亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于無(wú)人機(jī)高光譜的荒漠草原地物精簡(jiǎn)學(xué)習(xí)分類模型

        2023-01-05 06:05:30畢玉革
        關(guān)鍵詞:初始模型精簡(jiǎn)波段

        王 圓 畢玉革

        (1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,呼和浩特 010018;2.鄂爾多斯應(yīng)用技術(shù)學(xué)院信息工程系,鄂爾多斯 017000)

        0 引言

        荒漠草原是我國(guó)北方重要的生態(tài)安全屏障,在保持生物多樣性及維護(hù)生態(tài)平衡方面具有特殊地位[1]?;哪菰匚锍尸F(xiàn)細(xì)碎分布,分類要求趨于精細(xì)化[2],無(wú)人機(jī)低空遙感平臺(tái)克服了傳統(tǒng)遙感空間分辨率不足[3-5]的缺點(diǎn),在草原生態(tài)環(huán)境保護(hù)領(lǐng)域逐漸得到應(yīng)用[6]。高光譜數(shù)據(jù)具有“圖譜合一”的特點(diǎn)[7],在地物精細(xì)識(shí)別分類中,以無(wú)人機(jī)為高光譜成像儀搭載平臺(tái),可充分發(fā)揮納米級(jí)光譜分辨率與厘米級(jí)空間分辨率相結(jié)合的優(yōu)勢(shì)[8-9]。

        從目前研究現(xiàn)狀來(lái)看,許多性能優(yōu)異的卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)過(guò)改進(jìn)后被引入到遙感影像解譯中[10-11],這些模型[12-13]通過(guò)加深網(wǎng)絡(luò)獲取RGB圖像特征[14-15],然而采用經(jīng)典模型缺少對(duì)遙感場(chǎng)景特殊性的考慮[16-18]。大量研究成果為獲得較高分類精度而創(chuàng)建了多層網(wǎng)絡(luò)模型[19-20],如汪傳建等[21]建立7層二維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)多種農(nóng)作物進(jìn)行分類,PI等[22]創(chuàng)建5層三維卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)荒漠草原裸土、植被進(jìn)行分類,這些深度網(wǎng)絡(luò)模型可能存在計(jì)算過(guò)度、耗費(fèi)時(shí)間過(guò)長(zhǎng)等問(wèn)題。應(yīng)用于高光譜遙感的3D-CNN可以同時(shí)提取高光譜遙感影像數(shù)據(jù)的光譜信息和空間信息,缺點(diǎn)是3D-CNN卷積操作本身計(jì)算復(fù)雜度高,易造成計(jì)算壓力加大,訓(xùn)練成本增加等問(wèn)題。

        本文集成無(wú)人機(jī)高光譜遙感系統(tǒng),選擇典型荒漠草原為研究對(duì)象,在保證地物分類精度的基礎(chǔ)上,提出3D-CNN精簡(jiǎn)學(xué)習(xí)分類模型,并通過(guò)超參數(shù)調(diào)優(yōu),以降低模型深度為目標(biāo),向輕量、高效模型方向探索,以期建立適用于荒漠草原細(xì)碎地物分類應(yīng)用的精簡(jiǎn)學(xué)習(xí)分類模型。

        1 研究區(qū)與數(shù)據(jù)采集

        1.1 研究區(qū)概況

        研究區(qū)位于內(nèi)蒙古自治區(qū)四子王旗,地理坐標(biāo)為北緯41°47′17″,東經(jīng)111°53′46″,海拔1 450 m,地處溫帶草原向干旱荒漠過(guò)渡的典型荒漠草原。無(wú)人機(jī)航飛數(shù)據(jù)采集區(qū)域?yàn)?.61 hm2,氣候類型屬于中溫帶大陸性季風(fēng)氣候,春季干旱多風(fēng),夏季炎熱,年降水量約200 mm,該地具有荒漠草原典型地域的特征[23],植被草層低矮稀疏,蓋度低且呈碎片化分布[24-25]。研究區(qū)域位置及無(wú)人機(jī)航飛區(qū)域衛(wèi)星圖像如圖1所示。

        圖1 研究區(qū)域位置及其衛(wèi)星圖像

        1.2 無(wú)人機(jī)高光譜遙感采集系統(tǒng)

        本研究集成的無(wú)人機(jī)高光譜遙感系統(tǒng)為六旋翼無(wú)人機(jī)搭載Gaia Sky-mini型高光譜儀,該高光譜儀具有256個(gè)波段,采用內(nèi)置推掃成像工作方式,光譜分辨率為3.5 nm,光譜范圍為400~1 000 nm,可將高空間分辨率與高光譜分辨率優(yōu)勢(shì)結(jié)合,并實(shí)現(xiàn)“空譜合一”,無(wú)人機(jī)高光譜遙感系統(tǒng)如圖2所示。

        圖2 無(wú)人機(jī)高光譜遙感系統(tǒng)

        2 研究方法

        無(wú)人機(jī)高光譜影像數(shù)據(jù)采集后,在數(shù)據(jù)完成預(yù)處理的基礎(chǔ)上,首先利用目視解譯提取裸土、植被、標(biāo)記物純凈像元光譜,進(jìn)行光譜特征分析,計(jì)算反射率均值,選取特征波段;而后利用特征波段構(gòu)建分類規(guī)則,進(jìn)行閾值統(tǒng)計(jì)與分析,選取最佳可分性閾值,制作數(shù)據(jù)集;最后構(gòu)建精簡(jiǎn)學(xué)習(xí)分類模型,并進(jìn)行超參數(shù)優(yōu)化,圖3為研究方法的具體技術(shù)流程。

        圖3 技術(shù)路線流程圖

        2.1 高光譜影像獲取和預(yù)處理

        2.1.1無(wú)人機(jī)遙感系統(tǒng)數(shù)據(jù)采集及野外實(shí)測(cè)

        根據(jù)2021年荒漠草原氣候特征及其植被的生長(zhǎng)周期特性,在植物長(zhǎng)勢(shì)茂盛的2021年7月上旬進(jìn)行野外試驗(yàn),通過(guò)人工踏訪,在植被相對(duì)聚集區(qū)設(shè)置樣方,共設(shè)置植被混合樣方20個(gè),為滿足光學(xué)遙感所需的氣象條件,選擇無(wú)風(fēng)晴朗少云的天氣進(jìn)行野外數(shù)據(jù)采集并及時(shí)校正標(biāo)準(zhǔn)參考白板。為了便于無(wú)人機(jī)空中采集數(shù)據(jù)辨認(rèn)樣方種類,由樣方外西南角插下藍(lán)色小旗、東北角放置藍(lán)色地墊共同指示,標(biāo)記物圖像如圖4中紅色方框所示。

        圖4 標(biāo)記物圖像

        無(wú)人機(jī)飛行高度30 m時(shí),獲得的高光譜遙感影像的空間分辨率為2.3 cm,滿足荒漠草原裸土、植被群落和標(biāo)志物的目視解譯要求。為了進(jìn)一步減小隨機(jī)誤差,對(duì)每個(gè)樣方采集5次,圖5為無(wú)人機(jī)數(shù)據(jù)采集流程圖。

        圖5 無(wú)人機(jī)數(shù)據(jù)采集流程圖

        2.1.2數(shù)據(jù)預(yù)處理

        本文數(shù)據(jù)預(yù)處理包括去除扭曲變形圖像、輻射校正、濾波降噪等環(huán)節(jié)。先由人工目視法去除因陣風(fēng)影響發(fā)生扭曲變形的圖像,而后使用SpectView軟件進(jìn)行輻射校正,將遙感影像像元亮度值(Digital number,DN)轉(zhuǎn)換為光譜反射率[26],得到地物真實(shí)的反射率數(shù)據(jù),再使用ENVI 5.3軟件進(jìn)行反射率檢查,進(jìn)一步篩選出可用數(shù)據(jù)。由于野外采集光譜受到環(huán)境干擾、儀器噪聲等多種因素影響,導(dǎo)致光譜曲線附帶較多噪聲,影響后續(xù)光譜分析。為使光譜曲線降低噪聲干擾[27],更易發(fā)現(xiàn)波峰、波谷,因此需要對(duì)反射率校正后的光譜曲線進(jìn)行光譜平滑去噪[28-29],本文采用Savitzky-Golay方法進(jìn)行平滑降噪。

        2.2 樣本數(shù)據(jù)制作

        高光譜圖像由數(shù)百個(gè)高度相關(guān)的光譜波段組成,光譜信息豐富,具有遙感大數(shù)據(jù)的特征[30],因此高光譜遙感影像數(shù)據(jù)的處理方式不同于RGB 3波段圖像數(shù)據(jù)處理,高光譜圖像處理通常用到波段選擇[31]、特征提取[32]等方法。

        2.2.1存儲(chǔ)格式轉(zhuǎn)換

        本研究采集數(shù)據(jù)默認(rèn)的存儲(chǔ)格式為波段按行交叉格式(Band interleaved by line format,BIL),由于按波段順序排列存儲(chǔ)格式(Band sequential format,BSQ)更適合空間分析應(yīng)用,因此將無(wú)人機(jī)獲得的高光譜數(shù)據(jù)由BIL格式轉(zhuǎn)換為BSQ格式。

        2.2.2包絡(luò)線去除

        基于荒漠草原地物之間光譜差異微弱的特點(diǎn),直接使用原始反射率光譜構(gòu)建植被指數(shù)難以實(shí)現(xiàn)地物分類,因此需要采用光譜變換的方法增強(qiáng)光譜差異。本文采用包絡(luò)線去除法,將原始反射率光譜進(jìn)行連續(xù)統(tǒng)去除變換,有效突出了地物的光譜特征。

        2.2.3植被指數(shù)構(gòu)建

        利用經(jīng)過(guò)連續(xù)統(tǒng)去除變換后的高光譜數(shù)據(jù),選取第50波段(中心波長(zhǎng)為508.6 nm)和第65波段(中心波長(zhǎng)為543.5 nm)構(gòu)建差值植被指數(shù)(Difference vegetation index,DVI),選取第125波段(中心波長(zhǎng)為686.7 nm)和第145波段(中心波長(zhǎng)為735.8 nm)構(gòu)建歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)。以上2種植被指數(shù)利用近紅外波段高反射率和紅光波段低反射率進(jìn)行波段合成[33]。通過(guò)構(gòu)建的2種植被指數(shù),獲得植被圖像增強(qiáng)的灰度圖,提高了目視解譯精度,便于進(jìn)一步選取感興趣區(qū)域[34-35]。

        2.2.4自制數(shù)據(jù)集

        數(shù)據(jù)采集時(shí)由于空間分辨率的影響導(dǎo)致存在大量混合像元,干擾地物邊界提取,造成光譜數(shù)據(jù)不確定,導(dǎo)致地物像素分類難度加大。通過(guò)對(duì)感興趣區(qū)域裸土、標(biāo)記物、植被3種地物提取純凈端元,構(gòu)建植被指數(shù)分別進(jìn)行閾值統(tǒng)計(jì)。具體過(guò)程為:①通過(guò)選取每類地物各50個(gè)純凈像元確定特征波段。②利用特征波段建立植被指數(shù),獲得灰度圖。③在灰度圖上選出各地物像元,進(jìn)行置信度為5%~95%的DN值統(tǒng)計(jì)。④分析得出各地物的最佳可分閾值,設(shè)定NDVI大于0.15且DVI大于0標(biāo)記為植被,NDVI取[0,0.08]標(biāo)記為裸土。裸土、植被、標(biāo)記物對(duì)應(yīng)的顏色編碼和樣本數(shù)量如表1所示。

        表1 數(shù)據(jù)集顏色編碼和樣本數(shù)量

        在確定地物間最佳可分閾值基礎(chǔ)上制作數(shù)據(jù)集,數(shù)據(jù)集共有181 693個(gè)數(shù)據(jù)樣本,其中裸土有42 608個(gè),標(biāo)記物(地墊、旗子)有586個(gè),植被有138 499個(gè)。在進(jìn)行模型訓(xùn)練之前,隨機(jī)選取數(shù)據(jù)集中80%的數(shù)據(jù)作為訓(xùn)練集,其余20%的數(shù)據(jù)作為測(cè)試集,訓(xùn)練集共有145 354個(gè)樣本,測(cè)試集共有36 339個(gè)樣本,數(shù)據(jù)集標(biāo)簽圖如圖6所示。

        圖6 數(shù)據(jù)集標(biāo)簽圖

        2.2.5數(shù)據(jù)降維

        高光譜圖像數(shù)據(jù)大量波段間的高度相關(guān)性帶來(lái)了數(shù)據(jù)冗余,有必要進(jìn)行數(shù)據(jù)降維[36],本研究獲取的高光譜數(shù)據(jù)共有256個(gè)波段,采用主成分分析(PCA)法,設(shè)置8個(gè)新的主成分進(jìn)行降維,將圖像信息保留到98%以上。

        2.2.6patch分割

        高光譜遙感數(shù)據(jù)地物分類是類似于圖像語(yǔ)義分割的技術(shù),即把分類器的預(yù)測(cè)結(jié)果映射到遙感影像的每個(gè)像素,實(shí)現(xiàn)影像分割。3D-CNN是以影像像素的鄰域塊作為網(wǎng)絡(luò)的輸入,基于滑動(dòng)窗口patch進(jìn)行高光譜遙感影像語(yǔ)義分割,設(shè)置窗口尺寸為17,即表示采用一個(gè)尺寸17×17的滑動(dòng)窗口,按照從左到右、從上到下遍歷整個(gè)高光譜遙感影像,將每個(gè)窗口的內(nèi)容放在卷積神經(jīng)網(wǎng)絡(luò)里面進(jìn)行分類,分類結(jié)果就是每一個(gè)窗口的中心像素點(diǎn)的類別。

        2.3 精簡(jiǎn)學(xué)習(xí)分類模型構(gòu)建和精度評(píng)價(jià)

        2.3.1精簡(jiǎn)學(xué)習(xí)分類模型構(gòu)建

        與傳統(tǒng)的機(jī)器學(xué)習(xí)特征工程[37-38]相比,深度學(xué)習(xí)可以自動(dòng)提取圖像內(nèi)在深層特征,有利于解決復(fù)雜的分類問(wèn)題,因此現(xiàn)有研究中模型卷積層個(gè)數(shù)普遍大于1層,但隨著層數(shù)的增加容易造成計(jì)算過(guò)度的問(wèn)題。本研究旨在建立適用于荒漠草原地物分類的單層卷積學(xué)習(xí)分類模型,以構(gòu)建精簡(jiǎn)模型的思路解決荒漠草原地物分類的問(wèn)題,并在此基礎(chǔ)上,進(jìn)行網(wǎng)絡(luò)超參數(shù)的優(yōu)化,達(dá)到高精度識(shí)別各類地物的目的,精簡(jiǎn)學(xué)習(xí)分類模型結(jié)構(gòu)示意圖如圖7所示。

        圖7 精簡(jiǎn)學(xué)習(xí)分類模型結(jié)構(gòu)示意圖

        初始網(wǎng)絡(luò)模型中,卷積核數(shù)量為4,卷積核尺寸為7×7×7,窗口尺寸為17,學(xué)習(xí)率為0.001,批量規(guī)模為32,訓(xùn)練輪數(shù)為100。初始網(wǎng)絡(luò)模型如表2所示。

        表2 初始網(wǎng)絡(luò)模型

        2.3.2精度評(píng)價(jià)

        為評(píng)價(jià)精簡(jiǎn)學(xué)習(xí)分類模型的分類精度,本文采用混淆矩陣、測(cè)試準(zhǔn)確率、總體分類精度(Overall accuracy,OA)、平均分類精度(Average accuracy,AA)、Kappa系數(shù)等作為精度評(píng)價(jià)指標(biāo),對(duì)分類結(jié)果進(jìn)行分析并評(píng)價(jià)模型性能。其中,混淆矩陣以表格形式對(duì)多分類結(jié)果進(jìn)行可視化展示,總體分類精度以數(shù)值形式表示被正確分類的樣本數(shù)占分類樣本總數(shù)的比例。

        3 結(jié)果與分析

        3.1 初始模型可視化分類結(jié)果

        對(duì)初始精簡(jiǎn)學(xué)習(xí)分類模型進(jìn)行訓(xùn)練,得到初始模型分類結(jié)果:初始模型的裸土測(cè)試準(zhǔn)確率為99.835%,植被測(cè)試準(zhǔn)確率為99.913%,Kappa系數(shù)為0.988,總體分類精度(OA)為99.573%。

        初始模型可視化分類結(jié)果如圖8所示,從圖8可以看出,初始模型未識(shí)別到任何標(biāo)記物,即標(biāo)記物識(shí)別率為0%,初始模型平均分類精度為66.583%,識(shí)別結(jié)果未達(dá)到預(yù)期效果,因此本模型需進(jìn)行超參數(shù)優(yōu)化,進(jìn)一步改善模型分類性能。

        圖8 初始模型可視化分類結(jié)果

        3.2 精簡(jiǎn)學(xué)習(xí)分類模型超參數(shù)優(yōu)化

        根據(jù)參數(shù)邏輯關(guān)系及單變量原理,依次調(diào)整初始精簡(jiǎn)學(xué)習(xí)分類模型中的超參數(shù),逐步得到最優(yōu)超參數(shù)組合并進(jìn)行預(yù)測(cè)。具體超參數(shù)有訓(xùn)練輪數(shù)、卷積核尺寸、卷積核數(shù)量、學(xué)習(xí)率、批量規(guī)模等。

        (1)訓(xùn)練輪數(shù)。通過(guò)反復(fù)多次進(jìn)行模型訓(xùn)練,結(jié)果顯示模型在訓(xùn)練輪數(shù)前50次期間,訓(xùn)練精度已趨于一個(gè)穩(wěn)定值,所以在隨后訓(xùn)練中,訓(xùn)練輪數(shù)均取50即可。

        (2)卷積核數(shù)量。卷積核起到特征提取的作用,增加卷積核數(shù)量可以提高模型性能,訓(xùn)練時(shí)間也相應(yīng)增加。因此在初始精簡(jiǎn)學(xué)習(xí)分類網(wǎng)絡(luò)模型卷積核數(shù)量為4的基礎(chǔ)上,逐漸增加卷積核數(shù)量至5、6、7、8、9、10,分別進(jìn)行模型精度測(cè)試,得到總體分類精度分別為95.546%、99.912%、99.931%、99.568%、99.584%、99.917%。

        當(dāng)卷積核數(shù)量為5、6、7時(shí),總體分類精度逐步升高,卷積核數(shù)量為7時(shí)達(dá)到最大值。當(dāng)卷積核數(shù)量為8時(shí),分類精度下降,卷積核數(shù)量為9和10時(shí),分類精度有所上升,但未達(dá)到最大值。

        (3)學(xué)習(xí)率及卷積核尺寸。保持初始模型的學(xué)習(xí)率為0.001,卷積核數(shù)量為4,將卷積核尺寸分別設(shè)置為1×1×1、3×3×3、5×5×5時(shí),得到分類結(jié)果如表3所示,從表3可看出,這3種卷積核尺寸條件下的標(biāo)記物均未被識(shí)別出。

        表3 初始模型的學(xué)習(xí)率為0.001時(shí)的分類結(jié)果

        將學(xué)習(xí)率設(shè)置為0.000 1,對(duì)卷積核尺寸依次設(shè)置為1×1×1、3×3×3、5×5×5、7×7×7,得到分類結(jié)果如表4所示。

        表4 初始模型的學(xué)習(xí)率為0.000 1時(shí)的分類結(jié)果

        由表4可以看出,在學(xué)習(xí)率為0.000 1條件下,卷積核尺寸為3×3×3、5×5×5、7×7×7時(shí)均可以高精度識(shí)別標(biāo)記物,模型在卷積核尺寸為7×7×7時(shí)達(dá)到最優(yōu)。

        (4)批量規(guī)模。在初始模型各項(xiàng)參數(shù)保持不變的基礎(chǔ)上,取批量規(guī)模依次為16、32、64、128、256、512,對(duì)比模型在不同批量規(guī)模下的分類結(jié)果,如 圖9所示。當(dāng)學(xué)習(xí)率保持0.001時(shí),改變批量規(guī)模,隨著批量規(guī)模增加,各項(xiàng)指標(biāo)均得到提升,當(dāng)批量規(guī)模為512時(shí),模型分類結(jié)果達(dá)到最優(yōu)。

        圖9 不同批量規(guī)模的分類結(jié)果

        (5)其他參數(shù)。將卷積層valid模式更改為same模式進(jìn)行訓(xùn)練,分類效果基本不變,卷積運(yùn)算模式對(duì)本模型分類結(jié)果影響不大;將池化參數(shù)由(1,1,2)更改為(2,2,2)后進(jìn)行訓(xùn)練,結(jié)果顯示此操作不能對(duì)標(biāo)記物識(shí)別結(jié)果起到改善作用。

        3.3 模型優(yōu)化結(jié)果分析

        研究表明學(xué)習(xí)率、卷積核尺寸、批量規(guī)模對(duì)精簡(jiǎn)學(xué)習(xí)分類模型性能影響較大,而卷積模式、池化參數(shù)對(duì)模型性能影響較小。綜合以上研究結(jié)果,設(shè)定各超參數(shù)為:批量規(guī)模為512,學(xué)習(xí)率為0.000 1,卷積核尺寸為7×7×7,訓(xùn)練輪數(shù)為50,卷積核數(shù)量為4,連續(xù)訓(xùn)練5次,分類結(jié)果如表5所示。

        表5 連續(xù)訓(xùn)練5次的分類結(jié)果

        通過(guò)模型優(yōu)化,本研究將初始精簡(jiǎn)學(xué)習(xí)分類模型在數(shù)據(jù)集上的總體分類精度從99.573%提高到99.746%(5組數(shù)據(jù)的計(jì)算平均值)。模型優(yōu)化后可視化分類結(jié)果如圖10所示。

        圖10 模型優(yōu)化后的可視化分類結(jié)果

        分析初始學(xué)習(xí)精簡(jiǎn)分類模型識(shí)別標(biāo)記物小樣本出現(xiàn)的問(wèn)題,原因是學(xué)習(xí)率為0.001時(shí),損失函數(shù)曲線波動(dòng)較大,不利于標(biāo)記物的識(shí)別??蓪W(xué)習(xí)率降低,設(shè)置學(xué)習(xí)率為0.000 1,采用優(yōu)化后的超參數(shù)組合,得到模型損失函數(shù)曲線如圖11所示,由圖11可知,曲線較為平滑,模型優(yōu)化效果較好。

        圖11 優(yōu)化后模型損失函數(shù)曲線

        4 結(jié)論

        (1)針對(duì)荒漠草原植被稀疏、裸土呈細(xì)碎化分布的特點(diǎn),集成了無(wú)人機(jī)高光譜遙感系統(tǒng),選擇在典型荒漠草原進(jìn)行地物光譜數(shù)據(jù)采集,首次提出基于3D-CNN的精簡(jiǎn)學(xué)習(xí)分類模型,對(duì)荒漠草原植被、裸土、標(biāo)記物等地物進(jìn)行分類,得到了較高精度。精簡(jiǎn)學(xué)習(xí)分類模型具有輕量、高效的特點(diǎn),在荒漠草原地物的分類與識(shí)別應(yīng)用中具有較大優(yōu)勢(shì)。

        (2)采集的無(wú)人機(jī)高光譜數(shù)據(jù)具有256個(gè)波段,不能直接輸入精簡(jiǎn)分類模型,需通過(guò)主成分分析法進(jìn)行降維,為保留98%的信息量,獲得8個(gè)主成分,若保留更少的信息量,主成分?jǐn)?shù)量也可減少,分類模型可進(jìn)一步簡(jiǎn)化。

        (3)對(duì)初始模型調(diào)優(yōu)的過(guò)程中發(fā)現(xiàn)3個(gè)主要規(guī)律:針對(duì)初始模型對(duì)標(biāo)記物的識(shí)別效果不佳問(wèn)題,通過(guò)對(duì)學(xué)習(xí)率、批量規(guī)模、卷積核尺寸、卷積核數(shù)量等超參數(shù)優(yōu)化,可有效提高標(biāo)記物識(shí)別率,而通過(guò)改變卷積模式、池化參數(shù)等方式,不能改善標(biāo)記物識(shí)別效果;學(xué)習(xí)率對(duì)模型訓(xùn)練有較大影響,當(dāng)學(xué)習(xí)率偏大時(shí),損失函數(shù)曲線呈現(xiàn)出較大波動(dòng),不利于標(biāo)記物識(shí)別,應(yīng)降低學(xué)習(xí)率,使損失函數(shù)曲線趨于平滑后再進(jìn)行標(biāo)記物識(shí)別;在確定適當(dāng)學(xué)習(xí)率基礎(chǔ)上,選擇尺寸較大的卷積核有利于標(biāo)記物的分類與識(shí)別。精簡(jiǎn)學(xué)習(xí)分類模型的優(yōu)化建立在多種超參數(shù)不斷調(diào)整的基礎(chǔ)上,需充分對(duì)比不同組合分類效果,來(lái)獲得精度高、耗時(shí)短、性能穩(wěn)定的最優(yōu)模型。

        猜你喜歡
        初始模型精簡(jiǎn)波段
        基于地質(zhì)模型的無(wú)井區(qū)復(fù)頻域地震反演方法
        春日暖陽(yáng)
        時(shí)常精簡(jiǎn)多余物品
        特別健康(2018年2期)2018-06-29 06:14:00
        一種面向應(yīng)用的流量監(jiān)測(cè)精簡(jiǎn)架構(gòu)設(shè)計(jì)
        電子制作(2017年17期)2017-12-18 06:40:47
        大地電磁中約束初始模型的二維反演研究
        地震包絡(luò)反演對(duì)局部極小值的抑制特性
        基于逆算子估計(jì)的AVO反演方法研究
        M87的多波段輻射過(guò)程及其能譜擬合
        日常維護(hù)對(duì)L 波段雷達(dá)的重要性
        西藏科技(2015年4期)2015-09-26 12:12:58
        應(yīng)用于SAN的自動(dòng)精簡(jiǎn)配置架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)
        亚洲国产理论片在线播放| 青青草成人在线免费视频| 中文无码成人免费视频在线观看| 中文字幕亚洲视频一区| 亚洲熟妇丰满多毛xxxx| 装睡被陌生人摸出水好爽| 激情亚洲的在线观看| 免费视频亚洲一区二区三区| 男人扒开女人双腿猛进视频| 久久久精品人妻一区二区三区四| 亚洲午夜久久久久中文字幕| 国产精品美女一区二区av| 国产无遮挡aaa片爽爽| 在教室伦流澡到高潮hgl视频| 国内自拍偷拍亚洲天堂| 成人国产自拍在线播放| 久久96日本精品久久久| 最新国产熟女资源自拍| 欧美成人国产精品高潮| 亚洲av伊人久久综合密臀性色| 欧美三级免费网站| 日本大胆人体亚裔一区二区| 99久久婷婷国产精品综合网站| 国产情侣真实露脸在线| 亚洲日本va午夜在线影院| 国产在线欧美日韩一区二区| 人妻秘书被社长浓厚接吻| 久久久亚洲欧洲日产国码二区| 18禁美女裸身无遮挡免费网站| 亚洲精品国产不卡在线观看| 国产成人一区二区三区影院| 亚洲欧美日韩成人高清在线一区| 欧美理论在线| 三级黄片一区二区三区| 国产av无码专区亚洲a∨毛片| 熟妇人妻av无码一区二区三区| 日韩精人妻无码一区二区三区 | 巨人精品福利官方导航| 女同亚洲女同精品| 久久综合这里只有精品| 国产精品久久国产精麻豆99网站|