代码汇总（一）
20200820
最近整理了一些遥感地学方面的代码及资源，方便日后学习
1.变化检测：https://github.com/wenhwu/awesome-remote-sensing-change-detection
2.几篇梯度反演论文的代码：https://github.com/peterH105/Gradient_Inversion
3.人工智能学习路线图，整理近200个实战案例与项目：https://github.com/tangyudi/Ai-Learn
4.开放图像数据集，一个约9M图像的数据集，用图像级标注、对象边界框、对象分割遮罩和视觉关系进行注释。它在1.9M图像上包含总共16M个边界框，用于600个对象类，这使得它成为最大的带有对象位置标注的现有数据集。https://github.com/openimages/dataset
5.预测模型探索，解释与调试的可视化工具集合https://github.com/ModelOriented/DrWhy
6.共享数据和复现论文分析的研究纲要https://github.com/emdelponte/paper-fustox-rice
7.多光谱遥感作业https://github.com/earthlab-education/ea-python-2020-06-multispectral-remote-sensing-template
8.目标检测常用指标。https://github.com/rafaelpadilla/Object-Detection-Metrics
9.对于码农们的深度学习实践和2.0版本https://github.com/muellerzr/Practical-Deep-Learning-For-Coders
https://github.com/muellerzr/Practical-Deep-Learning-for-Coders-2.0
10.DeepWaterMap是一种深度卷积神经网络模型，训练用来在多光谱图像上分割地表水https://github.com/isikdogan/deepwatermap
11.变化检测专题。
Change-Detection-in-Remote-Sensing-Images遥感影像变化检测的Python代码。
change-detection-tutorial时间序列数据的变化检测。
demeter土地利用土地覆盖分解和变化检测模型，demeter是一个开源Python包，旨在分解由综合评估模型（IAM）生成的未来土地分配预测。
lcmap-ccdcLCMAP-ccdc - Python连续变化检测和分类库。
cglops-change-detection通过土地覆盖变化检测增强CGLOPS。
Land-use-change-detection利用多传感器卫星数据进行土地利用变化检测。
bayesian-change-detection基于贝叶斯模型的变化检测Python模块。
Change-Detection-in-Satellite-Imagery采用主成分分析（PCA）和差分图像上的K-Means来检测多时相图像卫星图像的变化。
Opticks_Gsoc2013用于Opticks的基于对象的图像融合和变化检测工具。
VGG-net-for-photo-change-detection用VGG Net训练检测照片。
matlab-ccdc用于CCDC相关处理的原始Matlab代码。
CCDC使用所有可用的Landsat数据为土地覆盖的连续变化检测和分类（CCDC）开发的算法。
lcmap-ccdc基于Apache Spark的LCMAP变化检测和分类。
CRCPython遥感影像分析，分类和变化检测。
NRT_Validation在遥感影像中验证近实时变化检测产品。
CRC4Docker用于书“遥感影像分析，分类和变化检测，第四修订版”的Python脚本。
12.熟练使用Python for GIS的GIS分析师的进步路径：从学徒到大师python-for-gis-progression-path
13.DRIP SLIP,检测实时增加降水（DRIP）/突然滑坡识别产品（SLIP）的代码。https://github.com/NASA-DEVELOP/DRIP-SLIP
14.开源项目data vis statistics geosciences，地球科学中的数据可视化与统计，该存储库包含Python的高级本科课程的实验室部分，用于地理和空间科学家的数据可视化和统计。https://github.com/astro-abby/data_vis_statistics_geosciences
15.航空影像的土地覆盖分类https://github.com/grssnbchr/ml_dl_assignment_2019
16.用于交叉验证的测试框架，可以用于遥感应用的精确度指标和地图产品。rs accuracy variance
17.开源项目Land cover validation，该算法计算许多精度评估指标，Python语言Land cover validation
18.使用Unet或Mask RCNN进行卫星图像分割的代码，并比较这两种方。https://github.com/olgaliak/segmentation-unet-maskrcnn
19.图像分类和深度迁移学习的Jupyter noteboo。https://github.com/dbuscombe-usgs/cdi_dl_workshop
20.基于Tensorflow和TF-Slim库的图像分割框架。https://github.com/warmspringwinds/tf-image-segmentation
21.像素级土地分类。https://github.com/Azure/pixel_level_land_classification
22.用于植被冠层的Sellers（1985）双流辐射传输模型的Python实现。pySellersTwoStream
23.Mask R-CNN用于Keras和TensorFlow上的对象检测和实例分割。Mask RCNN
24.航空和卫星图像的语义分割。 提取功能，如：建筑物，停车场，道路，水，云。https://github.com/mapbox/robosat
25.Python库PyMieScatt，基于Bohren和Huffman的Mie
Theory派生的Python 3正向和反向Mie求解程序的集合。https://github.com/bsumlin/PyMieScatt
26.Segnet, FCN, UNet和其他模型在Keras的实现（Python3）https://github.com/faysal-ishtiaq/image-segmentation-keras-py3
27.Python库SatelliteImage，处理来自各种卫星的图像并返回地理信息，云掩码，numpy数组，geotiff。https://github.com/dgketchum/satellite_image
28.卫星影像竞赛资源。https://github.com/chrieke/awesome-satellite-imagery-datasets
29.YOLO/YOLOv2开发的深度网络，用于卫星图像上的物体检测（Tensorflow，Numpy，Pandas）。https://github.com/marcbelmont/satellite-image-object-detection
30.语义分割资源awesome semantic segmentation
31.Segnet，FCN，UNet和其他模型的Keras实现image segmentation keras
32.用于Keras框架图像分割的卷积神经网络“UNET”的修改https://github.com/ZFTurbo/ZF_UNET_224_Pretrained_Model
33.一个示例项目，演示如何使用语义分段模型从卫星图像中提取建筑物足迹。 来自SpaceNet挑战赛的数据。https://github.com/yangsiyu007/SpaceNetExploration
34.使用U-Net进行图像分割。https://github.com/Vooban/Smoothly-Blend-Image-Patches
