<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lestatlu的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/lestatlu</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; lestatlu]]></copyright><item><title><![CDATA[深度学习入门实战教程｜案例③-6：CNN 深度解释与可视化]]></title><link>https://blog.csdn.net/lestatlu/article/details/151294392</link><guid>https://blog.csdn.net/lestatlu/article/details/151294392</guid><author>lestatlu</author><pubDate>Sun, 07 Sep 2025 20:33:52 +0800</pubDate><description><![CDATA[本文探讨高光谱分类中CNN模型的可解释性问题。通过类激活图(CAM)和通道注意力可视化方法，揭示了CNN内部工作机制。实验在KSC数据集上进行，采用1DCNN模型，并展示多种可视化技术：混淆矩阵分析错误分类模式、整图预测验证空间泛化能力、卷积核谱形可视化展示特征提取机制、通道重要性评估识别关键特征维度。这些方法使CNN从&quot;黑箱&quot;转变为可解释模型，帮助理解其决策依据。实验代码完整展示了数据处理、模型构建、训练及可视化过程，为高光谱分类提供了一套系统的可解释性分析方案。]]></description><category></category></item><item><title><![CDATA[深度学习入门实战教程｜案例③-5：进阶卷积（Dilated / Depthwise Separable）在 KSC 的应用]]></title><link>https://blog.csdn.net/lestatlu/article/details/151294374</link><guid>https://blog.csdn.net/lestatlu/article/details/151294374</guid><author>lestatlu</author><pubDate>Sun, 07 Sep 2025 20:32:56 +0800</pubDate><description><![CDATA[研究对比了空洞卷积和深度可分离卷积在1D高光谱分类中的效果。空洞卷积通过间隔采样扩大感受野，深度可分离卷积将标准卷积拆分为逐通道和点卷积，显著降低参数量。实验在KSC数据集上对比了三种1D-CNN模型：标准卷积、空洞卷积和深度可分离卷积。结果表明，空洞卷积在AA/Kappa指标上更稳定，深度可分离卷积计算效率更高，但基础卷积在特定情况下仍可能表现最佳。研究建议将这些结构作为可选基线进行对比，并提出了结合多尺度特征与轻量化等未来方向。]]></description><category></category></item><item><title><![CDATA[深度学习入门实战教程｜案例③-4：经典 CNN 架构篇（LeNet / VGG / ResNet）]]></title><link>https://blog.csdn.net/lestatlu/article/details/151261755</link><guid>https://blog.csdn.net/lestatlu/article/details/151261755</guid><author>lestatlu</author><pubDate>Sat, 06 Sep 2025 20:05:40 +0800</pubDate><description><![CDATA[本文对比了三种经典CNN架构（LeNet、VGG、ResNet）在高光谱分类任务中的表现。通过KSC数据集实验，分析了各网络特点：LeNet结构简单但表达力有限；VGG通过3×3卷积堆叠实现深层特征提取；ResNet引入残差连接解决梯度消失问题。实验结果显示，ResNet在测试准确率和Kappa系数上表现最优。文章提供了完整的PyTorch实现代码，并强调理解这些经典架构对后续学习更复杂网络的重要性。三种架构的对比直观展示了CNN从浅层到深层的发展脉络及其在遥感图像处理中的应用价值。]]></description><category></category></item><item><title><![CDATA[深度学习入门实战教程｜案例③-3：KSC 整图全像素分类 + CNN 结构与参数分析]]></title><link>https://blog.csdn.net/lestatlu/article/details/151261731</link><guid>https://blog.csdn.net/lestatlu/article/details/151261731</guid><author>lestatlu</author><pubDate>Sat, 06 Sep 2025 20:04:44 +0800</pubDate><description><![CDATA[本文提出了一种基于1D CNN的高光谱图像全像素分类方法。首先对KSC数据集进行预处理，仅使用标注像素训练StandardScaler和PCA以避免数据泄露。模型采用1D CNN处理光谱序列，通过训练和测试评估（OA/AA/Kappa+混淆矩阵）后，对整幅图像进行全像素推理。实验还分析了模型结构参数，并可视化卷积核、特征图和谱段显著性，以理解模型决策机制。该方法简单有效，可作为遥感深度学习的基线方案，后续可通过调整PCA维度、增加网络层数或引入空间上下文信息来提升性能。]]></description><category></category></item><item><title><![CDATA[深度学习入门实战教程｜案例③-2：CNN 在 KSC 上的整图全像素预测]]></title><link>https://blog.csdn.net/lestatlu/article/details/151140144</link><guid>https://blog.csdn.net/lestatlu/article/details/151140144</guid><author>lestatlu</author><pubDate>Wed, 03 Sep 2025 10:24:32 +0800</pubDate><description><![CDATA[本文介绍了使用1DCNN进行高光谱影像分类的完整流程。以KSC高光谱数据为例，采用标准化+PCA预处理（仅训练集拟合避免泄露），构建1DCNN模型在光谱维度提取特征。实验遵循ML传统范式：分层抽样训练/测试集、测试评估（OA/AA/Kappa+混淆矩阵）和整图推理。1DCNN参数少、收敛快，适合作为光谱分类基线模型。结果显示1DCNN优于浅层模型，全像素预测能覆盖未标注区域。该方法结构清晰，是从传统ML过渡到深度学习的理想基线，后续可引入空间信息或更深网络增强。提供完整可执行代码，适合遥感深度学习入门实践。]]></description><category></category></item><item><title><![CDATA[深度学习入门实战教程｜案例③补充：PyTorch 构建卷积神经网络全流程]]></title><link>https://blog.csdn.net/lestatlu/article/details/151139968</link><guid>https://blog.csdn.net/lestatlu/article/details/151139968</guid><author>lestatlu</author><pubDate>Wed, 03 Sep 2025 10:22:44 +0800</pubDate><description><![CDATA[摘要：本文介绍了使用PyTorch构建卷积神经网络（CNN）的完整流程，包括CNN核心概念（局部感受野、权值共享、平移不变性）、PyTorch实现模块（Conv2d、ReLU等）、MNIST数据集上的实践代码（模型搭建、训练循环、性能评估），以及可视化训练曲线和混淆矩阵的方法。文章还提供了可运行的完整代码，并预告了后续将CNN应用于遥感影像分类的计划。]]></description><category></category></item><item><title><![CDATA[遥感&深度学习入门实战教程｜案例③-1：卷积神经网络的基本原理]]></title><link>https://blog.csdn.net/lestatlu/article/details/151111071</link><guid>https://blog.csdn.net/lestatlu/article/details/151111071</guid><author>lestatlu</author><pubDate>Tue, 02 Sep 2025 13:47:39 +0800</pubDate><description><![CDATA[卷积神经网络(CNN)通过局部连接和参数共享解决了全连接网络的参数量大和空间结构利用不足的问题。核心组件包括：卷积层提取局部特征，池化层进行下采样，ReLU激活引入非线性，全连接层整合输出。文章通过numpy实现卷积核边缘检测的演示，展示了CNN如何高效提取图像特征。相比传统网络，CNN具有参数少、保持空间关系、平移不变性等优势，是图像处理任务的基础架构。]]></description><category></category></item><item><title><![CDATA[遥感&深度学习入门实战教程｜补充篇②：激活函数全景图]]></title><link>https://blog.csdn.net/lestatlu/article/details/151110991</link><guid>https://blog.csdn.net/lestatlu/article/details/151110991</guid><author>lestatlu</author><pubDate>Tue, 02 Sep 2025 13:45:47 +0800</pubDate><description><![CDATA[本文介绍了深度学习中的关键组件——激活函数。激活函数赋予神经网络非线性建模能力，使多层网络能够逼近任意复杂函数。文章分析了Sigmoid（存在梯度消失问题）、Tanh（改进版Sigmoid）、ReLU（当前主流选择）、Leaky ReLU（解决神经元死亡问题）和GELU（Transformer常用）五种常见激活函数的特性，并提供了可视化对比代码。 ]]></description><category></category></item><item><title><![CDATA[遥感&深度学习入门实战教程｜补充篇①：PyTorch 入门必备]]></title><link>https://blog.csdn.net/lestatlu/article/details/151087150</link><guid>https://blog.csdn.net/lestatlu/article/details/151087150</guid><author>lestatlu</author><pubDate>Mon, 01 Sep 2025 23:38:46 +0800</pubDate><description><![CDATA[本文介绍了PyTorch深度学习框架的核心概念和实战应用。主要内容包括：1）PyTorch核心组件：Tensor、Autograd、nn.Module、Optimizer等；2）通过一个完整的线性回归示例（y=2x+1）演示数据准备、模型构建、训练流程和结果可视化；3）关键知识点总结：Tensor与NumPy互转、自动求导、模型结构定义、训练/验证模式切换等；4）模型训练的标准流程&quot;套路清单&quot;。该教程适合快速入门PyTorch，掌握基础后即可扩展到更复杂的深度学习和遥感任务应用。]]></description><category></category></item><item><title><![CDATA[遥感&深度学习入门实战教程｜案例②：多层感知机（MLP）]]></title><link>https://blog.csdn.net/lestatlu/article/details/151087117</link><guid>https://blog.csdn.net/lestatlu/article/details/151087117</guid><author>lestatlu</author><pubDate>Mon, 01 Sep 2025 23:37:38 +0800</pubDate><description><![CDATA[本文介绍了多层感知机（MLP）的核心原理和应用。针对感知机只能处理线性问题的局限，MLP通过隐藏层和非线性激活函数（如ReLU）实现了非线性分类能力。文章展示了两个案例：1）使用PyTorch实现MLP解决异或（XOR）分类问题，成功学习非线性边界；2）在KSC高光谱数据上应用MLP分类器，结果表明其性能优于感知机但弱于CNN等更高级网络。MLP通过增加网络深度和反向传播机制，成为处理复杂模式的基础神经网络模型，为后续CNN、RNN等网络奠定基础。]]></description><category></category></item><item><title><![CDATA[遥感&深度学习入门实战教程｜案例①：感知机原理与实现]]></title><link>https://blog.csdn.net/lestatlu/article/details/151027618</link><guid>https://blog.csdn.net/lestatlu/article/details/151027618</guid><author>lestatlu</author><pubDate>Sat, 30 Aug 2025 23:11:34 +0800</pubDate><description><![CDATA[本文总结了《Sklearn入门实战教程》系列内容，介绍了传统机器学习在遥感领域的完整应用流程，包括预处理、分类器、特征选择等环节。随着数据复杂度提升，传统方法面临高维非线性特征、空间关系建模等挑战，引出了深度学习技术的优势。通过两个案例展示了感知机原理及实现：在二维线性可分数据上成功分类，但在真实KSC高光谱数据中表现有限，为后续多层感知机(MLP)等更复杂模型奠定基础。文章预告将介绍如何通过隐藏层和激活函数增强网络非线性能力，使用PyTorch构建MLP分类器。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑳：支持向量机（SVM）分类]]></title><link>https://blog.csdn.net/lestatlu/article/details/151027601</link><guid>https://blog.csdn.net/lestatlu/article/details/151027601</guid><author>lestatlu</author><pubDate>Sat, 30 Aug 2025 23:10:01 +0800</pubDate><description><![CDATA[本文介绍了支持向量机(SVM)在高光谱遥感分类中的应用。SVM因其小样本友好、非线性处理能力和参数灵活性成为遥感领域的经典方法。文章详细解析了核函数选择、惩罚系数C和gamma等关键参数的作用，并提供了完整的KSC数据分类代码示例，包括数据预处理、模型训练、评估和整图预测。通过混淆矩阵和参数对比实验，展示了不同超参数对分类效果的影响。最后指出SVM是遥感分类的重要基线方法，建议采用rbf核并通过网格搜索优化参数，为传统机器学习在遥感领域的应用提供了完整解决方案。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑲：基于邻域的学习（neighbors 模块）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150981186</link><guid>https://blog.csdn.net/lestatlu/article/details/150981186</guid><author>lestatlu</author><pubDate>Fri, 29 Aug 2025 12:15:49 +0800</pubDate><description><![CDATA[本文介绍了KNN算法在高光谱遥感分类中的应用，重点讲解了sklearn.neighbors模块的使用方法。文章提供了KSC数据集上的完整代码示例，包括数据预处理、模型训练、评估和可视化等步骤。关键点包括：KNN对特征尺度敏感，需先进行标准化；参数选择建议k=5-7、权重为distance、使用L2距离；半径邻域分类适用于样本密度不均的情况。代码实现了无泄露预处理、分类评估、混淆矩阵分析和整图预测功能，并对比了不同参数组合的效果。结果显示适当调整参数可提高分类精度，该方法可作为遥感分类的实用基线。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑳：支持向量机（SVM）分类]]></title><link>https://blog.csdn.net/lestatlu/article/details/150981139</link><guid>https://blog.csdn.net/lestatlu/article/details/150981139</guid><author>lestatlu</author><pubDate>Fri, 29 Aug 2025 12:15:00 +0800</pubDate><description><![CDATA[【摘要】本文介绍了支持向量机(SVM)在高光谱遥感分类中的应用优势，包括小样本友好、非线性扩展和参数灵活可调三大特点。详细解析了SVM的关键参数设置，如核函数选择、惩罚系数C和gamma值调整。通过KSC数据集的完整代码示例，展示了SVM分类的全流程实现，包括数据预处理、模型训练、评估指标计算和整图预测可视化。实验结果表明，SVM在样本有限的情况下能保持较好的分类性能，参数选择对结果影响显著。文章作为Sklearn遥感实战系列的终篇，完整覆盖了从传统机器学习到深度学习的入门路径。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑱：半监督学习（semi_supervised）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150955907</link><guid>https://blog.csdn.net/lestatlu/article/details/150955907</guid><author>lestatlu</author><pubDate>Thu, 28 Aug 2025 16:41:19 +0800</pubDate><description><![CDATA[在真实遥感任务里，“有标签像素太少”是家常便饭。的思路是：用少量标注 + 大量未标注样本共同训练，从而提升泛化。本篇聚焦计算 OA/Kappa/报告；同时严格“无泄露”：Scaler/PCA 仅用拟合。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑰：决策树与遥感分类（tree 模块）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150955820</link><guid>https://blog.csdn.net/lestatlu/article/details/150955820</guid><author>lestatlu</author><pubDate>Thu, 28 Aug 2025 16:38:45 +0800</pubDate><description><![CDATA[文章摘要：本文介绍了决策树这一经典分类与回归模型，通过树形结构（节点表示特征条件，分支表示决策结果）实现直观分类。决策树具有结构简单、训练速度快等优点，但也存在过拟合风险。文中提供了KSC数据的决策树分类代码示例，包含数据预处理、模型训练、评估指标（OA/Kappa/混淆矩阵）和可视化（整图预测、决策树结构）。代码实现了无泄露预处理、分层抽样、PCA降维等关键步骤，并展示了分类结果的可视化呈现。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑯：聚类与无监督分类（cluster 模块）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150937128</link><guid>https://blog.csdn.net/lestatlu/article/details/150937128</guid><author>lestatlu</author><pubDate>Wed, 27 Aug 2025 22:49:32 +0800</pubDate><description><![CDATA[遥感应用中常面临标注样本不足的问题，如新区域无实地数据、标注成本高等。无监督学习（尤其是聚类方法）可通过光谱特征对像素分组，生成初步分类结果。本文介绍了KMeans、MiniBatchKMeans等常见聚类方法及其在遥感影像处理中的应用，并以KSC数据集为例展示了KMeans、层次聚类和DBSCAN的代码实现与可视化效果。结果表明，聚类虽不能完全替代监督分类，但在缺乏标注样本时具有重要参考价值，可作为样本生成和模式探索的辅助工具。建议优先使用简单高效的KMeans方法，再根据数据特点尝试其他算法。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑮：流形学习与非线性降维（manifold）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150937094</link><guid>https://blog.csdn.net/lestatlu/article/details/150937094</guid><author>lestatlu</author><pubDate>Wed, 27 Aug 2025 22:47:51 +0800</pubDate><description><![CDATA[摘要：本文探讨高光谱遥感数据的非线性降维方法，比较了PCA与流形学习技术（Isomap、LLE、t-SNE等）在KSC数据集上的表现。实验表明，虽然PCA能有效去除冗余，但流形学习方法能更好地揭示数据的非线性结构，其中t-SNE在可视化聚类关系方面表现突出。这些方法主要用于数据探索，因其计算成本高且映射不可逆，不适合直接用于大规模分类。文章通过Python代码演示了不同方法的实现和效果对比。]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑭：数据划分与交叉验证（KSC 真实数据）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150937069</link><guid>https://blog.csdn.net/lestatlu/article/details/150937069</guid><author>lestatlu</author><pubDate>Wed, 27 Aug 2025 22:46:57 +0800</pubDate><description><![CDATA[本文探讨了遥感影像分类实验中数据集划分的重要性，指出传统train_test_split方法的不足，并介绍了更科学的交叉验证方法。文章通过KSC高光谱数据案例，详细展示了单次分层划分、KFold交叉验证、StratifiedKFold分层交叉验证以及Pipeline的实践应用，强调交叉验证能提供更稳定可靠的模型评估结果。作者建议在样本量有限或类别不均衡时，应采用分层K折交叉验证结合Pipeline的方法，并报告均值±标准差，以获得更科学的实验结果。 ]]></description><category></category></item><item><title><![CDATA[遥感&机器学习入门实战教程｜Sklearn案例⑬：数据集（datasets 模块）]]></title><link>https://blog.csdn.net/lestatlu/article/details/150916948</link><guid>https://blog.csdn.net/lestatlu/article/details/150916948</guid><author>lestatlu</author><pubDate>Wed, 27 Aug 2025 09:24:09 +0800</pubDate><description><![CDATA[本文介绍了sklearn.datasets模块在机器学习入门中的应用，建议初学者先用内置数据集练习算法，再转向真实遥感数据。文章详细列举了datasets提供的三类功能：内置小数据集（如鸢尾花、手写数字）、公开数据集下载接口（如人脸、新闻数据）和模拟数据生成（如分类、聚类数据）。通过三个示例代码展示了如何加载鸢尾花数据、生成分类数据以及创建非线性分布数据，强调这些工具适合算法调试但不替代真实应用，建议从练习过渡到使用Sentinel等真实遥感影像。]]></description><category></category></item></channel></rss>