Filtering
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 30/100
- Tipo de issue
- Nueva funcionalidad
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- python
- Área
- data, machine-learning
Línea de trabajo
Comienza rastreando cómo se analizan y aplican los filtros de clase de config.json durante la generación del conjunto de datos de entrenamiento, usando el filtro Woods proporcionado y el cuadro delimitador de Nueva Zelanda como caso de reproducción. El trabajo estará completo cuando la configuración pueda excluir las áreas enmascaradas descritas que producen falsos positivos y el comportamiento esté documentado y verificado con el conjunto de datos generado.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Hi,
I'm currently working on a project that requires me to retrieve tree area in aerial images. I found this project really promising. However, I also found out some masked areas in the openstreetmap contain false-positives. For example, mask data imported from LINZ's topographic maps are usually shifted from actual tree areas. I'm wondering with current utility of the config.json file, is there anyway to filter such data out of my training dataset as I don't want too much FP?
Here is my current config file:
"country": "new_zealand",
"bounding_box": [175.1848,-37.8868,175.4386,-37.6892],
"zoom": 18,
"classes": [ { "name": "Woods", "filter": ["==", "natural", "wood"] } ],
"imagery": "http://a.tiles.mapbox.com/v4/mapbox.satellite/{z}/{x}/{y}.jpg?access_token=MY_ACCESS_TOKEN",
"background_ratio": 1,
"ml_type": "segmentation"
Thanks
- Lenguaje dominante
- Python
- Estrellas
- 471
- Forks
- 106
- Métricas de merge de PR
- Sin PR fusionados en 30 d
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Sin plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de developmentseed/label-maker
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100
developmentseed/label-maker#195 ·
-
Use logging or drop log optionAbierto
Dificultad 3/5 1-2 días Aptitud para principiantes 35/100
developmentseed/label-maker#186 ·
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100
developmentseed/label-maker#185 ·
-
Generalize Final data.npz outputQuizá libre de nuevo @martham93 la tomó hace 2258 días y no hay ningún pull request abierto. Abiertoenhancement
developmentseed/label-maker#181 · 1 comentario · 1 asignado ·
-
No support for Tensorflow 2Abierto
Dificultad 4/5 3-5 días Aptitud para principiantes 25/100
developmentseed/label-maker#180 · 1 comentario ·
Todos los issues de developmentseed/label-maker
Issues similares
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 66/100
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
yt-project/yt#5624 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
-
bug
Dificultad 2/5 1-3 horas Aptitud para principiantes 82/100
NousResearch/hermes-agent#148376 ·
Los mantenedores suelen responder en 1 día
-
Analysis
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
SACGF/variantgrid#2615 ·
Los mantenedores suelen responder en 1 día