基于传统图像分类方法的PolSAR地物分类算法通常依赖于特定特征的选取，算法过程通常会依靠严密的数学计算，因此关于分类阈值等参数的确定需要一定的先验知识。与此同时，传统分类方法通常以像素为基本单位，易受到相干斑噪声的影响；而深度学习的方法既可以从原始数据中抽象出更高维的特征又能充分利用二维空间信息。文章主要进行了以下几个方面的研究，1.探索了一种结合多尺度分割和径向基神经网络PolSAR地物分类方

今天打开自己的pycharm编译器，发现不能进行错误代码的提示，于是自己百度了一番，最终找到解决方法，这里分享给大家：主要解决路线：pycharm–file–settings–editor–inspections–python–spelling --severity–typo具体见截图：再次回到pycharm中，这时发现，经过修改过后的pycharm,已经能够对错误的代码进行提示了。问题解决，又是

最近对GF-3极化分解需要用到PolSARpro这个软件，经过大半天的折腾，终于弄好了，下面给出安装链接：链接: link1.链接: link2.

合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已经被成功应用于解决SAR图像目标识别的问题，并显著超越了传统方法的性能，但其内部工作机理不透明、解释性不足，成为制约SAR图像目标识别技术可靠性和可信应用的瓶颈。深度学习的可解释性是目前人工智能领域的研究热点与难点，对于理解和信任模型决策至关重要。SAR图像自动解译技术存在的一些问题SAR图像自动目标识别技术(Aut

深度学习遥感数据集

文章针对现有的神经网络收敛速度慢、识别准确率不高的缺点，提出了一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核，有效地提取梯度信息；设计深度为6层的卷积神经网络，提高了网络的分类效果，且大大降低了网络的训练次数。CNN框架的识别图像是经过融合处理后的遥感图像，包含多种不同的土地类别，因此要对遥感图像进行均匀剪裁。CNN需要对输入的图片进行多次卷积，而卷积神经网络对图像特征提

最近在做深度学习分类时遇到了如标题所示的错误，奈何不知如何修改，最后经过探索，成功解决！下面直接上报错问题及解决方案。错误解决方案实际做分类时：分类的标签应该是long，图像是float32因此，将数据类型修改一下就成功了！貌似又有新的bug了，不过不要紧，待我成功解决，再来分享给大家！...

极化SAR影像的极化特性与信息表达与自然图像具有极大的不同，因此基于深度学习的极化SAR影像解译在特征表征学习以及信息表达提取上需要更深入的研究。深度学习的输入通常是极化特征，如极化相干矩阵、极化协方差矩阵等，通过训练再进一步学习高层次的具有可分性的特征表达。构建适合于极化SAR影像解译的网络结构以及损失函数，突破极化SAR影像的信息表达问题，能有效的提高极化SAR影像解译的性能。极化SAR影像场

适用于遥感图像处理的神经网络

大部分深度学习算法都有许多超参数来控制不同方面的算法表现。有些超参数会影响算法的运行的时间和存储成本，有些超参数会影响学习到的模型质量以及在新输入上推断正确结果的能力。有两种选择超参数的基本方法:手动选择和自动选择。手动选择超参数需要了解超参数做了些什么，以及机器学习模型如何才能取得良好的泛化。自动选择超参数算法大大减少了了解这些想法的需求，但它们往往需要更高的计算成本。手动设置超参数，我们必须了