交流合作请联系: ab000c@163.com

Google Earth Engine城市水体提取 大家都知道城市水体提取相比较于山区,丘陵的地区,肯定是比较难的,为什么呢,因为城市水体有很多高层建筑导致的阴影,这个就非常复杂了,而且现在很多高分影像只有可见光和近红外波段,那么我们如何准确提取城市水体呢? Remoe Sensing2018年刊发了一篇城市水体高分影像自动提取算法(Two-Step Urban Water Index (TSUWI): A New Technique for High-Resolution Mapping of

  一 概念概述: 在语音识别(Speech Recognition)和话者识别(Speaker Recognition)方面,最常用到的语音特征就是梅尔倒谱系数(Mel-scale Frequency Cepstral Coefficients,简称MFCC).根据人耳听觉机理的研究发现,人耳对不同频率的声波有不同的听觉敏感度.从200Hz到5000Hz的语音信号对语音的清晰度影响对大.两个响度不等的声音作用于人耳时,则响度较高的频率成分的存在会影响到对响度较低的频率成分的感受,使其变得不易察

预加重:通过一个一阶有限激励响应高通滤波器,使信号的频谱变得平坦,不易受到有限字长效应的影响. 分帧:根据语音的短时平稳特性,语音可以以帧为单位进行处理,实验中选取的语音帧长为32ms,帧移为16ms. 加窗:采用汉明窗对一帧语音加窗,以减小吉布斯效应的影响. 汉明窗,海明窗,是一个窗函数,这个函数在某一区间有非零值,而在其余区间皆为0.这是为了方便做快速傅里叶变换 快速傅立叶变换(Fast Fourier Transformation, FFT):将时域信号变换成为信号的功率谱(频域信号).

ORBSLAM2中ORB特征提取的特点 ORBSLAM2中通过对OpenCV中的ORB特征点提取类进行修改,对图像进行分块提取,而后划分节点,使得每个节点中保存的特征点性能是该节点所有特征点中最好的. 可能按照上面说的方式,大家不太能理解. 这么说吧.将铺满苹果的桌子进行画格子,然后每个格子中就会有不同数量的苹果,在每个格子中选出最好吃的苹果,格子中其他的苹果全部扔掉.(虽然有点可惜,但是大局为重嘛),那么原先摆满苹果的桌子(如图1所示),现在就剩下每个格子一个苹果的桌子,尽管苹果少了很多,但是

笔记转载于GitHub项目:https://github.com/NLP-LOVE/Introduction-NLP 9. 信息抽取 信息抽取是一个宽泛的概念,指的是从非结构化文本中提取结构化信息的一类技术.这类技术依然分为基于规则的正则匹配.有监督学习和无监督学习等各种实现方法.我们将使用一些简单实用的无监督学习方法.由于不需要标注语料库,所以可以利用海量的非结构化文本. 本章按照颗粒度从小到大的顺序,介绍抽取新词.关键词.关键短语和关键句的无监督学习方法. 9.1 新词提取 概述 新词是一个

在实现提取水印的过程中,遇到了一些问题 首先还是根据论文中的思路来梳理一下整个提取流程 读入两个模型,一个原始模型ori_mesh, 一个水印模型wm_mesh. 将两个模型对齐(即放在同一个坐标系下) 分别计算两个模型的频谱系数,记ori_mesh频谱系数为Rs, Rt, Ru, 记wm_mesh的频谱系数为wRs, wRt, wRu. 根据下式计算Qj 再根据下式计算出嵌入水印的符号,这里相当于得到的是嵌入的水印b',只是记为了aj 最后根据下式得出原始水印序列b 根据上述步骤,我一开始的想

版权声明:本教程涉及到的数据仅练习使用,禁止用于商业用途. 目录 1.概述 2.详细操作步骤 第一步:输入立体像对 第二步:定义地面控制点 第三步:定义连接点 第四步:设定DEM提取参数 第五步:输出DEM并检查结果 第六步:编辑DEM 1.概述 数字高程模型(Digital Elevation Model),简称DEM,它是用一组有序数值阵列形式表示地面高程的一种实体地面模型.DEM除了包括地面高程信息外,还可以派生地貌特性,包括坡度.坡向等,还可以计算地形特征参数,包括山峰.山脊.平原.位面

基于TF-IDF的新闻标签提取 1. 新闻标签 新闻标签是一条新闻的关键字,可以由编辑上传,或者通过机器提取.新闻标签的提取主要用于推荐系统中,所以,提取的准确性影响推荐系统的有效性.同时,对于将标签展示出来的新闻网站,标签的准确性也会影响用户体验. 2. 新闻标签提取算法 新闻首先是一段文本,新闻的标签首先是这一段文本的关键字.在文本关键字提取当中,TD-IDF是首先可以想到的算法.TF-IDF算法的优点是:简单快速,结果比较符合实际情况:缺点是,单纯以"词频"衡量一个词的重要性,不

HanLP 关键词提取算法分析 参考论文:<TextRank: Bringing Order into Texts> TextRank算法提取关键词的Java实现 TextRank算法自动摘要的Java实现这篇文章中作者大概解释了一下TextRank公式 1. 论文 In this paper, we introduce the TextRank graphbased ranking model for graphs extracted from natural language texts

HanLP 关键词提取算法分析详解 l 参考论文:<TextRank: Bringing Order into Texts> l TextRank算法提取关键词的Java实现 l TextRank算法自动摘要的Java实现这篇文章中作者大概解释了一下TextRank公式 1. 论文 In this paper, we introduce the TextRank graphbased ranking model for graphs extracted from natural languag

关键词:工作流快速开发平台  工作流流设计  业务流程管理 Java工作流引擎 asp.net 开源工作流  net开源工作流引擎 开源工作流系统 定义:业务关键字段也叫流程实例的摘要字段,他提取流程实例的节点表单中的关键字段信息,存储到控制表中.常用于显示到待办列表中,在未打开待办的时候就可以了解到该流程实例的信息. 我们知道ccbpm提供的待办都是固定列的数据json或者datatable,这些都是通用的字段,这些固定列的用于标准化的待办列表展示,实际工作中需要用到个性化的展示一些业务字段,

1.算法功能简介 单波段阈值法是通过选择某单一波段为判识参数,这一波段往往是水体特征最明显而其它地物相对不太突出的波段(如近红外波段和中红外波段),然后再划定阈值来确定水体信息.该方法主要是利用水体在近红外和中红外波段的强吸收特性,以及植被和土壤在这两个波段较高的反射特性. 对于GF1.环境星.资源3.资源1-02C,可选近红外波段T4(第四波段)公式为T4<α(阈值);对于TM影像,选择近红外(T4)或短波红外(T5) .公式为:T4<α或T5<α(阈值) 谱间关系法是通过利用不同地物

1.算法功能简介 水深提取算法就是根据输入的水位设为d,dem设为h 这两个数据做一个差值运算,则水深计算公式为d-h;本示例中的是基于洞庭湖提取的水体矢量文件的范围来计算dem和水位25米的差值. 需要注意的是,水位的基准要和dem的基准一致.水位的基准需要判断是基于河床还是和dem一致的高程基准面.不然结果可能会受影响. 2.算法功能实现说明 2.1 实现步骤 第一步 算法参数设置 第二步 算法执行 第三步 结果显示 2.2 算法参数 算法名称 水深提取法 C#算法DLL PIE.Commo

1.算法功能简介 归一化指数法(NDWI(Normalized Difference Water Index,归一化水指数)),用遥感影像的特定波段进行归一化差值处理,以凸显影像中的水体信息. 其表达式为NDWI =(p(Green)-p(NIR))/(p(Green)+p(NIR)) 是基于绿波段与近红外波的归一化比值指数.该NDWI一般用来提取影像中的水体信息,效果较好. PIE支持归一化指数法算法的执行,下面对此算法功能进行介绍.示例以一幅洞庭湖2017年水体影像图如下图根据矢量文件提取指

1.背景 相邻两山头之间呈马鞍形的低凹部分称为鞍部.鞍部点是重要的地形控制点,它和山顶点.山谷点及山脊线.山谷线等构成地形特征点线,对地形具有很强的控制作用.因此,因此,对这些地形特征点.线的分析研究在数字地形分析中具有很重要的意义.同时,由于鞍部点的特殊地貌形态,是的鞍部点的提取方法较山顶点低谷底点更难,目前都还存在一定的技术局限性. 2.目的 利用水文分析的方法提取地形鞍部点: 通过多种GIS空间分析方法的应用,提高对知识的综合运用能力. 3.要求 利用水文分析模块和空间分析模块相应功能提取

资源整理. 1 Coding: 1.Python库gempy,一种基于Python的开源三维结构地质建模软件,它允许从界面和方向数据隐式(即自动)创建复杂的地质模型. 它还支持随机建模以解决参数和模型的不确定性. gempy 2.Tangram是一个JavaScript库,用于使用WebGL在Web浏览器中实时渲染2D和3D地图. tangram 3.R语言包gdalcubes R,gdalcubes的R包,与之前的gdalcubes包区别在哪,目前不确定.但都是用于处理栅格大数据的. gdal

 论文阅读:Face Recognition: From Traditional to Deep Learning Methods  <人脸识别综述:从传统方法到深度学习>     一.引言     1.探索人脸关于姿势.年龄.遮挡.光照.表情的不变性,通过特征工程人工构造feature,结合PCA.LDA.支持向量机等机器学习算法.     2.流程 人脸检测,返回人脸的bounding box 人脸对齐,用2d或3d的参考点,去对标人脸 人脸表达,embed 人脸匹配,匹配分数 二.人脸识

PPT 可以说是讲得相当之清楚了... deepsystems.io 中文翻译: https://zhuanlan.zhihu.com/p/24916786 图解YOLO YOLO核心思想:从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 (proposal 提供位置信息, 分类提供类别信息)精度已经很高,但是速度还不行. YOLO提供了另一种更为直接的思路: 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入,把 O

论文标题:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 标题翻译:用于视觉识别的深度卷积神经网络中的空间金字塔池 论文作者:Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun 论文地址:https://arxiv.org/pdf/1406.4729.pdf SPP的GitHub地址:https://github.com/yueruc

本文非原创,原文转载自:http://blog.csdn.net/ttransposition/article/details/12966521 DPM(Deformable Parts Model) Reference: Object detection with discriminatively trained partbased models. IEEE Trans. PAMI, 32(9):1627–1645, 2010. "Support Vector Machines for Mul