Documentation of "ERCNN-DRS Urban Change Monitoring", https://github.com/It4innovations/ERCNN-DRS_urban_change_monitoring
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F21%3A10248877" target="_blank" >RIV/61989100:27740/21:10248877 - isvavai.cz</a>
Výsledek na webu
<a href="https://github.com/It4innovations/ERCNN-DRS_urban_change_monitoring" target="_blank" >https://github.com/It4innovations/ERCNN-DRS_urban_change_monitoring</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Documentation of "ERCNN-DRS Urban Change Monitoring", https://github.com/It4innovations/ERCNN-DRS_urban_change_monitoring
Popis výsledku v původním jazyce
This project contains the Ensemble of Recurrent Convolutional Neural Networks for Deep Remote Sensing (ERCNN-DRS) used for urban change monitoring with ERS-1/2 & Landsat 5 TM, and Sentinel 1 & 2 remote sensing mission pairs. It was developed for demonstration purposes (study case) in the ESA Blockchain ENabled DEep Learning for Space Data (BLENDED) project. Two neural network models were trained for the two eras (ERS-1/2 & Landsat 5 TM: 1991-2011, and Sentinel 1 & 2: 2017-2021). The enclosed data was used for the MDPI Remote Sending publication Neural Network-Based Urban Change Monitoring with Deep-Temporal Multispectral and SAR Remote Sensing Data [2].
Název v anglickém jazyce
Documentation of "ERCNN-DRS Urban Change Monitoring", https://github.com/It4innovations/ERCNN-DRS_urban_change_monitoring
Popis výsledku anglicky
This project contains the Ensemble of Recurrent Convolutional Neural Networks for Deep Remote Sensing (ERCNN-DRS) used for urban change monitoring with ERS-1/2 & Landsat 5 TM, and Sentinel 1 & 2 remote sensing mission pairs. It was developed for demonstration purposes (study case) in the ESA Blockchain ENabled DEep Learning for Space Data (BLENDED) project. Two neural network models were trained for the two eras (ERS-1/2 & Landsat 5 TM: 1991-2011, and Sentinel 1 & 2: 2017-2021). The enclosed data was used for the MDPI Remote Sending publication Neural Network-Based Urban Change Monitoring with Deep-Temporal Multispectral and SAR Remote Sensing Data [2].
Klasifikace
Druh
A - Audiovizuální tvorba
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
ISBN
—
Místo vydání
—
Název nakladatele resp. objednatele
—
Verze
—
Identifikační číslo nosiče
—