论文学习记录
pangpd
Just a boy caught up in dreams and fantasies !
展开
-
【Paper】Nonlocal Graph Convolutional Networks for Hyperspectral Image Classification
1. 当前现状(1)CNN和RNN中在高光谱的分类中应用广泛,它们属于一种监督分类学习,依赖于充足的训练样本。对于标记好的训练样本,收集起来相当昂贵(可以理解为费时,费力);(2)未被标记的样本可以以任意数据来获取;2. 明确本文工作针对以上问题,本文指出:能够同时探索并利用标记和未标记数据进行高光谱图像分类的网络将是一个非常有趣的问题!(其实就是作者看了GCN半监督分类的优势)3. 工作提出一种 nonlocal graph convolutional network (nonlocal GC原创 2020-12-05 20:51:22 · 716 阅读 · 2 评论 -
【Paper】Graph Convolutional Networks for Hyperspectral Image Classification
当前的现状(1)虽然CNN在捕捉空-谱信息具备优势,但是它在样本之间的建模能力依然有限。(2)由于在所有数据上都要构造邻接矩阵,传统的GCN计算量很大,特别是在大规模的遥感问题上。本文贡献GCNs 超越了网格采样的局限性,并成功地应用于不规则(或非网格)数据的表示和分析。(1)本文从HS图像分类的角度对CNNs和GCNs(定性和定量)进行了深入的研究;(2)针对GCN计算量很大,提出了一种新的小批量GCN(简称miniGCN),它允许以小批量的方式训练大规模GCN。miniGCN能够在不重新训练原创 2020-11-30 11:02:07 · 1049 阅读 · 0 评论 -
【Paper】Graph Convolutional Subspace Clustering: A Robust Subspace Clustering Framework for HSI
现状传统的子空间聚类方法虽然在HSI聚类中取得了显著的效果,但往往忽略了数据之间固有的结构信息。本文贡献本文对基于图卷积的子空间聚类进行了研究,提出了一种新的子空间聚类框架:图卷积子空间聚类 Graph Convolutional Subspace Clustering(GCSC)。(1)具体地说,该框架将数据的自表达特性重新构造到非欧几里德域(non-Euclidean domain)中,从而生成了一个更健壮的图嵌入字典。(2)我们证明了传统的子空间聚类模型是欧氏数据框架(本文提出的)的特殊形式原创 2020-11-27 11:26:04 · 337 阅读 · 0 评论 -
【Paper】Multiscale Dynamic Graph Convolutional Network for Hyperspectral Image Classification
摘要CNN的弊端传统的CNN模型只能对具有固定大小和权重的规则正方形图像区域进行卷积运算,因而不能普遍适用于具有不同目标分布和几何外观的不同局部区域。GCN为了克服这一缺点,我们考虑将最近提出的图卷积网络(GCN)用于高光谱图像分类,因为它可以对任意结构的非欧几里德数据进行卷积,并且适用于由图拓扑信息表示的不规则图像区域。本文贡献(1)与现有的基于固定图的GCN模型不同的是,我们使图能够随着图的卷积过程而动态更新,从而使这两个步骤相互促进,逐步产生the discriminative embed原创 2020-11-26 22:07:31 · 1257 阅读 · 7 评论 -
【论文】Densely Connected Convolutional Networks(DenseNet译文)
摘要最近的研究表明,如果在靠近输入层与输出层之间的地方使用短连接(shorter connections),就可以训练更深、更准确、更有效的卷积网络。在这篇文章中,我们基于这个观点,介绍了稠密卷积网络(DenseNet),该网络在前馈时将每一层都与其他的任一层进行了连接。传统的 L层卷积网络有L个连接——每一层与它的前一层和后一层相连——我们的网络有L(L+1) / 2 个连接。每一层都将之前的所有层的特征图作为输入,而它自己的特征图是之后所有层的输入。DenseNets有一些很不错的优点:有助于解决梯度转载 2020-06-03 14:11:34 · 576 阅读 · 0 评论 -
【论文】Deep Pyramidal Residual Networks(译)
论文贡献提出了一种新的残差单元(移除了Pre-activation ResNet残差单元中的Relu函数)设计了一种逐步增加所有单元的特征图维数的金字塔残差结构Abstract 近年来,深卷积神经网络(DCNNs)在图像分类中表现出了显著的性能。一般来说,深度神经网络结构是由大量卷积层构成的堆栈,它们通过池来沿空间维度执行下采样,以减少内存使用。同时,特征映射维数(即通道数...原创 2020-04-07 17:54:11 · 1967 阅读 · 2 评论 -
【论文】Convolutional neural network for spectral–spatial classification of hyperspectral images
基于CNN遥感影像分类当前存在的问题:标签样本有限,导致了小样本问题;当前大多数CNN模型较为复杂,训练参数较多,计算开销高。针对以上这个问题,本文提出了一种新的CNN模型,该模型有以下特点:该模型能较为鲁棒性地提取了高光谱影像的空间特征和光谱特征;该模型除第一层,以外的所有卷积层都是1x1的卷积层,有效的减少了训练参数,加快了训练和测试过程。提出了小卷积和SC...原创 2020-04-13 17:45:17 · 1478 阅读 · 0 评论 -
【Deep Learning】Deep Residual Shrinkage Networks for Fault Diagnosis(深度残差收缩网络)
【题目】Deep Residual Shrinkage Networks for Fault Diagnosis【翻译】基于深度残差收缩网络的故障诊断Abstract (摘要)【翻译】本文提出了一种新的深度学习方法,名为深度残差收缩网络,来提高深度学习方法从强噪声信号中学习特征的能力,并且取得较高的故障诊断准确率。软阈值化作为非线性层,嵌入到深度神经网络之中,以消除不重要的特征。更进一...转载 2020-04-19 00:12:29 · 787 阅读 · 0 评论