基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台)

这篇具有很好参考价值的文章主要介绍了基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目 录
第一章 绪论 1
1.1问题背景及意义 1
1.2国内外研究现状 1
1.3论文主要研究内容 2
1.4论文组织结构 3
第二章 相关技术 5
2.1遥感图像变化检测 5
2.2 孪生网络 7
2.3 残差网络 8
2.4 注意力机制 9
第三章 基于BIT的遥感影像变化检测 11
3.1 Transformer模型 11
3.2 BIT模型 12
3.3 AC-BIT模型 15
第四章 实验及结果分析 22
4.1 实验环境 22
4.2 实验数据 22
4.3 网络配置 26
4.4 正交实验 29
4.5 对比测试 33
第五章 总结与展望 35
5.1 总结 35
5.2 展望 35
参考文献 37
致 谢 39
1.3论文主要研究内容
本文使用Liver-CD数据集,通过对BIT模型进行改进,将模型用于遥感影像变化检测,主要的工作内容如下:
在数据预处理阶段使用数据增强增加训练样本数,提高模型的泛化能力。样本数据中未变化像素点的个数要远高于变化像素点个数,为了解决由此造成的样本不平衡问题,从两个方面进行了改进:其一,使用重采样增加变化样本的数量。其二,设计适用于不平衡样本的损失函数,在损失函数中加入权重因子,使损失函数更多的关注变化样本和难以检测出的样本。通过对比不同的骨干网络对模型在测试集上F1-Score的大小进行比较,最终选择ResNet34作为模型骨干网络。为了高效的选出最佳的超参数组合方案,采用正交试验方法,通过将不同的因素和水平进行组合,并将其结果用于极差分析,得出对F1-Score影响最大的因素和最优的超参数组合方案,并通过实验证明该方案的结果最优。为了增强模型对多尺寸特征的提取能力,在骨干网络后加入空洞空间卷积模块(ASPP)改善模型对多尺度目标的漏检和预测图边界粗糙的问题。同时,添加双注意力机制(CBAM)增强模型对变化像素点的关注。最后,将AC-BIT模型与其他的变化检测模型进行对比,定量分析AC-BIT在变化检测任务中的性能。
1.4论文组织结构
本文的组织结构安排如下:
第一章 绪论,首先对遥感影像变化检测的背景和意义进行了说明,明确了遥感影像变化检测在国民生产和生活的重要地位。其次,介绍了在变化检测领域国内外的研究现状,介绍了几种常用的变化检测方法,提出了使用机器学习来解决变化检测领域问题的新思路,并列出了变化检测所面临的问题。然后,介绍了本文所做的主要工作。最后对本文的组织结构进行了介绍。
第二章 相关技术,对本文中使用的相关技术进行了介绍。主要用到的技术包括变化检测,孪生网络,残差网络,注意力机制等。
第三章 基于BIT的双时相遥感影像变化检测,对双时相遥感影像变化检测模型的发展进行了详细的分析。从最开始在自然语言处理(NLP)领域使用的Transformer模型;到使用编码解码结构进行变化检测的BIT模型;最后,对BIT模型的骨干网络进行改进,通过添加空洞卷积池化金字塔模块和双注意力机制,提出AC-BIT模型。
第四章 实验及结果分析。在于处理阶段使用数据增强策略增加样本数量,提高模型的泛化能力。为了解决样本不平衡问题,对原来的样本进行重采样以增加变化建筑物在训练样本中的数目。同时,在损失函数的设计上针对样本不平衡进行了优化,通过添加权重因子来增大对变化建筑物计算时的损失,同时,为了区分难以区分和容易分错的样本通过添加因子来进行调节。为了找到最优的超参数组合方案,通过正交试验的方法,通过标准正交表对不同的因素和水平进行组合,将得到的结果进行极差分析,得出对F1-Score影响最大的因素,以及最优的参数组合方案。试验证明该方法最后得到的结果是所有组合方案中最优的结果。最后,通过和其他的变化检测模型进行对比分析,得出本文所提出模型AC-BIT在综合性能上是四个模型中效果最好的模型。
第五章 结论与展望。 首先对本文所做的工作进行了分析,然后对双时相遥感影像变化检测问题的优化方法,分别从算法层面和工程层面进行了分析,提出了以后可以进行改进的地方。

# coding=utf-8

# 当前目录
current_directory = '/root/paddlejob/workspace/code/'

# 数据集文件目录
datasets_prefix = '/root/paddlejob/workspace/train_data/datasets/'

# 输出文件目录. 任务完成后平台会自动把该目录所有文件压缩为tar.gz包,用户可以通过「下载输出」可以将输出信息下载到本地.
output_dir = "/root/paddlejob/workspace/output/"

# 数据集名称
datasets_name = 'data134796'

import os
import sys
import os.path as osp

if __name__ == "__main__":
    print(os.getcwd())

    # print('1.解压数据集')

    # dataset_path = osp.join(datasets_prefix, datasets_name)

    # os.system("unzip -o -d {}/dataset/ {}/train_data.zip > /dev/null".format(current_directory, dataset_path))
    # os.system("unzip -o -d {}/dataset/ {}/test_data.zip > /dev/null".format(current_directory, dataset_path))

    print('2.解压源代码')
    os.system("unzip code.zip -d ./ > /dev/null")

    # print('3.对数据集进行划分')
    # os.system("python ./code/data_config.py {}/dataset/".format(current_directory))

    print('4.安装PaddleRS库')
    os.system("pip install --upgrade pip")
    os.system("pip install pyarrow==0.13.0")
    os.system("pip install cloudpickle==1.2.1")
    os.system("pip install filelock")
    os.system("pip install matplotlib==3.4")
    os.system("pip install ./code/PaddleRS")

    print('5.手动更新PaddleRS')
    sys.path.append('./code/PaddleRS')

    print('6.开始训练')
    os.system("python ./code/main.py")

    print('7.保存结果文件')
    file_path = osp.join(current_directory, 'code', 'exp', 'out')
    os.system("zip -j submisson.zip {}/* > /dev/null".format(file_path))

    os.system("mv ./submisson.zip {}".format(output_dir))

基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文
基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台),人工智能,paddlepaddle,Python,双实相遥感影像,变化检测,毕业设计,论文文章来源地址https://www.toymoban.com/news/detail-806273.html

到了这里,关于基于Python3.7实现的双时相遥感影像变化检测(PaddlePaddle框架和AI Studio平台)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB,遥感大数据时代已然来临。随着小

    2024年02月11日
    浏览(53)
  • 基于R语言的raster包读取遥感影像

      本文介绍基于 R 语言中的 raster 包,读取 单张 或批量读取 多张 栅格图像,并对栅格图像数据加以 基本处理 的方法。   首先,我们需要配置好对应的 R 语言包;前面也提到,我们这里选择基于 raster 包来实现栅格图像数据的读取与处理工作。首先,如果有需要的话,

    2024年03月15日
    浏览(44)
  • Python批量填补遥感影像的无效值NoData

      本文介绍基于 Python 中 ArcPy 模块,对大量栅格遥感影像文件 批量 进行 无效值 ( NoData 值)填充的方法。   在处理栅格图像文件时,我们经常会遇到图像中存在有无效值(即 NoData 值)的情况。如下图所示,这里有一个 矢量面要素图层 和该矢量图层范围对应的一景 栅

    2024年02月07日
    浏览(47)
  • Google earth engine 基于面向对象遥感影像分割 SNIC分割算法

    摘要被导师嫌弃N+1次,又摘要阴影了,懒得写摘要,这篇主要是在GEE上基于面向对象以Sentinel-2数据做的无监督分类算法示例,嗯呢,就是这样,您接着往下看有没有你需要的。 文章目录 一、Google earth engine简介 二、面向对象遥感影像分析方法 三、SNIC分割算法 四、总结    

    2024年01月17日
    浏览(46)
  • 基于ENVI的遥感影像解译——以Landsat8数据为例(上)

    遥感影像解译 是一种指从图像获取信息的基本过程。即根据各专业(部门)的要求,运用解译标志和实践经验与知识,从遥感影像上识别目标,定性、定量地提取出目标的分布、结构、功能等有关信息,并把它们表示在地理底图上的过程。例如,土地利用现状解译,是在影像

    2024年02月09日
    浏览(42)
  • 利用Python对含有地理信息的遥感影像,使用随机森林模型回归,并保存预测影像

    最近在做随机森林回归实验时,遇到了一个问题: 在做回归时,用的是excel点数据做的回归,像这样: 但是如何把这个训练好的模型应用到整幅含有地理信息的遥感影像上去,并保存这个预测图像呢?对这个问题,展开了一些思考,废话不多说,直接上代码。 导入数据,这

    2024年04月16日
    浏览(48)
  • Python ArcPy批量计算多时相遥感影像的各项元平均值

      本文介绍基于 Python 中 ArcPy 模块,对大量 长时间序列 栅格遥感影像文件的 每一个像元 进行 多时序平均值 的求取。   在遥感应用中,我们经常需要对 某一景 遥感影像中的 全部像元的像素值 进行平均值求取——这一操作很好实现,基于 ArcMap 软件或者简单的 Python 代

    2023年04月18日
    浏览(45)
  • 【Python&RS】遥感影像的像素坐标转地理坐标(仿射变换)

    ​         GDAL(Geospatial Data Abstraction Library)是一个在X/MIT许可协议下的开源栅格空间数据转换库。它利用抽象数据模型来表达所支持的各种文件格式。它还有一系列命令行工具来进行数据转换和处理。         Python的GDAL库作为栅格数据的处理转换库,其支持几百种栅格数

    2024年02月08日
    浏览(49)
  • 卷积神经网络(CNN):基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及,对地观测已具备多次以上的全球覆盖能力,遥感影像也

    2024年02月04日
    浏览(59)
  • 从CNN到Transformer:基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及,对地观测已具备多次以上的全球覆盖能力,遥感影像也

    2024年01月22日
    浏览(56)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包