- 综合排序
- 最热优先
- 最新优先
- 来自专栏遥感目标检测
【遥感目标检测】利用YOLOv8进行遥感影像大气排污烟囱检测-总体介绍（1）
一、背景介绍山东某客户希望我们能够利用深度学习技术进行遥感影像的大气排污烟囱检测，快速发现生态环境问题，以便给相关主管部门提供决策依据。 (ms)params(M)FLOPs(B)YOLOv8n64037.380.40.993.28.7YOLOv8s64044.9128.41.2011.228.6YOLOv8m64050.2234.71.8325.978.9YOLOv8l64052.9375.22.3943.7165.2YOLOv8x64053.9479.13.5368.2257.8YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite三、技术路线总体技术路线如下：烟囱数据标注 使用ArcMap软件对遥感影像中的烟囱进行标注。 这样将遥感影像大图切分成了很多小图，便于模型进行训练。样本格式转换 接着将PascalVOC样本集转换为YOLOv8所要求的样本格式，确保模型能够正确读取和解析样本数据。 四、结语以上就是我们利用YOLOv8进行遥感影像大气排污烟囱检测的总体介绍，希望能够给大家带来一些启发和帮助。如果你有任何问题或建议，欢迎随时在评论区留言交流。
66510编辑于 2024-06-10 - 来自专栏遥感目标检测
【遥感目标检测】利用YOLOv8进行遥感影像大气排污烟囱检测-数据标注需求及规范（2）
一、背景说明山东某客户希望我们利用YOLOv8在遥感影像上进行大气排污烟囱检测。由于烟囱开源样本太少，我们需要自行标注数量可观的烟囱矢量数据用于模型训练。 也希望本文能够给其他有遥感数据标注需求的小伙伴们带来参考价值，后续我们也会介绍这个工作模型训练的相关工作。二、标注需求标注数量：标注1000个以上的烟囱矢量要素，以水平外包矩形框的形式标注。
44210编辑于 2024-06-10 - 来自专栏YOLO大作战
基于YOLOv8的遥感SAR舰船小目标识别
本文摘要：基于YOLOv8的遥感SAR舰船小目标，阐述了整个数据制作和训练可视化过程 1.YOLOv8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO ：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f 是的，YOLOv8走向了Decoupled-Head； Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想； 损失函数：YOLOv8使用VFL Loss .遥感SAR舰船数据集介绍 SSDD总共包含1160张图片，2456个舰船，平均每张图片的舰船数量为2.12 按照7：2：1划分了training val test 2.1 split_train_val.py attention/yolov8.yaml') #model.load('yolov8n.pt') # loading pretrain weights model.train(data
2K11编辑于 2024-01-16 - 来自专栏二猫の家
【GEE】基于PCA的LANDSAT 8计算遥感生态指数（RSEI）
var table = ee.FeatureCollection("projects/ee-1261423515/assets/aibihu"); Map.centerObject(table, 8); function maskL8sr(image) { // Bit 0 - Fill // Bit 1 - Dilated Cloud // Bit 2 - Cirrus // Bit ee.ImageCollection("LANDSAT/LC08/C02/T1_L2") .filterDate('2020-06-01', '2020-10-31') .map(maskL8sr var wet = Wet_cal(dataset_no_water); var visParams1 = { palette: '313695,4575b4,74add1,abd9e9,e0f3f8, ,'ff0000','00ff00'] }; var visParams2 = { palette: 'a50026,d73027,f46d43,fdae61,fee090,ffffbf,e0f3f8,
89610编辑于 2024-04-08 - 来自专栏智能人工
智能遥感：AI赋能遥感技术
本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线，通过综合国内外文献和相关报道，梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展 其次，针对遥感数据时空处理与分析任务，从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。 发展遥感数据智能分析技术的目的是将长期积累的遥感数据转化为对观测对象的整体观测、分析、解译，获取丰富准确的属性信息，挖掘目标区域的演化规律，主要包括遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别 因此，进行遥感影像的时间与空间维度的处理与分析对提高遥感影像数据的可用性、时间序列分析水平和遥感应用的深度广度具有重要意义。 1.2遥感数据时空处理与分析近年来，陆续开展多源遥感时间与空间协同处理与分析方面开展研究工作，力求实现多源数据间互补协同、融合重建，提高遥感时空分析的能力1.2.1遥感影像时间序列修复研究人员构建了大量的时间序列遥感影像修复和重建的方法
2.3K70编辑于 2022-08-10 - 来自专栏二猫の家
Google Earth Engine 下载遥感影像——以Landsat 8数据为例
影像裁切 4、GEE影像上传和导出 4.1 上传本地文件 4.2 在GEE上导出影像数据 5、GEE共享以及全套代码 ---- 1、Google Earth Engine（GEE）简介 遥感大数据云计算服务平台为区域或全球土地利用空间信息的获取提供了新的途径和方法 GEE 云平台是一款专门用于处理卫星影像数据和其他地球观测数据的云端运算平台，不但存储了完整的对地观测卫星影像数据，以及环境和社会经济等数据，还提供足够的运算能力对这些数据进行处理，成为解决遥感数据收集困难和处理效率低下问题的新途径 ---- 4.2 在GEE上导出影像数据 最后，我们将所选择的遥感数据导出，代码如下： //导出L8影像 Landsat8 all bands loop to Drive addLayer(l8Img, visualization, 'Landsat8'); 最后想说一句，其实 在进行landsat 8 影像数据预处理的时候就可以发现，GEE的一个强大之处在于其可以很方便的自动获取遥感影像，并且直接在上面进行处理和分析。
8K51编辑于 2022-12-05 - 来自专栏疯狂学习GIS
遥感影像依据分幅号的8天合成：Python实现
本文介绍基于Python中的ArcPy模块，将大量遥感影像文件按照分幅条带编号与成像时间加以分组，并将同一分幅的遥感影像加以每个8天时间间隔内的镶嵌拼接的方法。 首先，来看一下本文具体的需求。 我们希望实现的是，从2022年第001天开始，到第365天结束，对于每1个分幅，将其每1个8天时间范围内的所有遥感影像（无论是来自哪一个传感器）拼接在一起。 在之前的文章中，我们介绍过在GEE中计算每1个8天时间间隔内遥感影像数据平均值的方法；而这一次我们将基于Python，将每1个8天时间间隔内遥感影像拼接起来。 本文所用到的代码如下。 这里之所以需要try和except语句，是因为有的8天时间间隔内可能没有任何遥感影像数据，因此Mosaic_management()函数可能会报错，导致程序终止运行。 完成字典的确定后，相同分幅号且落在同1个8天时间间隔内的遥感影像数据，即可被存入同1个字典中。接下来，即可开始拼接；如下图所示。
56610编辑于 2024-09-11 - 来自专栏点点GIS
遥感制图
基于ARCGIS的遥感制图 对遥感影像分类后结果如图所示 把分类后的结果输出矢量 因为evf格式无法在arcgis中打开，故转为shp 在arcgis中加载文件 对图层进行符号化，按照类型设色 结果如下
57920发布于 2021-08-18 - 来自专栏二猫の家
遥感SCI期刊汇总
CANADIAN JOURNAL OF REMOTE SENSING《加拿大遥感杂志》 http://pubservices.nrc-cnrc.ca/rp-ps/journalDetail.jsp? GISCIENCE & REMOTE SENSING 《地理信息系统科学与遥感》 http://www.bellpub.com/msrs/ Quarterly ISSN: 1548-1603 BELLWETHER IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING 《IEEE应用地球观测与遥感选题杂志 Science Citation Index Expanded 创刊年:2008 出版地:美国 8. PHOTOGRAMMETRIE FERNERKUNDUNG GEOINFORMATION《摄影测量遥感地球信息》 http://www.schweizerbart.de/j/pfg/ Bimonthly
1.7K31编辑于 2022-11-28 - 来自专栏二猫の家
Landsat遥感影像下载
摘要：本篇文章主要介绍下载遥感卫星影像数据常用的几种的获取方法。适合刚接触遥感这个领域不久却需要下载和使用遥感影像的人群。 本文着重介绍陆地资源卫星Landsat系列卫星的遥感影像查询和下载。 Landsat影像下载网址 3.1 USGS下载遥感影像 3.2 地理空间数据云下载遥感影像 3.3Google Earth Engine下载遥感影像 ---- 1、陆地资源卫星Landsat系列卫星基本介绍 如今，它和landsat-8双星共同完成的陆地资源的遥感影像获取，它的加入使得landsat卫星的时间分辨率从原先的16天周期缩短到了一半，即时间分辨率为8天。 Google Earth Engine 下载遥感影像——以Landsat 8数据为例 https://blog.csdn.net/Knight_076/article/details/123880266 8B%E8%BD%BDlandsat&spm=1018.2226.3001.4187
1.4K20编辑于 2022-12-05 - 来自专栏GEE遥感大数据学习社区
环境遥感特刊概要：基于GEE的遥感土地变化研究
为了捕获这个进化的关键时刻啊,我们开始组织特刊《“遥感土地变化科学与谷歌地球引擎”在《“环境遥感”2017年11月至2020年3月(图1)。 这个问题的目标是发表研究论文,关注哇在两个主要的方法和应用遥感领域致力于土地变化科学:环境遥感(RSE)，即自然引起的土地变化;社会遥感(RSS)，即人类引起的土地变化。 在4.1环境遥感(Remote sensing of environment, RSE)和4.2社会遥感(Remote sensing of society, RSS)中，我们分别在环境遥感(Remote 往期精彩回归 极地测绘遥感信息学 遥感指数库(Index DataBase) 遥农田定量遥感：理论、方法与应用 城市遥感：城市环境监测集成与建模 LiDAR/PCM软件：点云魔方版本更新 免费数据共享 ：2000-2018全球 “类NPP-VIIRS”夜间灯光数据 遥感图像处理课程汇总 32篇深度学习与遥感论文推荐 GEE Deep Learning GEE学习资料汇总与分享 面向科研人员的免费遥感数据集
1.3K20编辑于 2022-09-20 - 来自专栏气象杂货铺
Python干货 | 遥感影像拼接
在上一篇推文中，我展示了如何使用Python结合Landsat制作遥感影像图（Python干货 | 制作遥感影像图）。 Fig.1 World Reference System 在某些遥感影像的应用场景中，如果我们关注的区域正好处于两景影像的交界处，如下图中的象山港，那我们就需要将影像拼接起来才可以使用。 1.准备工作 相较于上一篇推送，我们这次为了实现遥感影像的镶嵌拼接，我们使用到了两个库， rasterio和gdal。 if __name__ == '__main__': tiffileList = [r'PathofLandsat8\LC08_L1TP_118039_20160126_20170330_01_ T1', r'PathofLandsat8\LC08_L1TP_118040_20160126_20170330_01_T1'] left, bottom,
4.3K30发布于 2020-10-09 - 来自专栏GIS与遥感开发平台
遥感反演净辐射（Rn）
遥感反演净辐射（Rn） 陆表全波段净辐射是用来描述地球表面辐射能量收支的特征参量，在地表-大气能量交换和能量再分配过程中起着关键作用，对全球水热平衡和能量循环等有重要影响。 参数化方法 参数化方法基于大气辐射传输模型和大量的模拟数据、星载及观测数据等，建立关键大气和地表参量与辐射分量之间的参数关系式，其所需参量如气溶胶光学厚度、大气水汽含量、云底温度和高度等主要来自于经验公式或遥感高级产品 不过老有人进群打广告，所以现在大家可以关注我的公众号“GIS与遥感开发平台”,后台发送自己学校或者单位+进群，我拉大家入群。 大家进群后一定要备注自己学校或者单位。
1.2K40编辑于 2023-01-30 - 来自专栏疯狂学习GIS
谷歌地球引擎GEE计算多年内每隔8天的遥感影像平均值
本文介绍在谷歌地球引擎（Google Earth Engine，GEE）中，求取多年时间中，遥感影像在每1个8天时间间隔内的多年平均值的方法。 我们现在希望，计算Landsat 7与Landsat 8这2个遥感影像，在指定的研究区域中，于2014年至2020年里，从每1年的第1天开始，到每1年的最后1天结束，其中每1个8天时间间隔内的平均值。 换句话说，我们希望计算研究区域中，2014年至2020年这7年中，每1年的第001天至008天这8天内，所有遥感影像的平均值（相当于先对每1年的这8天内的遥感影像求平均，然后再对这7年里的7个结果进一步做平均 ；随后，计算这7年中，每1年的第009天至016天这8天内，所有遥感影像的平均值；再计算这7年中，每1年的第017天至024天这8天内，所有遥感影像的平均值，以此类推。 执行上述代码，我们将在Tasks栏看到自动生成的遥感影像导出任务，其中各任务导出的遥感影像就以其所代表8天时间间隔的开始日期为名称；如下图所示。
67310编辑于 2024-11-28 - 来自专栏一个有趣的灵魂W
遥感影像的镶嵌（初试）
在做PM2.5的机器学习的时候，不同的aod数据的利用率问题就显得十分重要，能多要一个数据都显得弥足珍贵，而几个类型的数据中，modis3km的数据较为杂乱，因为他是5分钟的采样时间，也就是一天会产生大于24*60/5的数据量，具体怎么解释我现在也迷迷糊糊，过境数据每次位置都有不同，一个矩形的范围内，最多可以有好几个影像的范围。
87230发布于 2020-09-15 - 来自专栏气象学家
Python干货 | 遥感影像拼接
在上一篇推文中，我展示了如何使用Python结合Landsat制作遥感影像图（Python干货 | 制作遥感影像图）。 Fig.1 World Reference System 在某些遥感影像的应用场景中，如果我们关注的区域正好处于两景影像的交界处，如下图中的象山港，那我们就需要将影像拼接起来才可以使用。 1.准备工作 相较于上一篇推送，我们这次为了实现遥感影像的镶嵌拼接，我们使用到了两个库， rasterio和gdal。 if __name__ == '__main__': tiffileList = [r'PathofLandsat8\LC08_L1TP_118039_20160126_20170330_01_ T1', r'PathofLandsat8\LC08_L1TP_118040_20160126_20170330_01_T1'] left, bottom,
1.9K10发布于 2020-10-09 遥感极小目标检测数据集VOC+YOLO格式9814张8类别
仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：9814 标注数量(xml文件个数)：9814 标注数量(txt文件个数)：9814 标注类别数：8
30911编辑于 2025-07-17- 来自专栏疯狂学习GIS
遥感数据获取网站整理
2021年03月其可获取的遥感数据如下图。 ? 2021年03月其可获取的遥感数据如下图。 ? 2021年03月其可获取的遥感数据如下图。 ? 1.3.2 珞珈一号 •网址[8]：http://59.175.109.173:8888/index.html “珞珈一号”是武汉大学与相关机构共同研制的全球首颗专业夜光遥感卫星，其数据共享平台可以下载该卫星的相关数据 pid=1&rootid=1 [6] 网址: https://search.asf.alaska.edu/#/ [7] 网址: https://ngdc.noaa.gov/eog/index.html [8]
2.4K10发布于 2021-07-22 - 来自专栏YOLO大作战
基于YOLOv8的遥感小目标车辆检测，加入一种基于内容引导注意力(CGA)+SPDConv卷积魔改，助力遥感检测
本文主要内容:详细介绍了遥感小目标车辆检测整个过程，从数据集到训练模型到结果可视化分析，以及如何优化提升检测性能。 它们不仅仅是小，而且是难，存在不同程度的遮挡、模糊、不完整现象；等等难点参考论文：http://sjcj.nuaa.edu.cn/sjcjycl/article/html/202103001 1. 3 遥感小目标数据集 数据集大小：训练集2100张，验证集900细节图2.基于YOLOv8的遥感小目标车辆检测2.1 修改vehicle.yamlpath: . SGD project='runs/train', name='exp', )3.结果可视化分析 YOLOv8n 4.3 CGA+SPDConv结果分析mAP@0.5由原始的0.870提升至0.896YOLOv8_SPD-CGAFusion summary (fused): 216 layers, 3604404
1.4K10编辑于 2024-07-23 - 来自专栏网络虚拟化
达摩院发布业内首个遥感AI大模型，开启遥感科技新篇章！
导语 近日，阿里达摩院宣布发布业内首个遥感AI大模型（AIE-SEG），该模型具有强大的图像识别和分析能力，可大幅提升灾害防治、自然资源管理、农业估产等遥感应用的分析效率。 了解更多互联网行业信息，欢迎关注公众号：通信行业搬砖工 一、遥感AI大模型的特点 实现图像分割任务统一 遥感AI大模型（AIE-SEG）率先在遥感领域实现了图像分割的任务统一。 这意味着即使面对全新的遥感图像，该模型也可以快速适应，无需人工干预即可完成分析任务。这一特性极大地拓宽了遥感技术的应用范围，为各行各业提供了更为便捷的遥感数据分析服务。 二、遥感AI大模型的应用场景 灾害防治 遥感AI大模型可以快速识别灾区内的受灾情况，为救援团队提供准确的信息支持。 三、结语 阿里达摩院发布的业内首个遥感AI大模型（AIE-SEG）无疑为遥感科技领域带来了一场革命。它凭借强大的图像识别和分析能力，实现了遥感领域的多项突破。
2.1K30编辑于 2023-10-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号