weixin_43896283的博客

深度学习汇总（python长期更新版）

Python 数字图像处理之通道叠加(二)

深度学习之Unet变化检测（附python代码）

基于残差ResNeXt与UNet的优化网络

残差网络–ResNeXt （附python代码） 一、ResNet、ResNeXt介绍 ####1.1 ResNet 的结构 ResNet 采用模块化的思维来替代整体的卷积层，通过一个个模块的堆叠来替代不断增加的卷积层。按照残差模块堆叠数量的不同，产生了不同深度的ResNet网络，如ResNet-18、ResNet-34、ResNet-50、ResNet-101和ResNet-152，其中所有的网络都可以分为5部分，分别是conv1、conv2_x、conv3_x、conv4_x、conv5_x。 ####

python 语义分割中常用精度评定方法-混淆矩阵 混淆矩阵（Confusion Matrix）是机器学习领域中评价算法分类性能的常用方法，主要用来解决二分类问题，通过表格实现分类器所预测的类别与其实际的类别的样本统计。 一、混淆矩阵简介 混淆矩阵的构成，如下表所示：其中： （1）真正例（True positives，TP）：正类样本被正确预测为正类样本，表现形式为：预测值为1，真实值为1； （2）真反例（True negatives，TN）：负类样本被正确预测为负类样本，表现形式为：预测值为0，真实值为

python 数据集中随机选择作为测试集、验证集 一、功能 从已有的数据集中随机选择出若干组数据作为测试集或者测试集。 二、数据 数据集由三种数据组成，分别是：前期数据（tif）、后期数据(tif)、标签图（png），所以数据集由三个文件夹组成。 二、直接上代码 ##深度学习过程中，需要制作训练集和验证集、测试集。 import os, random, shutil def moveFile(fileDir): pathDir = os.listdir(fileDir) # 取图片的原始路径

python 数字图像处理之通道叠加 一、介绍 博主之前在用深度学习做变化检测时，看到有些文献中的通道叠加是将两幅影像合并为一幅影像，即两幅三通道的影像叠加为一幅6通道的影像，但有些文章中又将这种通道叠加描述为波段叠加，因此给本人带来了极大的困惑，图像中通道和波段应该是不同的东西才对啊？ 后来发现；此处的通道是其在深度学习中含义，一幅影像波段有多少就可以有几个通道，而不再是图像中的RGB通道与透明度通道。 二、成果展示 效果图下图所示： 三、直接上代码 import cv2 import yimage i

python 数字图像处理之数据增广（批量处理） 一、数据增广介绍 数据增广是指通过一些简单的转换来对现有数据集进行扩充的过程。常用的增广方式有水平旋转、垂直旋转、任意裁剪、颜色抖动、加噪声、灰度变换等。 由于增广方式众多，博主从中选择了3种增广方式进行了增广，分别是上下翻转、左右翻转、随机旋转这三种。 二、数据介绍 前期影像（.tif）、后期影像(.tif)、标签图(.png) 三、功能介绍 对前期影像数据，后期影像数据、标签图这三种数据进行批量的数据增广，增广方式为上下翻转、左右翻转、随机旋转。 四、代