在使用深度学习模型研究遥感影像地物分类问题时,某些地物的遥感影像可用于训练的样本很少。同时,多样化的遥感影像获取方式产生了大量不同空间分辨率的多模态遥感影像。融合这些多模态遥感影像,弥补样本量少导致分类精度低的缺陷,是小样本的遥感影像高精度分类领域中亟待解决的问题。针对上述问题,提出了考虑两种空间分辨率遥感影像相关关系的融合分类方法。首先,使用两个并行的深度学习网络分别提取两种空间分辨率影像的高层特征;其次,将提取到的高层特征通过融合方法进行融合;最后,得到融合后的高层特征作为输入,训练整个融合分类模型。实验表明,不同融合策略的分类精度不同,本文提出的基于高层特征级别的融合策略可以有效提高分类精度。

因为landsat影像由于风/云等原因而导致影像出现黑色条带遮挡

高分一C遥感影像数据集

针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果表明:本文方法的提取精度优于经典全卷积神经网络模型,准确率达到了98%以上,有效保留了道路的完整性及其边缘的细节信息。

针对图像中存在的对数螺旋线形状，提出了一种有效的对数螺旋线拟合方法。首先根据螺旋线的性质将已知图像中螺旋线的中心点约束在一个较小的区域内进行搜索，然后将从图像中获取的直角坐标系下的数据点通过坐标变换转换为能用直线形式表示的数据点，将对对数螺旋线的拟合转换为对直线的拟合。这一方法能快速、准确地拟合出图像中存在的对数螺旋线。

EVS1.0和EVS2.0 hal实现，可直接编译使用，通过控制rc文件设置开机启动或是其他阶段启动。

采用 dcmtk 开发的高性能医学影像文件 dicom 服务，包含测试工具

这是官方2023-02月发布发布的稳定版3DSlicer，里面已经安装了常用插件，并且做了分类处理，常用工具放在了智能医学所属栏里面，附带了中文包，可直接在设置里面选择中文。本软件适用于医学影像处理初学者。可根据用户习惯添加或者删除模块。

PyTorch是一个深度学习框架，它提供了各种工具和功能来构建、训练和部署深度学习模型。相比其他深度学习框架，例如TensorFlow，PyTorch更加易于使用和灵活。在PyTorch中，我们可以使用张量（tensor）对象来存储和操作数据。这些张量对象非常类似于NumPy数组，但是PyTorch的张量支持GPU加速和自动求导功能，这使得我们可以更快地进行运算和优化模型。除此之外，PyTorch还提供了一些内置的神经网络层和损失函数，以及预训练模型的接口。这些工具和功能使得我们可以轻松地构建和训练深度学习模型，而不需要从头开始编写所有的代码。 视频大小：2.8G

针对DInSAR(differential interferometric synthetic aperture radar)技术仅能获取雷达视线向(line of sight,LoS)形变的不足,研究了融合多卫星平台求解三维形变场的模型与算法。该算法基于多卫星轨道模式下具有不同成像几何的多源SAR影像联合求解矿区地表形变场。研究结果表明:采用该算法反演的下沉值与水准测量结果相互吻合,均方根误差为±4 mm,吻合程度优于单一影像源反演结果;垂直向位移场与等值线均表明下沉盆地向老采空区偏移,说明老采空区可能活化;东西向水平位移场与等值线符合开采沉陷地表移动规律,而且对于不同的成像模式,东西向水平移动的影响亦不同;由于卫星航向角的正弦值近乎为0,使得三维算法对南北向位移不敏感。