文章针对国内对于深度学习应用于遥感图像处理的研究尚未广泛开展。为了填补此类空白，提出了一种基于CNN的对于高分辨率高光谱遥感图像进行自动分类的方法，对传统的CNN框架进行了一定的优化并加入Inception结构，进而横向对于其与SVM分类算法的实际分类效果。以卫星拍摄的地面实物图片为例对该方法进行了验证。径向基函数(Radial Basis Function,RBF)神经网络的主要优势在于逼近能力

深度学习遥感数据集

深度学习可以自动学习大量历史数据深层本质特征和规律，从而对新数据进行识别、判断或对未来做出预测，可以在一定程度上提高分类识别的精度。下图是文章中所涉及到基于多特征的深度学习分类流程图：注：文章选自《基于深度学习的遥感影像分类研究》硕士论文 段琳琳...

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

摘要针对雷达对海上目标探测技术研究的数据需求以及目前公开的雷达对海探测数据缺乏的问题，文章提出“雷达对海探测数据共享计划”，旨在利用X波段固态全相参雷达等多型雷达开展对海探测试验，获取不同海况、分辨率、擦地角条件下目标和海杂波数据，并同步获取海洋气象水文数据、目标位置与轨迹的真实数据，实现雷达实测数据的标准化、规范化管理，推荐数据集公开共享，服务于海杂波特性研究，有力地支持海杂波抑制和目标检测技术

针对目前极化合成孔径了雷达目标检测仅使用单一极化检测器进行一次判决而造成检测率较低的问题，给出一种一种新方法，该方法将功率最大合成检测器、极化白化滤波检测器和最优极化检测器融合使用，用目前一种检测器的输出优化后一种检测器的输入，且通过迭代不断优化检测结果。为比较不同目标检测方法的性能，提出一种准则，该准则规定对一幅SAR图像每种检测方法都提取出相同点数的检测结果，虚警点少的方法性能好。实验表明：新

遥感影像地物分类是指根据影像中的地物的光谱、纹理、形状等特征，对地物目标进行识别的过程。遥感影像地物分类过程主要有两个部分组成，一是遥感影像的特征提取，二是选择合适的分类器进行地物分类。特征参数的提取是遥感影像地物分类中非常关键的一步，对遥感影像的信息进行抽象，可以得到一组描述遥感影像的特征向量，早期的传统遥感影像分类方法一般是基于像素值来进行的，忽略了遥感影像其他重要的特征，它很难适应较高层次的

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

适用于遥感图像处理的神经网络

利用pytorch 实现循环神经网络循环神经网络代码实现输出结果循环神经网络这里有一篇英文文章说的比较好，这里我直接拿来用了，同时也可以帮大家提升一下英文水平，哈哈哈原文代码实现import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transforms#device configura