techniques

用深度学习搞定卫星图，从数据到模型一站通

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 1646 👀 关注 278

GitHub ↗

GitHub 星标 ★ 10301

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0 许可证，可免费使用、修改和分发，无付费版本。

项目预览

项目数据

分类计算机视觉

开发团队satellite-image-deep-learning

GitHubhttps://github.com/satellite-image-deep-learning/techniques

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0 许可证，可免费使用、修改和分发，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

技术栈/模型convolutional-neural-networks,dataset,datasets,deep-learning,deep-neural-networks,earth-observation,image-classification,machine-learning,object-detection,python,pytorch,remote-sensing,satellite-data,satellite-imagery,satellite-images,sentinel

GitHub 星标★ 10301

上线时间2018-04-16 00:00:00

代码更新2026-11-07

仓库体积30.3 MB

本站数据更新2026-11-10

维护状态活跃

收录时间2026-08-10

浏览次数8

项目介绍

这是一个专注于卫星与航空影像深度学习技术的开源项目，汇集了针对地球观测数据的卷积神经网络、数据集构建、图像分类等核心方法。它解决了遥感领域缺乏系统化深度学习实践指南的问题，为研究人员和工程师提供了从数据准备到模型训练的完整技术路径。项目涵盖多种主流深度学习架构在遥感影像上的应用，包括场景分类、目标检测和语义分割等任务，并整理了公开可用的遥感数据集资源。其核心能力在于将计算机视觉前沿技术与地理空间数据特性相结合，提供可复现的实验方法和代码示例，帮助用户快速上手遥感影像分析。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 10301

技术标签

convolutional-neural-networks dataset datasets deep-learning deep-neural-networks

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：本地安装 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 的网络环境
已安装 Git（用于克隆仓库）
任意可打开 Markdown 的编辑器或浏览器
可访问 https://www.satellite-image-deep-learning.com/ 的浏览器

安装与启动步骤

1克隆仓库到本地

把 techniques 仓库下载到本地，README 内容很长，本地打开更便于反复检索。README 未给出安装命令，此为通用克隆操作。
```
git clone https://github.com/satellite-image-deep-learning/techniques.git
```
2进入仓库目录

切换到克隆下来的目录，确认其中存在 README.md 文件。
```
cd techniques
```
3浏览目录结构

查看仓库文件列表，确认这是一个以 README 文档为主的技术索引仓库。
```
ls
```
4打开 README

用编辑器或浏览器打开 README.md，按 Techniques 目录定位感兴趣的任务章节。
```
cat README.md
```
5用查找定位技术

README 明确建议用 Command + F（Mac）或 CTRL + F（Windows）搜索关键词，例如 SAM，快速跳到对应条目。
6访问官方站点

README 顶部给出官网链接，可按需访问获取更集中的资料入口。