weixin_41099712的博客

采用时间窗口卷积的方式会导致时间序列两端出现不可避免的误差，为了消除这种影响，本文相应延长了插值时间序列和滤波时间序列的长度，并在滤波后截断多余的序列。综合考虑研究区的影像缺失情况，本文对去云后的时间序列影像进行线性插值，以补全云污染的区域，插值的时间单边窗口为。数据集的在GEE平台导出已经在上篇文章讲过了，本篇文章主要介绍哨兵2时间序列的影像的预处理方法，每个人的预处理方法不同，仅供参考。即缺失像素在分别向前后30天时间窗口中寻找最近高质量的观测值，采用线性插值填补当前的缺失值。研究区阴雨天气较多，

例如：patchSize 为32，kernelSize为32，则导出的图像单个大小为64*64，中间的32*32为不重叠区域，边缘的16格像素为缓冲区大小。导出可以拆分为多个 TFRecord 文件，每个文件包含一个或多个 大小的 patches ，这是用户在导出中指定的。其中：crs为投影坐标系、doubleMatrix为地理仿射变换矩阵、patchDimensions为不重叠区域大小、patchesPerRow为裁剪区域内每行得到的样本数量、totalPatches为总的patch数量。

本教程是使用GEE作为数据预处理工具，本地GPU进行模型训练，推理。本教程是使用的GEE JS客户端 。预计分为以下几个章节来撰写：1.环境搭建篇2. GEE导出篇3. GEE预处理篇4. Python数据读入篇5. Python深度学习训练篇6. 官方教程解析篇

通过GDAL库将普通图像转化为栅格影像

值得注意的是，我们的渐进式训练模式增强了基础模型的能力，超越了性能上的过渡点。为了对预训练模型进行更严格的评估，我们在BigEarthNet多标签分类数据集上对所有消融模型进行微调，只使用训练集的10%子集，这是一个更艰巨的挑战，使用mAP测量进行评估。我们的预训练数据集包括fMoW-S2的广泛训练集，其中包括来自世界各地的令人印象深刻的712,874张图像，以及BigEarthNet的训练集，其中包括欧洲地区的351,496张图像，其中不包括受雪，云或云阴影影响的图像。然而，值得强调的是，所。

​ SpectralGPT: Spectral Foundation Model 论文的前四个RS实验：分类、多标签分类、语义分割、变化检测。

​ 基础模型最近引起了人们的极大关注，因为它有可能以一种自我监督的方式彻底改变视觉表征学习领域。虽然大多数基础模型都是为了有效地处理各种视觉任务的RGB图像而定制的，但在光谱数据方面的研究存在明显的差距，光谱数据为场景理解提供了有价值的信息，特别是在遥感(RS)应用中。为了填补这一空白，我们首次创建了一个通用的RS基础模型，名为SpectralGPT，该模型专门用于使用新型3D generative pretrained transformer(GPT)处理光谱RS图像。

高光谱影像信息熵/信噪比计算基于matlab实现了高光谱影像个波段信噪比和信息熵的计算文件导入：影像格式使用的ENVI导出的img+hdr格式，参考的Matlab实现高光谱读取进行的修改。时间伧俗，程序适用性不强，影像的参数需要用记事本打开hdr文件，手动修改程序。—— "Float"修改成你的img文件名，例如example.img—— bands 、lines 、samples 、interleave可以从hdr文件里找到—— ‘float32=>float32’ 对应hdr 里的