报告-第四题1

【报告-第四题1】是一份关于地理信息系统实习的详细报告，主要涵盖了视频处理与数据清洗、神经网络搭建、可视化以及数据采集等多个方面。以下是这些知识点的深入解析： 1. **视频处理和数据清洗** - 使用Python进行数据处理，包括读取CSV文件中的图片文件名和分数，利用PIL库将图片转换为numpy矩阵格式。 - 数据划分：以8:2的比例将数据分为训练集和测试集，有助于评估模型性能。 - 视频数据处理涉及OpenCV库，用于根据时间间隔截取视频帧，并转换图片格式（BGR转RGB），同时保存图片及其对应的地理位置信息。 2. **神经网络搭建** - 选择了PyTorch作为深度学习框架，因为其易上手且适合解决复杂问题。 - 数据预处理：图片被随机裁剪为224x224并进行旋转，增强模型的鲁棒性。 - **Vgg网络搭建**：利用预训练的vgg16模型，保留特征提取层，移除部分全连接层，改为两层全连接层，适应任务需求。 - **Resnet网络搭建**：使用预训练的resnet18模型，同样保留特征提取层，调整fc层以输出一个值，允许模型微调。 3. **模型训练与结果** - 训练过程中，展示了vgg和resnet模型在六种情感分类上的loss曲线，分析模型的训练效果和泛化能力。 4. **可视化** - **AntvL7地图可视化**：实现地图图层选择，点击要素展示场景信息及六维数据，柱状图和颜色深浅表示得分高低。 - **Antv G2时序图**：包含流动时序图和带缩略轴时序图，前者用于直观展示情感变化趋势，后者允许用户自定义查看时间段的数据变化。 这份报告详细展示了如何利用Python、numpy、OpenCV等工具处理地理信息系统中的视频和数据，以及如何通过PyTorch构建和训练神经网络模型进行情感分类。此外，还强调了使用Antv库进行有效的数据可视化，帮助理解和解释模型预测的结果。整个过程体现了数据科学在地理信息处理中的应用，以及深度学习和可视化技术在解决实际问题中的重要作用。