Coding and Paper Letter(三)

  1. 云栖社区>
  2. 博客>
  3. 正文

Coding and Paper Letter(三)

胖胖雕 2018-07-09 22:17:50 浏览611
展开阅读全文
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/ESA_DSQ/article/details/80978373

资源整理。

1 Coding:

1.变化检测专题。

Change-Detection-in-Remote-Sensing-Images遥感影像变化检测的Python代码。

change-detection-tutorial时间序列数据的变化检测。

SAR-change-detectionSAR影像的变化监测。

demeter土地利用土地覆盖分解和变化检测模型,demeter是一个开源Python包,旨在分解由综合评估模型(IAM)生成的未来土地分配预测。

lcmap-ccdcLCMAP-ccdc - Python连续变化检测和分类库。

cglops-change-detection通过土地覆盖变化检测增强CGLOPS。

Land-use-change-detection利用多传感器卫星数据进行土地利用变化检测。

REU-AcceleratedChangeDetectioninSARImages用于合成孔径雷达(SAR)图像变化检测的深度神经网络算法。

bayesian-change-detection基于贝叶斯模型的变化检测Python模块。

Change-Detection-in-Satellite-Imagery采用主成分分析(PCA)和差分图像上的K-Means来检测多时相图像卫星图像的变化。

Temporal-Changes-Detection-in-3D-scenes使用VisualSfM重建的3D场景中的时间变化检测。

Opticks_Gsoc2013用于Opticks的基于对象的图像融合和变化检测工具。

ChangeAnomalyDetectionCRAN上的R语言包,变化检测。

VGG-net-for-photo-change-detection用VGG Net训练检测照片。

matlab-ccdc用于CCDC相关处理的原始Matlab代码。

CCDC使用所有可用的Landsat数据为土地覆盖的连续变化检测和分类(CCDC)开发的算法。

lcmap-ccdc基于Apache Spark的LCMAP变化检测和分类。

CRCPython遥感影像分析,分类和变化检测。

NRT_Validation在遥感影像中验证近实时变化检测产品。

CRC4Docker用于书“遥感影像分析,分类和变化检测,第四修订版”的Python脚本。

2.数据科学可视化项目,有非常多有趣的项目。

Data-And-Visualization-Projects

3.Python的一个库,用线要素和三维组合来表达地理要素。

GeospatialLineGraphs

4.R语言包raster的教程说明。

visualraster

5.R语言包sparsebn,用于通过稀疏正则化从高维数据中学习稀疏贝叶斯网络和其他图形模型。

sparsebn

6.Docker的实践资源,关于Docker是啥的可以去翻我前面的博客,有简单介绍以及如何安装。

docker_practice

Win7下蓝鲸鱼安装以及Xshell连接操作
)

花式安装蓝鲸鱼札记

7.Processing的R拓展。Processing是一个基于Java的动态可视化库,提供了R的接口(接口不一定对,但是就是可以利用R来写Processing)。

Processing.R

8.R Shiny的资源,Shiny是R语言的神器,通过R的代码可以设计html的网页。

awesome-rshiny

9.MapD Core是一个内存中的列存储SQL关系数据库。

mapd-core

10.想要熟练使用Python for GIS的GIS分析师的进步路径:从学徒到大师

python-for-gis-progression-path

11.基于贝叶斯方法的pm2.5预测(R语言),从抓取、数据分析到预测。

PredictPM25

12.Python库Geopandas,Pandas包的地理扩展。

geopandas

13.用于空间/地理Python探索的笔记和库,UCL CASA的课程资源。

Geopython

14.自动化GIS流程课程的课程信息

Course-information

15.R语言包baidumap,百度地图的R语言接口。

baidumap

2 Paper:

1.Deep Learning: Individual Maize Segmentation From Terrestrial Lidar Data Using Faster R-CNN and Regional Growth Algorithms/深度学习:使用更快的R-CNN和区域增长算法从地面激光雷达数据中分割玉米

深度学习在LiDAR中的应用。在对象检测,分类和分割方面表现出很高的性能。在这项研究中,我们提出了一种结合深度倾斜和区域生长算法从地面激光雷达数据中分割单个玉米的方法。训练场地的扫描3D点被切成行和行,具有固定的3D窗口。窗口内的点被压缩成深度图像,用于训练更快的R-CNN(基于区域的卷积神经网络)模型以学习检测玉米茎的能力。使用不同种植密度的三个地点来测试该方法。

2.Challenging the Establishment of Cartography and GIS/地图学与地理信息系统建立的挑战

2018年7月6-8日中国兰州第六届全国青年学者地理空间信息论坛,江斌老师的汇报。针对大数据与传统地理学理论的一个新思考。

网友评论

登录后评论
0/500
评论
胖胖雕
+ 关注