积拆分为逐通道和点卷积，显著降低参数量。实验在KSC数据集上对比了三种1D-CNN模型：标准卷积、空洞卷积和深度可分离卷积。结果表明，空洞卷积在AA/Kappa指标上更稳定，深度可分离卷积计算效率更高，但基础卷积在特定情况下仍可能表现最佳。研究建议将这些结构作为可选基线进行对比，并提出了结合多尺度特征与轻量化等未来方向。
2025-09-07 20:32:56
341
原创 深度学习入门实战教程｜案例③-4：经典 CNN 架构篇（LeNet / VGG / ResNet）
本文对比了三种经典CNN架构（LeNet、VGG、ResNet）在高光谱分类任务中的表现。通过KSC数据集实验，分析了各网络特点：LeNet结构简单但表达力有限；VGG通过3×3卷积堆叠实现深层特征提取；ResNet引入残差连接解决梯度消失问题。实验结果显示，ResNet在测试准确率和Kappa系数上表现最优。文章提供了完整的PyTorch实现代码，并强调理解这些经典架构对后续学习更复杂网络的重要性。三种架构的对比直观展示了CNN从浅层到深层的发展脉络及其在遥感图像处理中的应用价值。
2025-09-06 20:05:40
458
原创 深度学习入门实战教程｜案例③-3：KSC 整图全像素分类 + CNN 结构与参数分析
本文提出了一种基于1D CNN的高光谱图像全像素分类方法。首先对KSC数据集进行预处理，仅使用标注像素训练StandardScaler和PCA以避免数据泄露。模型采用1D CNN处理光谱序列，通过训练和测试评估（OA/AA/Kappa+混淆矩阵）后，对整幅图像进行全像素推理。实验还分析了模型结构参数，并可视化卷积核、特征图和谱段显著性，以理解模型决策机制。该方法简单有效，可作为遥感深度学习的基线方案，后续可通过调整PCA维度、增加网络层数或引入空间上下文信息来提升性能。
2025-09-06 20:04:44
303
原创 深度学习入门实战教程｜案例③-2：CNN 在 KSC 上的整图全像素预测
本文介绍了使用1DCNN进行高光谱影像分类的完整流程。以KSC高光谱数据为例，采用标准化+PCA预处理（仅训练集拟合避免泄露），构建1DCNN模型在光谱维度提取特征。实验遵循ML传统范式：分层抽样训练/测试集、测试评估（OA/AA/Kappa+混淆矩阵）和整图推理。1DCNN参数少、收敛快，适合作为光谱分类基线模型。结果显示1DCNN优于浅层模型，全像素预测能覆盖未标注区域。该方法结构清晰，是从传统ML过渡到深度学习的理想基线，后续可引入空间信息或更深网络增强。提供完整可执行代码，适合遥感深度学习入门实践。
2025-09-03 10:24:32
929
原创 深度学习入门实战教程｜案例③补充：PyTorch 构建卷积神经网络全流程
摘要：本文介绍了使用PyTorch构建卷积神经网络（CNN）的完整流程，包括CNN核心概念（局部感受野、权值共享、平移不变性）、PyTorch实现模块（Conv2d、ReLU等）、MNIST数据集上的实践代码（模型搭建、训练循环、性能评估），以及可视化训练曲线和混淆矩阵的方法。文章还提供了可运行的完整代码，并预告了后续将CNN应用于遥感影像分类的计划。
2025-09-03 10:22:44
910
原创 遥感&深度学习入门实战教程｜案例③-1：卷积神经网络的基本原理
卷积神经网络(CNN)通过局部连接和参数共享解决了全连接网络的参数量大和空间结构利用不足的问题。核心组件包括：卷积层提取局部特征，池化层进行下采样，ReLU激活引入非线性，全连接层整合输出。文章通过numpy实现卷积核边缘检测的演示，展示了CNN如何高效提取图像特征。相比传统网络，CNN具有参数少、保持空间关系、平移不变性等优势，是图像处理任务的基础架构。
2025-09-02 13:47:39
348
原创 遥感&深度学习入门实战教程｜补充篇②：激活函数全景图
本文介绍了深度学习中的关键组件——激活函数。激活函数赋予神经网络非线性建模能力，使多层网络能够逼近任意复杂函数。文章分析了Sigmoid（存在梯度消失问题）、Tanh（改进版Sigmoid）、ReLU（当前主流选择）、Leaky ReLU（解决神经元死亡问题）和GELU（Transformer常用）五种常见激活函数的特性，并提供了可视化对比代码。
2025-09-02 13:45:47
676
原创 遥感&深度学习入门实战教程｜补充篇①：PyTorch 入门必备
本文介绍了PyTorch深度学习框架的核心概念和实战应用。主要内容包括：1）PyTorch核心组件：Tensor、Autograd、nn.Module、Optimizer等；2）通过一个完整的线性回归示例（y=2x+1）演示数据准备、模型构建、训练流程和结果可视化；3）关键知识点总结：Tensor与NumPy互转、自动求导、模型结构定义、训练/验证模式切换等；4）模型训练的标准流程"套路清单"。该教程适合快速入门PyTorch，掌握基础后即可扩展到更复杂的深度学习和遥感任务应用。
2025-09-01 23:38:46
1067
原创 遥感&深度学习入门实战教程｜案例②：多层感知机（MLP）
本文介绍了多层感知机（MLP）的核心原理和应用。针对感知机只能处理线性问题的局限，MLP通过隐藏层和非线性激活函数（如ReLU）实现了非线性分类能力。文章展示了两个案例：1）使用PyTorch实现MLP解决异或（XOR）分类问题，成功学习非线性边界；2）在KSC高光谱数据上应用MLP分类器，结果表明其性能优于感知机但弱于CNN等更高级网络。MLP通过增加网络深度和反向传播机制，成为处理复杂模式的基础神经网络模型，为后续CNN、RNN等网络奠定基础。
2025-09-01 23:37:38
462
原创 遥感&深度学习入门实战教程｜案例①：感知机原理与实现
本文总结了《Sklearn入门实战教程》系列内容，介绍了传统机器学习在遥感领域的完整应用流程，包括预处理、分类器、特征选择等环节。随着数据复杂度提升，传统方法面临高维非线性特征、空间关系建模等挑战，引出了深度学习技术的优势。通过两个案例展示了感知机原理及实现：在二维线性可分数据上成功分类，但在真实KSC高光谱数据中表现有限，为后续多层感知机(MLP)等更复杂模型奠定基础。文章预告将介绍如何通过隐藏层和激活函数增强网络非线性能力，使用PyTorch构建MLP分类器。
2025-08-30 23:11:34
343
原创 遥感&机器学习入门实战教程｜Sklearn案例⑳：支持向量机（SVM）分类
本文介绍了支持向量机(SVM)在高光谱遥感分类中的应用。SVM因其小样本友好、非线性处理能力和参数灵活性成为遥感领域的经典方法。文章详细解析了核函数选择、惩罚系数C和gamma等关键参数的作用，并提供了完整的KSC数据分类代码示例，包括数据预处理、模型训练、评估和整图预测。通过混淆矩阵和参数对比实验，展示了不同超参数对分类效果的影响。最后指出SVM是遥感分类的重要基线方法，建议采用rbf核并通过网格搜索优化参数，为传统机器学习在遥感领域的应用提供了完整解决方案。
2025-08-30 23:10:01
327
原创 遥感&机器学习入门实战教程｜Sklearn案例⑲：基于邻域的学习（neighbors 模块）
本文介绍了KNN算法在高光谱遥感分类中的应用，重点讲解了sklearn.neighbors模块的使用方法。文章提供了KSC数据集上的完整代码示例，包括数据预处理、模型训练、评估和可视化等步骤。关键点包括：KNN对特征尺度敏感，需先进行标准化；参数选择建议k=5-7、权重为distance、使用L2距离；半径邻域分类适用于样本密度不均的情况。代码实现了无泄露预处理、分类评估、混淆矩阵分析和整图预测功能，并对比了不同参数组合的效果。结果显示适当调整参数可提高分类精度，该方法可作为遥感分类的实用基线。
2025-08-29 12:15:49
334
原创 遥感&机器学习入门实战教程｜Sklearn案例⑳：支持向量机（SVM）分类
【摘要】本文介绍了支持向量机(SVM)在高光谱遥感分类中的应用优势，包括小样本友好、非线性扩展和参数灵活可调三大特点。详细解析了SVM的关键参数设置，如核函数选择、惩罚系数C和gamma值调整。通过KSC数据集的完整代码示例，展示了SVM分类的全流程实现，包括数据预处理、模型训练、评估指标计算和整图预测可视化。实验结果表明，SVM在样本有限的情况下能保持较好的分类性能，参数选择对结果影响显著。文章作为Sklearn遥感实战系列的终篇，完整覆盖了从传统机器学习到深度学习的入门路径。
2025-08-29 12:15:00
434
原创 遥感&机器学习入门实战教程｜Sklearn案例⑱：半监督学习（semi_supervised）
在真实遥感任务里，“有标签像素太少”是家常便饭。的思路是：用少量标注 + 大量未标注样本共同训练，从而提升泛化。本篇聚焦计算 OA/Kappa/报告；同时严格“无泄露”：Scaler/PCA 仅用拟合。
2025-08-28 16:41:19
1488
原创 遥感&机器学习入门实战教程｜Sklearn案例⑰：决策树与遥感分类（tree 模块）
文章摘要：本文介绍了决策树这一经典分类与回归模型，通过树形结构（节点表示特征条件，分支表示决策结果）实现直观分类。决策树具有结构简单、训练速度快等优点，但也存在过拟合风险。文中提供了KSC数据的决策树分类代码示例，包含数据预处理、模型训练、评估指标（OA/Kappa/混淆矩阵）和可视化（整图预测、决策树结构）。代码实现了无泄露预处理、分层抽样、PCA降维等关键步骤，并展示了分类结果的可视化呈现。
2025-08-28 16:38:45
386
原创 遥感&机器学习入门实战教程｜Sklearn案例⑯：聚类与无监督分类（cluster 模块）
遥感应用中常面临标注样本不足的问题，如新区域无实地数据、标注成本高等。无监督学习（尤其是聚类方法）可通过光谱特征对像素分组，生成初步分类结果。本文介绍了KMeans、MiniBatchKMeans等常见聚类方法及其在遥感影像处理中的应用，并以KSC数据集为例展示了KMeans、层次聚类和DBSCAN的代码实现与可视化效果。结果表明，聚类虽不能完全替代监督分类，但在缺乏标注样本时具有重要参考价值，可作为样本生成和模式探索的辅助工具。建议优先使用简单高效的KMeans方法，再根据数据特点尝试其他算法。
2025-08-27 22:49:32
510
原创 遥感&机器学习入门实战教程｜Sklearn案例⑮：流形学习与非线性降维（manifold）
摘要：本文探讨高光谱遥感数据的非线性降维方法，比较了PCA与流形学习技术（Isomap、LLE、t-SNE等）在KSC数据集上的表现。实验表明，虽然PCA能有效去除冗余，但流形学习方法能更好地揭示数据的非线性结构，其中t-SNE在可视化聚类关系方面表现突出。这些方法主要用于数据探索，因其计算成本高且映射不可逆，不适合直接用于大规模分类。文章通过Python代码演示了不同方法的实现和效果对比。
2025-08-27 22:47:51
449
原创 遥感&机器学习入门实战教程｜Sklearn案例⑭：数据划分与交叉验证（KSC 真实数据）
本文探讨了遥感影像分类实验中数据集划分的重要性，指出传统train_test_split方法的不足，并介绍了更科学的交叉验证方法。文章通过KSC高光谱数据案例，详细展示了单次分层划分、KFold交叉验证、StratifiedKFold分层交叉验证以及Pipeline的实践应用，强调交叉验证能提供更稳定可靠的模型评估结果。作者建议在样本量有限或类别不均衡时，应采用分层K折交叉验证结合Pipeline的方法，并报告均值±标准差，以获得更科学的实验结果。
2025-08-27 22:46:57
826
原创 遥感&机器学习入门实战教程｜Sklearn案例⑬：数据集（datasets 模块）
本文介绍了sklearn.datasets模块在机器学习入门中的应用，建议初学者先用内置数据集练习算法，再转向真实遥感数据。文章详细列举了datasets提供的三类功能：内置小数据集（如鸢尾花、手写数字）、公开数据集下载接口（如人脸、新闻数据）和模拟数据生成（如分类、聚类数据）。通过三个示例代码展示了如何加载鸢尾花数据、生成分类数据以及创建非线性分布数据，强调这些工具适合算法调试但不替代真实应用，建议从练习过渡到使用Sentinel等真实遥感影像。
2025-08-27 09:24:09
407
原创 遥感&机器学习入门实战教程｜Sklearn案例⑫：神经网络（MLP）+ 全图预测
本文介绍了使用sklearn的MLPClassifier实现遥感影像分类的完整流程。通过标准化和PCA降维预处理数据后，构建具有128-64两层结构的MLP神经网络，采用ReLU激活函数和Adam优化器。实验结果表明，该方法能有效完成像素级分类，并提供了OA、Kappa等评估指标及混淆矩阵分析。文章还展示了整图预测结果可视化方法，证明MLP可作为遥感分类的轻量级解决方案。关键参数如隐藏层结构、正则化系数等可灵活调整以优化性能。
2025-08-27 09:23:18
381
原创 遥感&机器学习入门实战教程｜Sklearn案例⑪：更多分解方法（KernelPCA / DictionaryLearning等）
本文介绍了sklearn.decomposition模块中的三种进阶数据分解方法：KernelPCA通过核函数处理非线性数据，IncrementalPCA支持分批处理大数据集，DictionaryLearning则用于稀疏表示和特征提取。文章通过代码示例对比了三种方法在遥感数据上的降维效果，并针对不同场景提供了方法选择建议：小数据用PCA、非线性数据用KernelPCA、大数据用IncrementalPCA、需要稀疏特征时用DictionaryLearning。文中还包含完整示例代码和可视化结果分析。
2025-08-24 16:15:56
314
原创 遥感&机器学习入门实战教程｜Sklearn案例⑩：降维与分解（decomposition 模块）
文章摘要：本文介绍了sklearn.decomposition模块中的常见降维方法（PCA、ICA、NMF等）及其在高光谱遥感数据处理中的应用。通过KSC数据集对比实验，展示了不同方法在降维效果上的差异：PCA保留最大方差形成紧凑类团，ICA强调统计独立性使分布更分散，NMF则适用于非负数据分解。文章指出，方法选择需结合具体任务特点，如PCA作基线、ICA用于源分离、NMF适合光谱解混等，并提供了完整的Python实现代码。
2025-08-24 16:13:28
457
原创 遥感&机器学习入门实战教程｜Sklearn案例⑨：数据预处理（Processing）
本文通过实验对比了四种常见数据预处理方法（StandardScaler、MinMaxScaler、RobustScaler、Normalizer）对遥感图像分类的影响。实验结果显示，预处理方法并不一定越复杂效果越好，其核心作用是使特征尺度合理化。不同预处理方法会改变PCA投影特征分布，但分类精度差异可能不大。其中StandardScaler是最安全的默认选择，其他方法各具特点：MinMaxScaler适合特征范围差异大的情况，RobustScaler抗异常值，Normalizer更适合光谱角分析。
2025-08-23 18:55:57
229
原创 遥感&机器学习入门实战教程｜Sklearn案例⑧：评估指标（metrics）全解析
本文系统梳理了sklearn中多分类评估指标的使用方法，提供可直接运行的代码示例。主要覆盖以下指标： 基础评估：准确率、平衡准确率、宏/微/加权F1、Kappa系数、MCC 概率质量：ROC-AUC(OvR/OvO)、PR-AUC、对数损失、Top-K准确率 可视化工具：混淆矩阵(计数/归一化)、ROC/PR曲线 代码示例使用随机森林对KSC数据集进行分类，完整演示了从数据预处理到模型评估的全流程。
2025-08-23 15:18:21
1048
原创 遥感&机器学习入门实战教程｜Sklearn案例⑦：特征选择与重要性分析
本文介绍了一套基于sklearn的高维特征选择工作流，涵盖Filter、Wrapper、Embedded三大方法（Chi2、RFE、随机森林重要性），并提供可视化代码实现。通过特征重要性曲线、入选热图和精度对比三种可视化方式，帮助用户筛选关键特征。文章建议采用"Filter粗筛→Embedded排序→Wrapper精修"的流程，关注多方法共识的稳健特征，并结合领域知识解释结果。这套方法可有效解决高维数据中的维度灾难问题，提升模型效率和解释性。
2025-08-22 21:26:46
1280
原创 遥感&机器学习入门实战教程｜Sklearn案例⑥：网格搜索与超参数优化
本文介绍了使用sklearn的网格搜索(GridSearchCV)进行模型超参数优化的方法。针对SVM和随机森林模型，演示了如何通过系统化参数组合搜索来提升性能。文章首先区分了模型参数和超参数的概念，指出超参数对模型表现的重要影响。随后提供了完整的代码示例，基于KSC高光谱数据集，展示了SVM的C、gamma参数和随机森林的树数、深度等参数的网格搜索过程，并可视化搜索结果。结果表明，网格搜索能有效找到较优参数组合，其中SVM对参数敏感，而随机森林表现更稳健。最后总结了网格搜索的优势。
2025-08-22 16:12:10
393
原创 遥感&机器学习入门实战教程｜Sklearn案例⑤：集成学习方法全览
本文基于sklearn框架系统比较了四种集成学习方法在KSC高光谱数据集上的表现。实验采用随机森林、AdaBoost、GBDT、Bagging、Voting和Stacking六种模型，通过标准化+PCA降维预处理后，评估总体精度(OA)和Kappa系数。
2025-08-21 17:47:13
414
原创 遥感&机器学习入门实战教程｜Sklearn 案例④ ：多分类器对比（SVM / RF / kNN / Logistic...）
本文介绍了基于KSC高光谱影像的多分类器对比实验，通过无泄露预处理和五种经典分类器（SVM、随机森林、kNN、逻辑回归、AdaBoost）评估分类性能。首先对数据进行标准化和PCA降维处理，采用分层抽样划分训练/测试集。实验对比了OA（总体精度）、AA（平均精度）、Kappa系数和宏平均F1值四个指标，并通过2×2子图可视化不同分类器的整图预测结果差异。代码实现中重点展示了Sklearn的标准化管道、分层抽样、多分类器训练及指标计算等关键功能。该实验为高光谱影像分类提供了完整的性能评估框架和可视化方案。
2025-08-20 16:53:54
1240
原创 遥感&；机器学习入门实战教程 | Sklearn 案例③：PCA + SVM / 随机森林 对比与调参
本文介绍了基于支持向量机（SVM）和随机森林（RF）的高光谱影像分类方法，通过严格的无数据泄露预处理和交叉验证调参构建可靠基线模型。主要内容包括：使用仅训练集数据拟合StandardScaler和PCA降维（30维）；采用GridSearchCV优化SVM（C/gamma）和RF（n_estimators/max_depth）超参数；输出完整评估指标和可视化结果（混淆矩阵、参数热力图、PCA累计方差曲线）；最终实现整图预测并渲染分类结果。
2025-08-19 15:04:00
991
原创 遥感&机器学习入门实战教程 | Sklearn 案例②：PCA + k-NN 分类与评估
本文提出了一种无数据泄露的高光谱图像分类工作流，基于训练像素拟合StandardScaler和PCA降维，结合k-NN分类器实现端到端分类。方法通过分层抽样划分训练/测试集，严格保证预处理和降维仅在训练数据上完成，避免测试集信息泄露。系统自动保存分类指标（OA/AA/Kappa）、分类报告、混淆矩阵（计数版和归一化版）以及PCA累计解释方差曲线到带时间戳的文件夹，支持整图预测结果可视化输出。实验以KSC数据集为例，提供完整可运行脚本，仅需修改数据路径即可一键复现，实现了从数据预处理到结果归档的全流程自动化。
2025-08-18 19:12:29
988
原创 深度学习与遥感入门（七）｜CNN vs CNN+形态学属性（MP）：特征工程到底值不值？
前面的内容我们介绍了很多特征挖掘的内容，那么今天主要通过实验证明特征挖掘到底有没有用。在遥感图像分类任务中，模型性能的提升往往离不开高质量的特征。当深度学习遇上传统特征工程，会碰撞出怎样的火花？今天我们就通过对比纯CNN模型与融合了形态学属性（Morphological Profiles, MP）的CNN模型，来探讨特征工程在遥感分类中的价值。
2025-08-13 21:11:40
1022
原创 深度学习与遥感入门（六）｜轻量化 MobileNetV2 高光谱分类
本文提出了一种高光谱图像分类的严格无泄露预处理方法，重点解决PCA数据泄露问题。通过仅使用训练集像素拟合StandardScaler和PCA，并在全图预测中共享同一变换空间，确保评估结果可信。采用轻量化MobileNetV2的深度可分离卷积结构，实现显存友好的坐标批推理全图预测。实验表明，该方法在小样本和类分布差异大时能显著提升分类精度，相比传统整图PCA可带来0.1%-1%的OA提升，极端情况下可达数个百分点。
2025-08-12 20:33:14
1207
原创 深度学习与遥感入门（五）｜GAT & 构图消融 + 分块全图预测：更稳更快的高光谱图分类（PyTorch Geometric 实战）
本系列文章探讨高光谱图像分类方法，通过5篇论文逐步优化模型性能。第1篇介绍CNN基础流程；第2篇提出HybridNet（CNN+Transformer）增强全局感受野；第3篇实现基于光谱KNN的图卷积分类；第4篇通过空间-光谱联合构图提升稳定性；最新第5篇在GCN基础上加入GAT注意力机制，并实现分块全图预测以解决显存不足问题。文章重点解决构图选择、GAT与GCN比较、全图预测显存消耗三大问题，提出构图消融实验、模型双模切换、分块局部构图等技术方案。
2025-08-11 18:10:48
1212
原创 用 t-SNE 把 KSC 高光谱“变成可转动的 3D 影像”——从零到会，逐段读懂代码并导出旋转 GIF
摘要 本文介绍了一种利用t-SNE 3D技术对KSC高光谱数据进行降维可视化的方法，适用于教学汇报和文章配图。
2025-08-11 18:07:09
782
原创 深度学习与遥感入门（四）｜空间–光谱联合构图的 GCN：更稳更准的高光谱分类与全图预测（PyTorch Geometric）
本文提出了一种改进的高光谱图像分类方法，通过融合空间和光谱信息构建图结构，并引入边权重和自环机制来提升分类性能。具体改进包括：1）采用光谱KNN和空间KNN联合构图，通过RBF函数计算相似度作为边权重；2）加入自环稳定训练过程；3）实现早停机制和固定随机种子以提高可复现性。实验结果表明，该方法能够生成更稳定的全图分类结果，同时减少训练时间。文章提供了完整的可配置代码实现，包括数据预处理、图构建、模型训练和可视化等模块，方便读者复现和进一步研究。
2025-08-10 16:48:18
1120
原创 番外：高光谱特征工程可视化实战｜假彩色、PCA、LBP 与光谱曲线（逐段讲解 + 可直接运行）
本文使用KSC高光谱数据展示四种常见可视化方法：假彩色合成、PCA主成分合成、LBP纹理分析和类别平均光谱曲线。首先加载数据并进行预处理，包括归一化和百分位拉伸。假彩色合成通过选择三个波段映射到RGB通道；PCA合成将前三主成分转换为彩色图像并显示方差解释率；LBP纹理分析分别在原始波段和PCA分量上计算局部二值模式纹理特征。文中提供了完整的Python实现代码和可视化效果图，并针对常见问题（如数据类型转换警告）提供了解决方案。这些可视化方法可帮助直观理解高光谱数据的空间分布、光谱特征和纹理信息。
2025-08-10 16:46:15
920
原创 深度学习与遥感入门（三）｜基于PyTorch Geometric的GCN模型：图神经网络在高光谱图像分类与全图预测实战教程
本文介绍了如何利用图神经网络（GNN）处理高光谱图像（HSI）分类任务。通过将每个像素视为图节点，基于K近邻构建邻接关系，使用PyTorch Geometric实现了一个图卷积网络（GCN）。实验表明，GCN能有效融合光谱和空间信息，在像素级分类中取得良好效果，并支持全图预测与可视化。相比传统CNN，GNN能更自然地建模高光谱数据的图结构特征，为遥感影像分析提供了新思路。
2025-08-09 23:21:25
794
原创 深度学习与遥感入门（2.5）｜三种 CNN 特征对比：高光谱图像分类中的光谱、空间与时空混合可视化
本文带你在 KSC 高光谱 数据上，快速对比三种常见 CNN 特征提取思路：1）Spectral-1D-CNN（光谱卷积），2）Spatial-2D-CNN（空间卷积），3）Hybrid-3D-CNN（空间+光谱混合卷积）。我们使用 PyTorch 实现，并用 t-SNE 将各自的“倒数第二层特征”降维可视化，直观看不同设计对类间分离度的影响；另附 2D-CNN 第一层特征图，帮助理解模型对纹理/边缘的响应。
2025-08-09 23:17:56
461
原创 深度学习与遥感入门（二）｜基于PyTorch的HybridNet模型：CNN+Transformer结合的高光谱图像分类实战教程
本文提出了一种结合CNN和Transformer的HybridNet模型用于高光谱图像分类。该模型通过CNN提取局部特征后，使用Transformer捕获全局依赖关系，最后通过分类器完成分类。文章详细介绍了模型结构设计思路，包括卷积层、Transformer编码器和分类器的实现细节，并提供了完整的PyTorch代码实现。在数据处理部分，介绍了高光谱数据的加载、标准化和PCA降维预处理流程，最终将数据调整为适合模型输入的格式。
2025-08-08 16:18:03
656
基于 SCCAN 模型的序列数据分类实战：从一维卷积到结果分析+对应代码和数据（数据可自行替换）
2025-04-26
基于图卷积网络（GCN）的分类任务实战：从数据加载到结果分析+对应代码数据
2025-04-25
我的博客“基于 EfficientFormer 的模型训练与评估：从数据处理到结果保存”对应代码和数据+包含划分好的训练和测试样本
2025-04-24
ICONES-HSI-Cloud.zip
2023-01-16
ICONES-HSI-Desert.7z
2023-01-16
ICONES-HSI-Wetland.zip
2023-01-16
常用高光谱分类数据集压缩文件.mat格式
2023-01-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人