分类

近些年，基于深度学习的遥感影像处理方法不断涌现。基本思路是把光谱特征和纹理特征看作是深度网络的底层特征(对于极化SAR影像来说，地物目标的基本散射矩阵就是深度学习要提取的底层特征，也是作为分类的依据)&

https://www.bilibili.com/video/BV1Q64y1s74K?fromsearch&seid14147522030581958530&spm_id_from333.337.0.0https://www.bilibili

图像分类学的差不多了，最近开始学一下目标检测，记录一下学习的过程。首先打算复现一下YOLO系列的算法，先从简单的yolo v1开始。 yolov1论文地址：https://arxiv.or

对抗网络实现特征迁移技术路线： 特征提取器目标： 将源域和目标域样本输入，目标是使得提取的特征与域无关，同时能够正确分类。 分类器目标： 训练源域模型 损失函数的目

分类：给一张影像，识别出影像上都有哪些地物，如图1，影像上有耕地、建筑物、水域以及道路； 目标检测：识别出影像上物体的类别，并给出该物体的位置&

目标检测算法分类： 1、两步走的目标检测：先找出候选的一些区域，再对区域进行调整分类 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN 2、端到端的目标