- 博客(4)
- 收藏
- 关注
RSS订阅原创 论文重点提取--Adversarial_Complementary_Learning_for_Multisource_Remote_Sensing_Classification
一种对抗互补学习（ACL）卷积神经网络（CNN）方法，用于多源遥感分类任务。论文的架构很简单如下图所示，一目了然。ACL主要包含两方面：通过对抗生成器和判别器进行互补学习，从多源数据中提取出共同模式和特定模式，形成紧凑且判别性特征表示；{生成器尝试最小化其损失（即生成更容易被判别器误认为是真实的数据），而判别器尝试最大化其损失（即更好地区分真实数据和生成数据）。2.设计了模式采样模块（PSM）从特定模式中提取出互斥关系，以消除奇异噪声。
2024-05-08 09:11:41
336
原创 基于MFT的遥感图像分类任务（代码解读）
包含了用于处理和准备训练数据的类。MyData类和MyData1类用于创建数据集对象，这些对象能够根据提供的标签和位置信息从原始图像中裁剪出小块图像，并将其转换为模型训练所需的格式。MyMFT.py：定义了模型的架构，包括特征提取、注意力机制和分类头。模型设计用于处理两种类型的输入数据：多光谱图像和PAN图像，并输出分类结果。Train.py：包含了训练循环、模型测试和评估的代码。它首先加载和预处理MS4和PAN图像数据，然后创建训练和测试数据加载器。接着，它实例化MFT。
2024-04-30 16:14:18
1481
原创 GAN研究学习-----论文整理
这一方法通过模拟自监督学习中的补全任务，使得模型能够更好地理解和利用语音信号的时间-频率特性，这对于提高语音转换的自然度和说话者特征的保留具有重要意义。CycleGAN-VC的提出，为语音转换领域带来了一种新的技术手段，特别是在缺乏成对语音数据的情境下，它提供了一种有效的解决方案。每篇论文都在其特定的应用背景下，对GANs的架构和训练方法进行了创新和优化。这篇论文的核心贡献在于提出了一种新颖的纹理合成方法，能够在不需要昂贵计算成本的情况下，实现高质量的图像合成，这对于实时应用和艺术创作具有重要意义。
2024-04-29 17:40:00
1463
原创 Adversarial Complementary Learning forMultisource Remote Sensing Classiffcation论文学习
摘要——卷积神经网络在多模式协作领域越来越受到关注。近年来，基于CNN的方法在多源遥感数据分类中取得了显著的效果。然而，它在互补提取方面仍然面临挑战。在本文中，对抗性互补学习（ACL）策略被嵌入到称为ACL-NN的CNN模型中，用于提取多源数据的互补信息。所提出的ACL-NN能够通过进行对抗性的最大-最小博弈，从多源数据中过滤出常见模式和特定模式。特别是，与模态无关的常见模式构成了土地覆盖的基本表示，而特定模式与提供补充表示的常见模式线性无关。因此，互补信息被映射到紧凑的和有区别的表示。为了
2024-04-29 17:05:00
1530
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人