有关3DCD的想法
直接使用端到端的3DCD检测 目前未实现无监督或若监督，可从这方面入手，[相关论文]{https://ieeexplore.ieee.org/abstract/document/10019593/metrics#metrics} 使用前沿领域的transformer或mamba 对数据集进行处理，目前数据集存在的问题有： 缺少标签 数据集不平衡 数据集hungry 尝试使用GAN生成数据集 尝试用多模态特征融合，将点云和图像特征融合 孪生神经网络，相关论文： SiamKPConv SiamGCN-GCA SiamVFE 3DCDNet
变化检测方法
将点云投影到 2.5D 的 DSM 或距离图像，然后利用 2D 变化检测技术进行。本文按“基于像素/基于点”梳理常见思路，并给出 dDSM 与 MRF 的极简示例。 基于像素dDSMdDSM（Dense Deep Sparse Model）是一种基于像素的图像分类模型，它将图像的每个像素都作为输入，并使用卷积神经网络进行分类。通过简单的减去DSM得到像素级的二进制变化图，后处理有形态学滤波和阈值处理、分割、分类、去除噪声和未配准引起的假警报，但是会由于信息损失而无法检测细致变化，适合更大范围明显变化的检测。比如城市范围内的建筑物变化检测。以下是一个简单的Python代码示例： import numpy as npimport cv2# dDSM：对两个时相的 DSM 做差分，阈值化得到变化掩码# dsm_t1/dsm_t2：两期 DSM（单位可理解为“高度”，同尺度）# thresh：阈值，越大越不敏感；ksize：形态学滤波核大小def ddsm_change(dsm_t1, dsm_t2, thresh=1.0, ksize=3): # 1)...
专业名词
2D、2.5D和3D 维度 含义 类比 2D 普通照片，只有平面（X,Y） 俯视平面图，看不到高度 2.5D 深度图/高度图，每个像素存一个高度值（Z） 像浮雕画，有凹凸感但不是真立体 3D 真正的立体点云，每个点都有XYZ坐标 可以旋转查看的3D模型 DSM(数字表面模型)生成:...
数据集
...
线性回归模型
线性回归模型import torchimport torch.nn as nnimport numpy as npimport matplotlib.pyplot as plt# 1.检查GPU是否可用device = torch.device("cuda" if torch.cuda.is_available() else "cpu")print("Using device:", device)# 2.创建模拟数据np.random.seed(42)x_train = np.random.rand(100, 1)*10 # 100个样本，1个特征y_train = 2*x_train + 3 + np.random.randn(100,1) * 2 #y = 2x + 3 + 噪声# 可视化原始数据plt.scatter(x_train, y_train, color='blue', label='Original...
git部署
下载git官网下载 git。安装完成后，打开 cmd，输入： git --version 如果显示版本号，则安装成功。 配置git安装好后，在命令行输入： git config --global user.name "your_name"git config --global user.email "email@example.com" 注意git config 命令的 --global 参数表示你这台机器上所有的 Git 仓库都会使用这个配置，当然也可以对某个仓库指定不同的用户名和 Email 地址。（未学） 创建仓库什么是版本库呢？版本库又名仓库（Repository），你可以简单理解成一个目录，这个目录里面的所有文件都可以被 Git 管理起来，每个文件的修改、删除，Git 都能跟踪，以便任何时刻都可以追踪历史，或者在将来某个时刻可以“还原”。 选择一个目录，在命令行输入： git init 瞬间 Git 就把仓库建好了，而且告诉你是一个空的仓库（empty Git repository）。细心的读者可以发现当前目录下多了一个...
引言
这是一个平平无奇的博客