TA Star 的仓库 (10)

    Star PaddlePaddle/Paddle
    Python
    GVP

    PaddlePaddle (PArallel Distributed Deep LEarning 并行分布式深度学习)是百度研发的深度学习平台,具有易用,高效,灵活和可伸缩等特点,为百度内部多项产品提供深度学习算法支持

    最近更新: 11个月前

    Star root/光谱预处理方法
    关闭
    Python

    标准正态变换; 多元散射校正; Savitzky-Golay 平滑滤波函数; 滑动平均滤波; 一阶差分; 二阶差分 ; 小波变换 ; 均值中心化; 标准化 ; 最大最小归一化 ; 矢量归一化

    最近更新: 1年前

    Star root/竞争性自适应重加权算法-CARS-python版
    关闭
    Python

    项目无限期终止 不提供任何服务

    最近更新: 1年多前

    Star mantte6199/SHIP
    Python

    监督的高光谱图像分类包(SHIP): 各种数据集 这是一个开放式软件包(称为 SHIP ),用于监督高光谱图像分类任务。 此外,该存储库保证您可以重现论文中报告的结果: 曹向勇,徐宗本,孟德玉,基于鲁棒低秩特征提取和马尔可夫随机场的光谱空间高光谱图像分类,遥感.2019,11(13),1565。 如果使用此代码,请在工作中引用该论文。

    最近更新: 4年前

    Star mantte6199/QRNN3D
    Python

    TNNLS 2020论文 “用于高光谱图像去噪的3D拟递归神经网络”的实施

    最近更新: 4年前

    Star mantte6199/hyperspectral-autoencoders
    Python

    用于训练和使用高光谱数据的无监督自动编码器和有监督深度学习分类器的工具。 可 文档 在此处找到 。 源代码可在 Github上获得 。 自动编码器是无监督的神经网络,可用于一系列应用,例如无监督的特征学习和降维。 可以在标记的数据上训练监督型深度学习分类器,以预测光谱的类别。 该存储库提供了一个名为 的基于python的工具箱 deephyp ,其中包含针对高光谱数据而设计,训练和测试密集和卷积自动编码器以及分类神经网络的示例。 网络易于设置,并且可以使用不同的架构进行自定义。 也可以采用不同的培训方法。 工具箱基于tensorflow构建。

    最近更新: 4年前

    Star mantte6199/DeepHyperX
    Python

    超级HyperX 一个Python工具,用于对各种高光谱数据集进行深度学习实验。 https://www.onera.fr/en/research/information-processing-and-systems-domain https://www-obelix.irisa.fr/ 参考 该工具箱用于《地球科学与遥感》杂志的评论文章: N. Audebert,B。Le Sa​​ux和S. Lefevre,“ 高光谱数据分类的深度学习:比较评论 ”,在IEEE Geoscience and Remote Sensing Magazine(IEEE地理科学和遥感杂志),第1卷,第1期中进行。 7号 2,第159-173页,2019年6月。 Bibtex格式: @article {8738045, 作者= {N。 {Audebert}和B. {Le Sa​​ux}和S. {Lefèvre}}, journal = {IEEE地球科学与遥感杂志}, title = {用于深度光谱数据分类的深度学习:比较评论}, 年= {2019}, 音量= {7}, 数字=

    最近更新: 4年前

    Star mantte6199/HSI_Classification
    Python

    HSI_分类 高光谱图像分类是一项像素明智的任务, 在这里,我展示了一些用于高光谱图像分类的传统算法和深度学习方法。 有关详细信息,请阅读特定方法中的每个自述文件。 在本自述文件中,我列出了这些方法。 基于传统机器学习的方法 KNN(K近邻) SVM(支撑向量机) 基于深度学习的方法 1D-CNN (一维卷积神经网络) 2D-CNN (二维卷积神经网络) 3D-CNN (三维卷积神经网络)

    最近更新: 4年前

    Star mantte6199/Hyperspectral-Classification
    Python

    一个Python工具,用于对各种高光谱数据集进行深度学习实验。 上提供了一些公共高光谱数据集 UPV / EHU Wiki 。 用户可以事先下载这些文件,或者让该工具下载它们。 默认数据集文件夹为 ./Datasets/,尽管可以在运行时使用 对其进行修改 --folderarg 。 此时,该工具会自动下载以下公共数据集: 帕维亚大学 帕维亚中心 肯尼迪航天中心 印度松 博茨瓦纳 该 数据融合大赛2018的高光谱数据集 也被预先配置,但用户需要下载它的 DASE 网站并将其存储在在数据集中的文件夹 DFC2018_HSI。 示例数据集文件夹具有以下结构: Datasets ├── Botswana │ ├── Botswana_gt.mat │ └── Botswana.mat ├── DFC2018_HSI │ ├── 2018_IEEE_GRSS_DFC_GT_TR.tif │ ├── 2018_IEEE_GRSS_DFC_HSI_TR │ ├── 2018_IEEE_GRSS_DFC_HSI_TR.aux.x

    最近更新: 4年前

    Star xa/torch2trt

    最近更新: 4年多前