Comments 8
Следует отметить, что обученные на Хайдерабаде модели могут знатно фейлить на Петербурге в силу другого альбедо у типичных крыш в этом регионе (а также в силу другого биоразнообразия сельхозкультур, для NDVI).
Бэнды в разных спутниках могут не полностью совпадать (например, Band 4 у Landsat не соответствует SWIR).
Ну и интересно, где можно хоть какие-то размеченные данные нарыть :)
Бэнды в разных спутниках могут не полностью совпадать (например, Band 4 у Landsat не соответствует SWIR).
Ну и интересно, где можно хоть какие-то размеченные данные нарыть :)
Действительно, распределение признаков (в нашем случае, интенсивность в разных диапазонах на уровне пикселя снимка) для «застройки» могут отличаться не только из-за географического расположения и особенностей оборудования, но и даже в рамках одной локации, например, в разное время года.
Здесь классическая проблема с тем, что модели машинного обучения работают только тогда, когда распределения на обучающей и тестовой выборке совпадают (или хотя бы близки). Поэтому, в данном случае поможет только переобучением модели на более похожих данных.
С сервиса Glovis можно выгрузить различные снимки (по разным типам систем) и слои по нужной территории
Здесь классическая проблема с тем, что модели машинного обучения работают только тогда, когда распределения на обучающей и тестовой выборке совпадают (или хотя бы близки). Поэтому, в данном случае поможет только переобучением модели на более похожих данных.
С сервиса Glovis можно выгрузить различные снимки (по разным типам систем) и слои по нужной территории
классификация с помощью Tensorflowfrom tensorflow import keras
По моему это не совсем корректно
Ещё один этап предварительной обработки заключается в преобразовании матриц признаков из двумерных в трёхмерные, чтобы модель воспринимала каждую строку как отдельный пиксель (отдельный объект обучения).
Сдается мне что в вашем примере с полносвязной сетью это лишнее действие, т.к. в такой сети всеравно каждый нейрон скрытого слоя соединен со всеми входами.
последний слой нужен для перевода выхода нейросети в бинарный вектор, соответствующий скору-вероятности (для каждого пикселя) для каждого из двух классов застройки (есть/нет)
Действительно, в полносвязной сети нейрон следующего слоя принимает все выходы («видит») с предыдущего слоя. В статье речь идет о подготовки векторов-признаков, то есть из исходного трехмерного изображения, получается несколько объектов обучения (равное числу пикселей), где признаками как раз и выступают интенсивности по разным каналам. Лучше всего это объясняет «Схема реструктуризации данных».
Sign up to leave a comment.
Нейросеть для классификации спутниковых снимков с помощью Tensorflow на Python