MrD's Blog

我干了什么究竟拿了时间换了什么

【机器学习】Understanding AUC - ROC Curve

在机器学习中，性能度量是一项必不可少的任务。所以当涉及到分类问题时，我们可以依靠AUC - ROC曲线。当我们需要检查或可视化多类分类问题的性能时，我们使用AUC (Area Under the Curve) ROC (Receiver Operating Characteristics)曲线。它是检验任何分类模型性能最重要的评价指标之一。也可以写成AUROC (Area Under the...

Posted by ShawnD on May 14, 2022

【深度学习】A Gentle Introduction to Graph Neural Networks

神经网络已被用于利用图的结构和性质。我们探索了构建图神经网络所需的组件，并 motivate 了它们背后的设计选择。本文是两篇关于图神经网络的 Distill 出版物之一。请参 https://distill.pub/2021/understanding-gnns/ ，以理解图像上的卷积如何自然地归纳为图上的卷积。图无处不在; 现实世界中的对象通常是根据它们与其他事物的 conn...

Posted by ShawnD on May 13, 2022

【深度学习】Understanding Graph Convolutional Networks for Node Classification

神经网络在过去的十年里取得了巨大的成功。然而，早期的神经网络只能使用 regular 数据或欧几里得数据来实现，而现实世界中的很多数据都是非欧几里得的图结构。数据结构的 non-regularity 导致了图神经网络的最新进展。在过去的几年里，各种各样的图神经网络被开发出来，图卷积网络(GCN)就是其中之一。GCNs也被认为是一种基本的图神经网络变体。在本文中，我们将深入研究由 Th...

Posted by ShawnD on May 9, 2022

【深度学习】Training Graph Convolutional Networks on Node Classification Task

本文介绍了使用Spektral API实现图卷积网络(GCN)的过程，Spektral API 是一个基于Tensorflow 2的图深度学习Python库。我们将使用 CORA 数据集进行半监督节点分类，类似于Thomas Kipf和Max Welling(2017)在原始GCN论文中提出的工作。 Dataset Overview CORA citation network 数据集由2...

Posted by ShawnD on May 9, 2022

【深度学习】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

Abstract 这篇文章提出了一种 scalable 的方法，用于在图结构数据上进行半监督学习，该方法基于一种直接作用于图的卷积神经网络的有效变体。通过 Spectral 图卷积的局部一阶近似来激发卷积结构的选择。模型在图边的数量上线性缩放，并学习对局部图结构和节点特征进行编码的隐层表示。在 citation network 和 knowledge graph 数据集上的...

Posted by ShawnD on May 9, 2022

【深度学习】HYPERSPECTRAL MEASUREMENTS FOR SHIP DETECTION USING AIRBORNE IMAGE DATA

Abstract 遥感卫星或机载图像可以帮助在广阔的区域内以高分辨率对船只进行快速监测。这篇文章研究采用基于 pixel-level 的混合技术对以渔船和游艇为主的海洋船舶进行 airbone 高光谱检测，并采用 objective ellipse 拟合方法估计船舶尺寸。采用N-FINDR、pixel purity index(PPI)、independent component ...

Posted by ShawnD on May 8, 2022

【深度学习】Summary of Target Detection Algorithms

Abstract 近年来，CNN的飞速发展促进了计算机视觉算法的成熟。本文将简要介绍一些有代表性的目标检测算法，并根据其优缺点，系统分析算法存在的问题、改进方法和未来的发展方向。针对目标检测过程中是否需要提取候选区域进行后续任务的问题，一般分为单阶段检测模型和双阶段检测模型。在双阶段检测模型中，算法具有尺度特征，根据是否能与网络结构适当结合，将算法分为单尺度检测和多尺度检测，提...

Posted by ShawnD on May 7, 2022

【深度学习】Object Detection in Hyperspectral Images

Abstract 高光谱图像的高光谱分辨率允许对观测图像中的物体进行检测和分类。然而，现有的高光谱检测研究主要集中在 pixel-level 研究，部分原因是典型对地观测应用的空间分辨率较低。随着成像技术的发展，可以获得高空间分辨率的高光谱数据，许多应用需要目标级的检测。在这项工作中，制定了基于目标的高光谱检测问题，然后根据该问题的具体特点设计了卷积神经网络。此外，创建了一...

Posted by ShawnD on May 7, 2022

【深度学习】Meta-Learning based Hyperspectral Target Detection using Siamese Network

Abstract 在预测监督信息有限的数据时，基于深度迁移学习的高光谱目标检测方法预计网络将不需要大量的再训练来泛化到陌生的应用环境。元学习是深度学习中解决这一问题的有效而实用的框架。提出了一种基于元学习的基于 Siamese 网络的高光谱目标检测方法。首先，设计了深度残差卷积特征嵌入模块，将光谱向量嵌入欧几里得特征空间。然后，在设计的三通道 Siamese 网络上使用已知标记...

Posted by ShawnD on May 7, 2022

【深度学习】Airborne ObjectDetection Using Hyperspectral Imaging: Deep Learning Review

Abstract 高光谱图像在目标检测中的应用越来越重要，特别是在遥感场景中。机器学习算法已经成为高光谱图像分析的新兴工具。高光谱图像的高维性和模拟光谱样本库的可用性使深度学习成为一种很有吸引力的方法。本报告回顾了该领域最近的数据处理和目标检测方法，包括基于深度学习神经网络的手工和自动特征提取。根据现有的报告和我们自己的实验(即，在新的数据集上重新实现和测试)比较准确性性能。...

Posted by ShawnD on May 7, 2022