研究目的
利用卷积神经网络(CNN)绘制2017年早稻分布图,该网络的参数源自预训练成功的CNN模型,并通过微调进行优化。
研究成果
实验验证了通过对少量数据进行微调,使用中分辨率遥感数据的CNN模型可迁移至不同时期的早稻制图任务,总体精度达到81.68%。
研究不足
CNN算法对数据的需求极大,若不使用迁移学习,每个映射任务都需要大量的训练数据。
研究目的
利用卷积神经网络(CNN)绘制2017年早稻分布图,该网络的参数源自预训练成功的CNN模型,并通过微调进行优化。
研究成果
实验验证了通过对少量数据进行微调,使用中分辨率遥感数据的CNN模型可迁移至不同时期的早稻制图任务,总体精度达到81.68%。
研究不足
CNN算法对数据的需求极大,若不使用迁移学习,每个映射任务都需要大量的训练数据。
加载中....
您正在对论文“[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚(2018.7.22-2018.7.27)] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于时域迁移深度卷积神经网络的早稻制图方法”进行纠错
纠错内容
联系方式(选填)
称呼
电话
单位名称
用途
期望交货周期
称呼
电话
单位名称
用途
期望交货周期