Публикации по теме 'radar'
Что особенного в изображении SAR по сравнению с обычным изображением?
В последние годы прогресс и исследования, посвященные глубокому обучению, охватывают все больше и больше различных областей. Изображения наблюдения Земли не являются исключением из этой тенденции. Многие функции обработки изображений (классификация, обнаружение, распознавание, регистрация, шумоподавление, моделирование и т. д.) в настоящее время адресованы для изображений наземных наблюдений, даже если этот контекст имеет свои особенности.
Но среди различных существующих модальностей..
Шумоподавление радиолокационных спутниковых изображений с использованием глубокого обучения в Python
Как бороться с присущими радиолокационными спутниками помехами
Эмануэле Дальсассо (исследователь CNAM и Telecom Paris), Юсеф Кемиш (Hi! Paris, инженер по машинному обучению), Пьер Бланшар (Hi! Paris инженер по машинному обучению)
Когда люди думают о спутниковых снимках, они обычно думают о снимках, на которых видны мощные ураганы над континентами. Такие изображения получаются оптическими датчиками и широко используются учеными для измерения и прогнозирования лесных пожаров,..
Как использовать глубокую сеть на изображениях SAR Sentinel-1 для обнаружения изменений?
Эта статья представляет собой краткое руководство по внедрению системы земного покрова на изображениях SAR с использованием сегментации объектов на основе глубокого обучения.
Дистанционное зондирование позволяет измерить влияние человеческой деятельности на окружающую среду. Благодаря дистанционному зондированию можно определять состав почв, классифицировать типы растительности на территории и наносить на карту последствия человеческой деятельности как урбанизации. Для этого..
Как реализовать глубокие нейронные сети для классификации радиолокационных изображений
Введение
Распознавание и локализация людей и предметов в домашней среде на основе радара имеет определенные преимущества по сравнению с компьютерным зрением, включая повышенную конфиденциальность пользователей, низкое энергопотребление, работу без освещения и более гибкое размещение датчиков.
Методы поверхностного машинного обучения, такие как машины опорных векторов и логистическая регрессия, можно использовать для классификации изображений с радара, и в моей предыдущей работе..