文章来源：Github 编译：黄玮
引言
本项目在卫星遥感数据中使用深度学习算法来搭建了探测云层的分类器。像星球实验室 Planet Labs 这样的创业公司已经推出了一系列小卫星以便对大部分地球表面日常情况进行图像化。在这些图片中进行云层探测和清理对于小卫星成像来说是十分重要的图片预处理工作。举例来说，如果我们要得到某个位置的日常照片，就需要检测该位置在一段时间内的情况变化，例如自动探测该位置的植被砍伐情况、停车场车辆数量等细节。如果能够首先探测并去除这个位置的云层（它由于经常变化很可能会导致成像错误）就会对成像工作有很大的改善。
本项目包括三个部分：
注释工具：它可以帮助用户从星球实验室的API中获取数据并允许用户在云端绘制边框以引导训练数据；
网址：https://www.planet.com/docs/
训练流程：帮助用户使用注释的数据，并在GPU的EC2上运行以微调AlexNet训练模型，生产验证的统计数据以说明训练模型的运行的情况；
边界框系统：帮助用户使用训练好的云分类器并尝试用轨道卫星数据绘制边界框。
需要注意的是，本项目的整个流程也可以用于卫星的其他探测任务，包括车辆探测、生物群落探测等。
该项目的完整技术报告可以在此链接中查看：http://codinginparadise.org/ebooks/html/blog/introducing_cloudless.html
以下我们将为你介绍一个探测云层的例子，探测到的云将会通过训练好的深度神经网络自动以黄色框显示。
本项目获得了Apache 2许可，由Brad Neuberg、Johann Hauswald和Max Nova共同完成。
注释工具
通过注释工具，我们可以通过标记星球实验室（Planet Labs）的数据来构造神经网络。
代码请见https://github.com/BradNeuberg/cloudless/tree/master/src/annotate
运行流程
brew install gdal
安装 virtualenv 和 virtualenvwrapper: https://jamie.curle.io/posts/installing-pip-virtualenv-and-virtualenvwrapper-on-os-x/
mkvirtualenv annotate-django
cd src/annotate
pip install -r requirements.txt
./manage.py migrate
echo 'PLANET_KEY="SECRETPLANET LABS KEY"' | 
注册
登录
