【论文笔记】Neighboring Region Dropout for HIC

最新推荐文章于 2024-04-09 17:38:18 发布
最新推荐文章于 2024-04-09 17:38:18 发布
阅读量292 收藏
点赞数
分类专栏： DL论文笔记 文章标签： 深度学习 计算机视觉 dropout
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40721337/article/details/106619688
版权
该论文针对深度学习网络过拟合问题，提出了一种新的邻域区域Dropout（NRDO）策略。NRDO通过线性递增的Dropout概率在训练过程中逐渐提取更鲁棒和独立的特征，从而改善网络性能。相比于传统Dropout，NRDO在高光谱图像分类任务中展现出更好的效果。
摘要由CSDN通过智能技术生成

M. E. Paoletti, J. M. Haut, J. Plaza and A. Plaza, “Neighboring Region Dropout for Hyperspectral Image Classification,” in IEEE Geoscience and Remote Sensing Letters, vol. 17, no. 6, pp. 1032-1036, June 2020, doi: 10.1109/LGRS.2019.2940467.
Paoletti M E , Haut J M , Plaza J , et al . Neighboring Region Dropout for Hyperspectral Image Classification[J]. IEEE Geoscience and Remote Sensing Letters, 2019, PP(99):1-5.
github：DeepNRD

1.贡献点

  针对网络容易过拟合，泛化能力不强的问题，提出了neighbor region DO（dropout）策略。

2.论文细节

2.1 传统的dropout</

了解本专栏 订阅专栏 解锁全文 超级会员免费看
immortal12
关注
专栏目录
订阅专栏
【论文笔记】Visual Attention-Driven Hyperspectral Image Classification
immortal的小屋
05-28 606
J. M. Haut, M. E. Paoletti, J. Plaza, A. Plaza and J. Li, “Visual Attention-Driven Hyperspectral Image Classification,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 10, pp. 8065-8080, Oct. 2019, doi: 10.1109/TGRS.2019.2918080. Haut .
GAN论文阅读笔记（5）
weixin_48981284的博客
01-12 1649
MyStyle: A Personalized Generative Prior 阅读笔记
论文学习笔记： Convolutional Neural Pyramid for Image Processing
Lunex的博客
09-14 1258
论文学习笔记： Convolutional Neural Pyramid for Image Processing原文链接：Convolutional Neural Pyramid for Image Processing前言今年刚出的文章，面对的是image restoration的问题。既然是图像修复， 那么进行修复工作的依据，也就是信息来源，必然是图像的其他完好的区域。所能获取相关图像信息的范
一篇论文 综合区域匹配的图像检索 IRM: Integrated Region Matching for Image Retrieval
GarfieldEr007的专栏
01-07 2525
IRM: Integrated Region Matching for Image Retrieval Jia Li     James Z. Wang     Gio Wiederhold  Department of Computer Science  Stanford University  {jiali,wangz,gio}@db.stanford.edu  (www-db.
论文精读--MAE
m0_73202283的博客
02-18 1941
本文证明了掩码自编码器(MAE)是一种可扩展的计算机视觉自监督学习算法。我们的MAE方法很简单:我们屏蔽输入图像的随机patch并重建缺失的像素。它基于两个核心设计。首先，我们开发了一个非对称编码器-解码器架构，其中一个编码器仅对patch的可见子集(没有掩码令牌)进行操作，以及一个轻量级解码器，该解码器从潜在表示和掩码token重建原始图像。其次，我们发现掩盖输入图像的高比例，例如75%，产生了一个重要的和有意义的自我监督任务。
Self-Supervised Contrastive Learning for Medical Time Series: A Systematic Review阅读笔记
最新发布
jjm088的博客
04-09 1684
其基本假设是，在嵌入空间中，正对(即相似的例子)应该彼此靠近，而负对(即不同的例子)应该彼此远离。传统的监督学习无法用如此小的标记数据量进行训练，然而，通过对比学习，我们可以使用10,000个未标记的样本对编码器进行预训练，然后使用500个标记样本对模型进行微调。试验判别任务的基本假设是，由于试验间的差异，同一试验的两个样本会比不同试验的样本更相似。换句话说，模型在正对(由过去的数据和正确的下一个观察组成)和负对(由过去的数据和不同的下一个观察组成)上进行训练。它训练编码器根据过去的观测来预测未来的观测。
Multi-View Stereo for Community Photo Collections 论文阅读笔记
qq_33765199的博客
09-24 3203
Multi-View Stereo for Community Photo Collections 论文阅读笔记 上一篇论文，主要介绍了如何从photo collection中获得点云（point clouds），这一篇论文主要介绍，获得点云之后该做怎样的处理，来获得一个surface。因为在网上没有找到类似的笔记，就只能一边阅读，一边做笔记了，如有错误，欢迎指正。 Abstract We ...
A Neighboring Optimal Adaptive Critic for Missile Guidance
阿涛的博客
01-28 699
文章下载链接 https://download.csdn.net/download/qq_29675093/10941949 摘要 - 我们提出了一种基于适应性评估概念的导弹制导神经网络方法。 该方法源于线性最优制导律的名义解和邻域最优控制律的使用。 在神经网络训练中，没有关于目标机动动力学的假定（假定动力学模型未知）。 我们讨论神经网络控制器训练问题，并将神经网络控制系统结果与从最优控制方程获...
ICCV2015[论文笔记]Unsupervised Visual Representation Learning by Context Prediction
weixin_42663567的博客
11-27 2905
[论文笔记]Unsupervised Visual Representation Learning by Context Prediction 1、INTRO 深度学习方法在向互联网级数据扩展时因没有注释而受阻，作者旨在为图像的自监督学习提供一种公式，类似于文本的自监督学习，对上下文做出预测。即对一张图像给定一个patch，预测另一个patch相对于其的位置关系。 2、Learning Visu...
Structural neighboring property for identifying protein-protein binding sites
02-07
### 结构邻近性属性在蛋白质-蛋白质结合位点识别中的应用 #### 背景与意义 蛋白质-蛋白质相互作用（Protein-Protein Interaction, PPI）在控制多种生物功能方面发挥着关键作用，例如药物设计和功能性分析。...
Theoretical Simulation of the Interaction between Neighboring Oxygen Ions for Cation and Anion doped c-ZrO2
02-15
阳离子和阴离子掺杂立方氧化锆近临氧离子相互作用的理论模拟，陈守刚，王道平，为了研究单一和混合离子掺杂稳定立方氧化锆的作用，优选合适的团簇模型利用密度泛函理论(DFT/B3LYP)计算了阳离子掺杂、阴离子掺杂及�
IEEE论文模板（latex/word）
immortal的小屋
06-26 5428
IEEE论文模板下载地址 step1 step2
【论文笔记】Spectral-Spatial Attention Network for Hyperspectral Image Classification
immortal的小屋
05-29 3840
H. Sun, X. Zheng, X. Lu and S. Wu, “Spectral–Spatial Attention Network for Hyperspectral Image Classification,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 5, pp. 3232-3245, May 2020, doi: 10.1109/TGRS.2019.2951160. 1.贡献点   首先提出一个.
Deep Few-Shot Learning for Hyperspectral Image Classification（2019）——深度学习论文笔记（四）
immortal的小屋
05-28 1983
Deep Few-Shot Learning for Hyperspectral Image Classification（2019） Abstract   论文提出了一种deep few-shot learning方法来解决HSI分类中样本量少的问题。算法包含了3种新策略： 首先，通过deep residual 3-D CNN提取spectral-spatial features以减少标记时的...
Deep Recurrent Neural Networks for Hyperspectral Image Classification（2019）——深度学习论文笔记（五）
immortal的小屋
05-28 1415
Deep Recurrent Networks for Hyperspectral Image Classification（2019） Abstract   vector-based ML方法在表示HSI像元时，会导致其内在的序列结构信息损失。论文首次提出将HSI像元视为sequence data，用一个经过调整的RNN框架来处理。   经过调整的RNN框架： 使用了一个新的激活函数——PRe...
A Spectral Attention Module-Based Convolutional Network for HSI Classification（2019）——深度学习论文笔记（七）
immortal的小屋
05-28 1087
Learning to Pay Attention to Spectral Domain：A Spectral Attention Module-Based Convolutional Network for Hyperspectral Image Classification （2019） Abstract   在过去几年，用于HSIs分类的CNNs取得了很大进步。然而CNNs对所有波段使用相同...
region-growing
04-07
The technique works by starting with a seed point or a set of seed points and then iteratively adding neighboring pixels to the region if they satisfy certain criteria, such as having similar ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

immortal12

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值