gis收藏家的博客

在本研究中，我们旨在探索不同的归一化方法，这些方法将更适合卫星图像数据的特性，并能够使分布居中，并减少异常值的影响。尽管在非线性带状直方图变换的情况下，视觉效果可能非常显著，但网络的收敛性和性能并不受这些变化的影响。相反，我们的场描绘实验结果表明，即使对同一方法进行微小的修改（例如，我们如何变换异常值），也会对模型的收敛性和性能产生更大的影响。比较图 10 中的对数和非对数归一化，我们发现对数归一化的效果是保留直方图的平尾，而非对数归一化则会压缩（压缩）长直方图尾部的值，类似于线性归一化中的边界。

要生成 Grad-CAM 可视化，您需要选择一个特定的类，以便了解模型的决策。通过突出显示图像中对模型输出贡献最大的区域，帮助用户了解模型预测的基础。通常覆盖在原始图像上，以直观地表示图像中哪些区域对于模型的决策最为重要。暖色（如红色和黄色）表示重要性较高，而冷色（如蓝色）表示重要性较低。反向传播是根据前向传播的误差更新网络权重的过程。，有助于解释和理解卷积神经网络（CNN）做出的。（梯度加权类激活映射）是一种深度学习中使用的。每个特征图的权重通过平均梯度来计算。加权特征图组合起来生成定位图。