遥感识别5——模型训练

最新推荐文章于 2025-03-25 14:08:48 发布

晓码bigdata

最新推荐文章于 2025-03-25 14:08:48 发布

阅读量2.4k

点赞数

分类专栏：遥感影像识别分割文章标签： GDAL 深度学习计算机视觉

本文链接：https://blog.youkuaiyun.com/xiaotiig/article/details/121743967

版权

遥感影像识别分割专栏收录该内容

13 篇文章 ¥299.90 ¥399.90

订阅专栏

超级会员免费看

本文探讨了遥感图像识别，重点介绍了针对8位深度3波段jpg图像的UNet模型及其训练过程，同时提及了4波段16位深度影像的识别方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型训练

1 8位深度3波段jpg图像
- 1.1 UNet模型
- 1.2 训练
2 4波段16位深度影像的识别

1 8位深度3波段jpg图像

1.1 UNet模型

# 实现了unet模型
import tensorflow as tf
import numpy as np


#########################################    2 前向传播
class Downsample(tf.keras.layers.Layer)

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

晓码bigdata

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

深度学习-制作自己的数据集

bigData1994pb的博客

05-25

5978

1.背景对于文件夹套子文件夹，子文件夹里有很多同一类别的图像，子文件夹表示里面图像的类别。这种结构的文件叫做图像层叠式即为imageFolder。如下所示：该文件夹下面有10个类别的子文件夹，如下：每个子文件夹下有许多图像，如下： 2.开始制作数据集 """ 对于一个文件夹下有多个文件夹，每个子文件夹都是子文件夹里图片的类别名，这种称谓图像层叠形式imageFolder。 """ import os from torch.utils.data import ..

遥感识别10——多波段遥感图像识别全流程（tf2.0）

xiaotiig的博客

01-06

3386

遥感图像识别步骤 1 明确任务 2 制作数据集arcgis,labelme 3 数据增强(拉伸) 4 模型构建 5 模型反向传播配置 6 模型训练 7 模型测试 8 模型优化 9 模型后处理 10 模型保存 11 模型预测 12 撰写报告 1 竞赛项目介绍进行地物的10分类算法大赛：2021全国数字生态创新大赛-智能算法赛-天池大赛-阿里云天池 https://tianchi.aliyun.com/competition/entrance/531860/introduction { 1: “耕地”, 2

参与评论您还未登录，请先登录后发表或查看评论

深度学习-数据集构建（一）

qq_45085522的博客

10-23

4348

Pytorch迁移学习训练自己的图像分类模型【两天搞定AI毕设】_哔哩哔哩_bilibili定义数据加载器DataLoader 构造数据迭代器# 训练集的数据集加载器# 测试集的数据加载器查看一个batch的图标和标注。

DeepSeek和Python的高光谱遥感从数据到智能决策全流程实现与城市、植被、水体、地质、土壤五维一体应用

最新发布

weixin_60784949的博客

03-25

686

【保姆级牵引，手把手教学】本课程《DeepSeek、Python高光谱遥感从数据到智能决策的全流程实现与城市、植被、水体、地质、土壤五维一体应用》为您提供从数据获取到智能决策的完整解决方案。基于Python编程入门到DeepSeek工具，把高光谱领域的全部内容都纳进来，包括辐射校正、几何校正、大气校正、光谱预处理、降维、特征提取、混合像元分解、地物分类与识别、目标检测与变化检测等都纳入课程，覆盖全面，循序渐进。（8）图像的读取、显示、保存、基本属性、颜色空间转换、缩放与裁剪、旋转与翻转、几何变换。

深度学习如何建立一个训练数据集？

张帅影&RS&DeepLearning

02-23

2198

Pytorch中的torchvision包中有一个名为ImageFolder的类，它能很好地为我们完成一切，只要我们的图像在一个适合的目录结构中，其中每一个目录分别是一个标签(例如，所有猫都在一个名为cat的目录中)。对于我们在对猫狗进行分类时，我们只需要以下代码： import torchvision from torchvision import transforms train_data_path='"./train/" transforms=transforms.Compose([ tran

遥感影像识别-训练策略

122&&113的博客

01-20

3413

1. 主动学习结合遥感影像识别 1.1 摘要在传统的机器学习中，模型的准确度往往由已标记的数据样本规模所决定。但是在实际情况中，海量数据中往往只有极小部分获得了准确标记，而大部分数据未经标记，如果通过专业人员对数据逐个进行标记，将耗费大量的时间成本和经济成本。主动学习是从大量未标记的数据集中检索出最有用的未标记数据，交由专业人员进行标记，然后用该类样本来训练模型以期提高模型的准确率。 1.2 主动学习特点主动学习作为机器学习中一个重要的领域，其主要特点是通过一定方法的检索，在未标记的数据集中检索出最有意

深度学习模型创建数据集代码要点

m0_53444618的博客

01-19

1171

加载数据集三个术语 Epoch Batch-Size lterations Epoch：对所有的训练数据进行一次正向传播和反向传播 Batch-Size：每次正向和反向传播的训练样本数 Iteration：训练（即权重更新）的次数，每个epoch进行“训练样本数/Batch-Size”次迭代 DataLoader Dataset重写__init__(self, data, label) __getitem__(self,index) __add__(seld,other) __len__(self)..

遥感识别8——程序打包

xiaotiig的博客

12-23

191

程序打包1 程序打包2 打包流程将模型训练好以后，打包成exe文件，方便其它程序调用和未打包的文件的主要区别就是输入参数哪里进行了修改，同时使用cpu进行预测。 1 程序打包 import tensorflow as tf import numpy as np import gdal import os import cv2 as cv import sys # 不显示提示警告信息 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' ## 1、构建unet模型 cla

遥感识别9——深度学习遥感影像16位转8位and百分比数据增强

xiaotiig的博客

01-04

2812

我们做遥感影像深度学习的时候，和普通图像比较主要存在4方面的问题：（1）图像含有坐标信息（2）图像太大，30000*30000大小（3）图像位数是16位，普通图像是8位，都需要归一化到-1到1，或0-1，但是遥感影像虽然范围是0-65535，但是实际有效值集中在1000以内，直接除以65535，最后的归一化后，值大多数集中与0-0.04，这样做不好，需要进行拉升。（4）多波段，普通jpg3个波段，本身tensorflow和gdal的一些图像增强的工具没法运用在多波段上，需要gdal来处理。遥感图像

pytorch零基础实现语义分割项目（四）——模型训练与预测

艾醒的博客

02-20

1860

在本系列的前几篇文章中我们介绍了数据与模型，在本篇中我们将数据与模型相结合进行模型训练与预测。

MATLAB深度学习（1） --- 想要做好深度学习？数据集是第一步

m0_54515450的博客

01-10

5347

该项目的目标是想基于某些人的行走引起的楼板振动加速度作为数据，通过深度学习方案，来将这些人的身份进行识别。数据集构建网络搭建（可能会变换多种网络）网络参数选取训练，并基于训练结果调整得出结论当然，该项目是一个全新的课题，充满挑战，所以每一期可能解决的只是项目中的一个问题。对于深度学习方案真正应用到全新的环境中，这确实是一个挑战，但是我们悬着迎难而上！

基于tensorflow深度学习的遥感landsat 影像地物分类python源码+模型.zip

05-05

遥感landsat 影像地物分类，基于CNN深度学习的方法遥感landsat 影像地物分类，基于CNN深度学习的方法遥感landsat 影像地物分类，基于CNN深度学习的方法遥感landsat 影像地物分类，基于CNN深度学习的方法遥感landsat 影像地物分类，基于CNN深度学习的方法遥感landsat 影像地物分类，基于CNN深度学习的方法

数据集搭建

cout_OK的博客

09-11

4112

在深度学习中，数据集扮演着至关重要的角色。它们是训练机器学习模型的基础，决定了模型能够学习到的模式和特征。要训练自己的模型，首要任务就是找到需要的合适数据集。可以通过在网上查找资源、雇佣人力采集、自己采集等方式实现数据的采集工作。按照给定的标签格式分类，这些数据集可以分类为：数据集划分：假设你已经拥有了所需要的数据集（别急，下一节会介绍如何构建自己的数据集并将其封装为模型需要的格式），那么如何使用数据集对模型进行训练与评估呢，重要的一点是如何划分训练集与测试集，而训练集又可细分为训练集与验证集，常用

遥感大模型汇总

shenfenxihuan的博客

02-05

6520

简介：提出了一种称为RingMo-SAM的多模态遥感图像分割的基础模型，它不仅可以分割光学和SAR遥感数据中的任何内容，还可以识别对象类别。此外，它可以通过参考对象的空间坐标，在视觉上将其响应中的对象接地。提高了SAM在遥感图像上的分割准确性，凸显了 SAM 在遥感图像中部署的潜力，并减少了手动注释的需求。为了处理RS图像中的大尺寸和任意方向的物体，提出了一种新的旋转可变尺寸窗口注意力来取代变压器中原来的完全注意力，减少计算成本和内存占用，同时通过提取学习更好的对象表示来自生成的不同窗口的丰富上下文。

遥感识别6——模型优化

xiaotiig的博客

12-06

296

模型优化

tensorflow笔记【5】深度学习-自制数据集

qq_62625255的博客

06-12

1535

自制数据集帮助了解数据集的制作过程。

3.遥感图像模型和特征

qq_40014834的博客

10-21

4370

遥感图像模型和特征 3.1 遥感图像模型对地观测的遥感分为三部分：大气遥感、水色遥感、陆地遥感遥感图像中像素值的物理意义：电磁波能量分布的一种表达 3.2 图像统计 3.3 像素空间关系 3.4 图像特征 ...

遥感视觉大模型综述（近万字长文，包括但不限于遥感领域）

qq_36101623的博客

11-28

7438

CLIP是一种基于对比学习的多模态模型，与CV中的一些对比学习方法如moco和simclr不同的是，CLIP的训练数据是文本-图像对：一张图像和它对应的文本描述，这里希望通过对比学习，模型能够学习到文本-图像对的匹配关系。与其他自动编码器一样，本文的方法有一个编码器，可以提取掩码图像的隐藏表示，然后用于重建掩码区域的原始信号。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。

遥感影像识别-成像合成

122&&113的博客

02-17

1871

思考由于之前训练采用的数据集是从城市中采样，因此造成模型对乡村地区的识别效果特别差，因此由手工制作了十几张乡村地区的数据集，其中标注了两个类别，分别为水域、林地。然后用这个数据集去训练模型。以下是在两个采样区域的识别效果：城市：乡村合成 ...

Python 计算思维训练——SAR图像处理目标识别

02-11

### Python SAR 图像处理与目标识别计算思维训练 #### 函数实现细节对于SAR图像的批量读取功能，在给定路径`dir`的情况下，通过遍历该文件夹内的所有图片文件并调用单张图片读取函数`Read()`完成向量化操作。此过程涉及到了OpenCV库中的`imread()`用于加载灰度模式下的图像，并借助NumPy创建了一个二维数组来存储所有的像素值向量[^1]。 ```python import cv2 import os import numpy as np def Read(path): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) rows, col = img.shape vector = img.reshape(rows * col) return vector def ReadAll(dir): imgfiles = os.listdir(dir) n = len(imgfiles) matrix = np.zeros((n, 128 * 128)) for i in range(n): v = Read(os.path.join(dir, imgfiles[i])) matrix[i] = v return matrix ``` 为了提高模型性能，可以采用迁移学习策略，即利用已经在大型通用数据集（如ImageNet）上预先训练过的卷积神经网络作为初始权重来进行特定任务的学习。这种方法能够有效减少过拟合风险，尤其是在样本数量有限的数据集上表现更为明显[^2]。在更复杂的场景下，例如多尺度的目标检测问题中，则可能涉及到不同分辨率级别的特征融合技术。具体来说就是构建一个多分支结构，其中每个分支负责捕捉某一类尺寸范围内的物体特性；之后再把这些来自多个层次的信息结合起来做出最终决策。这种设计有助于提升对各种规模目标尤其是小型目标的检出能力[^3]。 #### 提供的相关教程和资源链接建议如下： - **官方文档**：查阅OpenCV-Python Tutorials有关图像基本操作的部分，了解如何使用Python接口执行常见的计算机视觉任务。 - **在线课程平台**：Coursera、edX等网站提供了许多由知名大学教授开设的人工智能入门级至高级别的专项课程，其中包括专门讲解遥感影像分析的内容。 - **GitHub项目仓库**：搜索关键词"SAR image processing python"或"MSTAR dataset target recognition"找到开源社区分享的实际案例代码，从中获取灵感和技术支持。