在开源数据训练完毕后，我直接爬了google数据进行测试，地区选择国内湖南地区，大小是4万*3万像素，总共是14个g，跑完大概花了30分钟，如果换成固态硬盘会快的多，如果并行的话，% 叠加到原始影像上。其实，客观的说，这个样本做的确实不够好，为什么呢，因为有一些道路该画出来的，没有画出来，比如说这个样本上的中间那条路，就没有画出来，但是总的来说，在深度学习里面，由于影像实在太大，我用了分块处理的方

利用深度学习进行遥感影像全自动变化检测，这两年飞速发展，精度与效率已经远超传统方法，但是真正将深度学习方法用到实际生产工作，几乎少有人做，目前在做的几个单位，无非就是中科院遥感所，自然资源部国土卫星中心，武汉大学等等。我自己也是这里面的一个，把深度学习方法真正落到实际生产作业中，根据一线作业人员的反馈，虽然不能100%准确，但是可以节省大部分人工工作量了，我还是很欣慰的，靠人工去自动勾变化图斑，量

国产2米数据，包括高分一号PMS，高分六号PMS等等，应该是使用最为广泛的光学遥感数据了，主要是因为这几种数据幅宽大，组网访问频次也高，因此在全国各个自然资源、交通、水利等单位是应用最为广泛的数据源。但是这个数据有一个很大的缺陷，就是2米分辨率用来看一般的地物基本上没什么问题，但是呢，对细小的道路，房屋等等，可能就不太行了，如何把这个分辨率提高呢，自然地我们想到了超分辨率，传统方法的超分辨率效果普

遥感影像语义分割样本制作工具

利用深度学习进行遥感影像全自动变化检测，这两年飞速发展，精度与效率已经远超传统方法，但是真正将深度学习方法用到实际生产工作，几乎少有人做，目前在做的几个单位，无非就是中科院遥感所，自然资源部国土卫星中心，武汉大学等等。我自己也是这里面的一个，把深度学习方法真正落到实际生产作业中，根据一线作业人员的反馈，虽然不能100%准确，但是可以节省大部分人工工作量了，我还是很欣慰的，靠人工去自动勾变化图斑，量

在开源数据训练完毕后，我直接爬了google数据进行测试，地区选择国内湖南地区，大小是4万*3万像素，总共是14个g，跑完大概花了30分钟，如果换成固态硬盘会快的多，如果并行的话，% 叠加到原始影像上。其实，客观的说，这个样本做的确实不够好，为什么呢，因为有一些道路该画出来的，没有画出来，比如说这个样本上的中间那条路，就没有画出来，但是总的来说，在深度学习里面，由于影像实在太大，我用了分块处理的方

在开源数据训练完毕后，我直接爬了google数据进行测试，地区选择国内湖南地区，大小是4万*3万像素，总共是14个g，跑完大概花了30分钟，如果换成固态硬盘会快的多，如果并行的话，% 叠加到原始影像上。其实，客观的说，这个样本做的确实不够好，为什么呢，因为有一些道路该画出来的，没有画出来，比如说这个样本上的中间那条路，就没有画出来，但是总的来说，在深度学习里面，由于影像实在太大，我用了分块处理的方

利用深度学习进行遥感影像全自动变化检测，这两年飞速发展，精度与效率已经远超传统方法，但是真正将深度学习方法用到实际生产工作，几乎少有人做，目前在做的几个单位，无非就是中科院遥感所，自然资源部国土卫星中心，武汉大学等等。我自己也是这里面的一个，把深度学习方法真正落到实际生产作业中，根据一线作业人员的反馈，虽然不能100%准确，但是可以节省大部分人工工作量了，我还是很欣慰的，靠人工去自动勾变化图斑，量

国产2米数据，包括高分一号PMS，高分六号PMS等等，应该是使用最为广泛的光学遥感数据了，主要是因为这几种数据幅宽大，组网访问频次也高，因此在全国各个自然资源、交通、水利等单位是应用最为广泛的数据源。但是这个数据有一个很大的缺陷，就是2米分辨率用来看一般的地物基本上没什么问题，但是呢，对细小的道路，房屋等等，可能就不太行了，如何把这个分辨率提高呢，自然地我们想到了超分辨率，传统方法的超分辨率效果普