Benutzer: Gast  Login
Verantwortlich:
Koch, Tobias 
Autorinnen / Autoren:
Rußwurm, Marc; Körner, Marco 
Institutionszugehörigkeit:
TUM: Chair of Remote Sensing Technology 
Herausgeber:
TUM: Chair of Remote Sensing Technology 
Titel:
Temporal Vegetation Modelling using Long Short-Term Memory Networks for Crop Identification from Medium-Resolution Multi-Spectral Satellite Images 
Zeit der Erzeugung:
01.06.2017 
Fachgebiet:
BAU Bauingenieurwesen, Vermessungswesen 
Quellen der Daten:
Experimente und Beobachtungen / experiments and observations; Abbildungen von Objekten / image of objects 
Andere Quellen der Daten:
Training- and evaluation data; RNN networks 
Datentyp:
Bilder / images; mehrdimensionale Visualisierungen oder Modelle / models; Datenbanken / data bases 
Anderer Datentyp:
Serialized data containing multispectral Sentinel 2 images and TensorFlow checkpoints 
Beschreibung:
Data supplements for the paper “Dataset for Temporal Vegetation Modelling using Long Short-Term Memory Networks for Crop Identification from Medium-Resolution Multi-Spectral Satellite Images” containing training- and evaluation data, evaluation methodology and neural network models. 
Schlagworte:
Remote Sensing, EarthVision2017, Temporal Modelling, Recurrent Neural Networks, Field Identification 
Technische Hinweise:
Follow github instructions ; https://www.github.com/TUM-LMF/fieldRNN ; https://www.lmf.bgu.tum.de/fieldRNN
View and download (5.4 GB total, 7 files)
The data server also offers downloads with FTP
The data server also offers downloads with rsync (password m1370728):
rsync rsync://m1370728@138.246.224.34/m1370728/ 
Sprache:
en 
Rechte:
by, http://creativecommons.org/licenses/by/4.0