泰州企业自助建站,杭州关键词自动排名,莲湖区建设局网站,北京昌平网站设计前期看的文章大部分都是深度学习原理含量多一点#xff0c;一直在纠结怎么改模型#xff0c;论文看的很吃力#xff0c;看一篇忘一篇#xff0c;总感觉摸不到方向。想到自己是遥感专业#xff0c;所以还是回归遥感影像去谈深度学习#xff0c;回归问题#xff0c;再想着…前期看的文章大部分都是深度学习原理含量多一点一直在纠结怎么改模型论文看的很吃力看一篇忘一篇总感觉摸不到方向。想到自己是遥感专业所以还是回归遥感影像去谈深度学习回归问题再想着用什么方法解决问题。 一、问题与解决方法 1、易丢失空间信息 在 Decoder 阶段输出多尺度特征与 ReEncoder 阶段结合获取全局上下文信息 2、边界信息不明确 保留边界损失函数设计多尺度损失函数级联方法 Attention U-Net在 U-Net 网络高低级语义信息融 合的过程中加入注意力控制模块 Attention gates强化了有效信息的传递对无效信息的传输进行抑制。 二、原理 1、问题一的原理 Unet网络 参考这三篇写的特别详细 Pytorch深度学习实战教程二UNet语义分割网络 - 知乎 (zhihu.com) Pytorch深度学习实战教程三UNet模型训练深度解析 - 知乎 (zhihu.com) 个人记录损失函数优化器选择 U-Net原理分析与代码解读 - 知乎 (zhihu.com) 作者的网络 网络可以看懂但是不懂这样做可以解决第一个问题的原理。 2、问题2的原理 结果
