![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 74
曦曦逆风
信息与通信工程专业博士生,高光谱图像智能解译方向,与我交流或进高光谱图像交流群可私聊
展开
-
深度学习论文解读分享之Residual wave vision U-Net for flood mapping using dual polarization Sentinel-1 SAR image
及时获取有关洪水范围的准确数据对于有效的应急准备和缓解工作至关重要。CNN 的主要局限性之一是它们只能预测所需的特征是否会出现在图像中,而不能预测它可以被识别的位置。然而,ViT 中的自注意力模块非常复杂且计算成本昂贵,并且它们需要大量的地面数据才能获得图像分类/分割的全部能力。因此,在本文中,我们开发了残差波视觉 U-Net (WVResU-Net),这是一种深度学习分割架构,它利用先进的视觉多层感知器 (MLP) 和 ResU-Net,使用 Sentinel 进行准确可靠的洪水映射。原创 2024-01-23 12:08:30 · 405 阅读 · 0 评论 -
深度学习论文解读分享之diffGrad:一种卷积神经网络优化方法
因此,深度网络优化的一个有效方法是对每个参数具有自适应的步长。在DiffGrad优化技术中,对每个参数的步长进行调整,使其具有较大的步长和较小的步长,以适应较快的梯度变化参数和较低的梯度变化参数。并在CIFAR10和CIFAR100数据集上进行了图像分类实验,观察了DifferGrad相对于SGDM、AdaGrad、AdaDelta、RMSProp、AMSGrad等最新优化器的性能,实验中采用了基于残差单元(ResNet)的卷积神经网络(CNN)结构,实验结果表明,DiffGrad的性能优于其他优化器。原创 2024-01-16 10:31:37 · 508 阅读 · 0 评论