排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
随着在轨遥感卫星数量的增加及高光谱成像技术的进步,能够获取到的高光谱数据量急剧增长,人类步入了大数据应用和数据驱动的科学发现时代。然而,如此大体量、大幅宽的高光谱数据导致了深度学习算法难以在单节点上学习和推理,为实时高效的信息智能解译带来了极大的挑战。因此,需要综合多星资源分布式协同解析,以解决分块处理带来的块效应。然而,协同处理必然伴随着信息的交互与传输,为进一步降低传输信息量,需要对梯度进行压缩,以缓解分布式学习中的通信瓶颈。本文综合探讨了多种主流的高效通信梯度压缩算法,特别关注其在通信受限的在轨环境下的优劣,并展望了梯度压缩的发展趋势。通过广泛的试验对比,本文全面评估了多种梯度压缩方法在高光谱图像处理中的表现,试验证明不同方法的适用性和性能差异,为未来在实际应用中选择最合适的梯度压缩方法提供了有力的参考。 相似文献
2.
自动编码器(autoencoder, AE)是一种典型的生成模型。由于它具有简单的学习过程、良好的收敛能力和无监督的特性而得到了广泛的应用。AE的目标函数仅是输入输出之间的重构误差。为了提高其性能,提出了对抗性自动编码器(adversarial autoencoder, AAE),可以为原始的AE网络提供变分推理输出。本文回顾有关无监督和半监督的AAE模型在高光谱异常检测(hyperspectral anomaly detection, HAD)中的应用。除了在隐层空间中使用对抗性学习外,还可以通过在编码器的输入和解码器的输出之间添加对抗性学习来提高AAE的性能;通过这种方式,改进后的AAE网络可以更专注于学习数据分布而不仅是点对点的数值重建。试验结果表明,利用这些深度学习模型完成HAD任务的想法超越了传统HAD方法的概念,显著提高了检测性能。 相似文献
1