Coding and Paper Letter（三）

資源整理。

1 Coding：

1.變化檢測專題。

Change-Detection-in-Remote-Sensing-Images遙感影像變化檢測的Python代碼。

change-detection-tutorial時間序列數據的變化檢測。

SAR-change-detectionSAR影像的變化監測。

demeter土地利用土地覆蓋分解和變化檢測模型，demeter是一個開源Python包，旨在分解由綜合評估模型（IAM）生成的將來土地分配預測。

lcmap-ccdcLCMAP-ccdc - Python連續變化檢測和分類庫。

cglops-change-detection經過土地覆蓋變化檢測加強CGLOPS。

Land-use-change-detection利用多傳感器衛星數據進行土地利用變化檢測。

REU-AcceleratedChangeDetectioninSARImages用於合成孔徑雷達（SAR）圖像變化檢測的深度神經網絡算法。

bayesian-change-detection基於貝葉斯模型的變化檢測Python模塊。

Change-Detection-in-Satellite-Imagery採用主成分分析（PCA）和差分圖像上的K-Means來檢測多時相圖像衛星圖像的變化。

Temporal-Changes-Detection-in-3D-scenes使用VisualSfM重建的3D場景中的時間變化檢測。

Opticks_Gsoc2013用於Opticks的基於對象的圖像融合和變化檢測工具。

ChangeAnomalyDetectionCRAN上的R語言包，變化檢測。

VGG-net-for-photo-change-detection用VGG Net訓練檢測照片。

matlab-ccdc用於CCDC相關處理的原始Matlab代碼。

CCDC使用全部可用的Landsat數據爲土地覆蓋的連續變化檢測和分類（CCDC）開發的算法。

lcmap-ccdc基於Apache Spark的LCMAP變化檢測和分類。

CRCPython遙感影像分析，分類和變化檢測。

NRT_Validation在遙感影像中驗證近實時變化檢測產品。

CRC4Docker用於書「遙感影像分析，分類和變化檢測，第四修訂版」的Python腳本。

2.數據科學可視化項目，有很是多有趣的項目。

Data-And-Visualization-Projects

3.Python的一個庫，用線要素和三維組合來表達地理要素。

GeospatialLineGraphs

4.R語言包raster的教程說明。

visualraster

5.R語言包sparsebn，用於經過稀疏正則化從高維數據中學習稀疏貝葉斯網絡和其餘圖形模型。

sparsebn

6.Docker的實踐資源，關於Docker是啥的能夠去翻我前面的博客，有簡單介紹以及如何安裝。

docker_practice

Win7下藍鯨魚安裝以及Xshell鏈接操做 )

花式安裝藍鯨魚札記

7.Processing的R拓展。Processing是一個基於Java的動態可視化庫，提供了R的接口（接口不必定對，可是就是能夠利用R來寫Processing）。

Processing.R

8.R Shiny的資源，Shiny是R語言的神器，經過R的代碼能夠設計html的網頁。

awesome-rshiny

9.MapD Core是一個內存中的列存儲SQL關係數據庫。

mapd-core

10.想要熟練使用Python for GIS的GIS分析師的進步路徑：從學徒到大師

python-for-gis-progression-path

11.基於貝葉斯方法的pm2.5預測（R語言），從抓取、數據分析到預測。

PredictPM25

12.Python庫Geopandas，Pandas包的地理擴展。

geopandas

13.用於空間/地理Python探索的筆記和庫，UCL CASA的課程資源。

Geopython

14.自動化GIS流程課程的課程信息

Course-information

15.R語言包baidumap，百度地圖的R語言接口。

baidumap

2 Paper:

1.Deep Learning: Individual Maize Segmentation From Terrestrial Lidar Data Using Faster R-CNN and Regional Growth Algorithms/深度學習：使用更快的R-CNN和區域增加算法從地面激光雷達數據中分割玉米

深度學習在LiDAR中的應用。在對象檢測，分類和分割方面表現出很高的性能。在這項研究中，咱們提出了一種結合深度傾斜和區域生長算法從地面激光雷達數據中分割單個玉米的方法。訓練場地的掃描3D點被切成行和行，具備固定的3D窗口。窗口內的點被壓縮成深度圖像，用於訓練更快的R-CNN（基於區域的卷積神經網絡）模型以學習檢測玉米莖的能力。使用不一樣種植密度的三個地點來測試該方法。

2.Challenging the Establishment of Cartography and GIS/地圖學與地理信息系統創建的挑戰

2018年7月6-8日中國蘭州第六屆全國青年學者地理空間信息論壇，江斌老師的彙報。針對大數據與傳統地理學理論的一個新思考。