Jun, 2024

一种有效的深度学习权重初始化方法：应用于卫星图像分类

PDF
TL;DR在卫星图像分类中提出了一种新颖的权重初始化方法，通过在卷积神经网络（CNN）模型的前向和反向传播过程中进行数学上的详细描述，并与现有的权重初始化技术进行了比较分析，在多个真实世界数据集上进行了广泛实验，结果显示该方法在分类准确性上优于之前的竞争技术。
satellite imagerydeep learningweight initialization techniquessatellite image classificationconvolutional neural network (cnn) model
发现论文，激发创造
  • 卷积神经网络的数据相关初始化

    该研究提出了一种快速、简单的数据依赖初始化过程，可避免幻灭或爆炸梯度，并能够与当前领先的无监督或自监督预训练方法相匹配，同时比前人的方法快大约三个数量级，当与预训练方法结合时，可以显著优于先前的工作，在监督和无监督预训练之间缩小差距。

    Nov, 2015

  • 学习高分辨率卫星图像分类的多尺度深度特征

    本文提出了一种用于高分辨率卫星图像分类的多尺度深度特征学习方法，该方法使用卷积神经网络（CNN）和空间金字塔池（SPP-net）技术提高了训练效率，并开发了一种多核学习方法以自动学习这些特征的最佳组合，实验表明该方法相对于其他最先进的方法具有更好的性能。

    Nov, 2016

  • SAR 影像上的深度学习：迁移学习与随机初始化权重的比较

    对合成孔径雷达数据进行深度学习应用于地图制作越来越常见，本文通过对比从头训练和微调预训练模型的性能，发现预训练模型在海冰映像的测试样本中表现更好，尤其是在融化季节。

    Oct, 2023

  • DeepSat - 卫星影像学习框架

    本研究提供了两个新的卫星数据集 SAT-4 和 SAT-6，以及一个卫星影像分类框架，该框架从输入图像中提取特征，将其标准化并将标准化的特征向量馈入深度置信网络进行分类。与其他算法相比，该方法在两个数据集上均表现优异，能有效地学习更好的卫星影像表现.

    Sep, 2015

  • 基于卷积神经网络的解释卫星预测贫困状况研究

    该论文通过细致分析深度卷积神经网络（CNNs）对卫星图像进行预测贫困和发展指标的详细反应，并解释了其预测基础。该 CNN 模型能够在比较低分辨率的白天和夜间卫星图像上优于人类主观观察高分辨率图像进行财富指数分类。多种可解释性实验表明对象大小、像素颜色以及不同结构在输入图像中的重要性，并提供了最大化网络财富指数预测的类型图像的可视化，这为 CNN 预测的依据提供了线索。

    Dec, 2023

  • 利用卫星图像的深度卷积网络进行低地球卫星轨道确定

    本文报道了一种基于卫星本身所拍摄的地球图像的计算机视觉方法，用以确定与地面站失去联系的卫星的轨道，相较现有的 Gibbs 方法，该方法使初始轨道估计与 Kalman 滤波器进行差分误差校正的性能得到充分提升，并通过比较 ResNet50、ResNet101、VGG19、VGG16、AlexNet 和 CoAtNet4 等各种神经网络的性能进行了进一步的研究。

    May, 2023

  • 使用维基百科学习全球卫星图像的解释

    本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题，通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集，并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上，本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。

    May, 2019

  • 时空卷积神经网络的初始化策略

    本研究提出了一种新的方法，可以将视频中的时间信息与在图像上训练的空间卷积神经网络 (ConvNets) 相结合，避免了从头训练时空卷积神经网络 (Spatio-Temporal ConvNets) 的训练。我们提出了几种初始化的方法，用 ImageNet 学习的 2D 卷积权重初始化三维卷积层的权重，并展示了初始权重的重要性，以学习视频的时间表示。我们对 UCF-101 数据集进行了评估，并证明了相比于空间卷积神经网络 (ConvNets) 它的提高。

    Mar, 2015

  • 使用深度卷积神经网络进行卫星图像特征检测: Kaggle 竞赛

    本文讲述了我们在 Kaggle 组织的 DSTL 卫星图像特征检测挑战中的方法，基于卷积神经网络（FCN）改进实现多谱段数据处理，通过修改目标函数、全局训练流程和应用数据增强策略以及反射率指数等，最终在 419 个团队中获得了第三名，精度可与前两名媲美。与其它获胜方案不同的是，我们的解决方案不依赖于复杂的集成技术，因此可以轻松扩展用于生产中的自动特征标注系统的卫星图像分析中。

    Jun, 2017

  • 利用传统特征注入 CNN 模型的卫星图像土地分类

    本文研究在小型的卷积神经网络（CNN）模型上注入传统特征，以提高陆地分类的准确性，实验结果表明，这种方法可以显著提高使用小型 CNN 模型进行土地分类的准确性。

    Jul, 2022