卷积神经网络的压缩方法简介低秩近似剪枝与稀疏约束参数量化二值网络知识蒸馏紧凑的网络结构尽管卷积神经网络在诸如计算机视觉、自然语言处理等领域取得了出类拔萃的效果，但其动辄过亿的参数数量却使得诸多实际应用望而却步(特别是基于嵌入式设备的应用）。经典的VGG-16网络中，其参数数量达到了1亿3千多万。存储代价和计算代价都很大，严重制约了深度网络在移动端等小型设备上的应用。鉴于各种问题，神经网络的压缩逐渐

多方位角极化呵呵层孔径雷达(MA-PolSAR)既可以不分昼夜的提供不同方位角目标散射信息，还能再云、雾、雨的情况下提供不同极化模式下的极化散射信息，使原本不够完整的目标更加及时地、全面地体现出来，因此MA-PolSAR是合成孔径雷达(SAR)研究领域前沿方向之一，对于目标识别、地物信息提取等应用具有重要意义。由于MA-PolSAR的相关研究仍处于初级阶段，相关传感器的设计、成像的方法、以及后端的

我们在训练神经网络模型时，能修改最多的超参数就是学习率，但是大部分方法都只是提议使用一个相当小的数，让自己试验不同的值。因此，很多人都是以这种方式来为他们的架构发现最优学习率，通常会采用一种称为网格搜索(grid search)的技术，就是穷尽搜索一个学习率值的子集，将结果与一个验证数据集比较。这会浪费大量的时间。这里提出一个更为简洁、快速的方法，以便我们找到合适的学习率这种方法是：在一个epoc

清华镜像安装python第三方库

摘要针对雷达对海上目标探测技术研究的数据需求以及目前公开的雷达对海探测数据缺乏的问题，文章提出“雷达对海探测数据共享计划”，旨在利用X波段固态全相参雷达等多型雷达开展对海探测试验，获取不同海况、分辨率、擦地角条件下目标和海杂波数据，并同步获取海洋气象水文数据、目标位置与轨迹的真实数据，实现雷达实测数据的标准化、规范化管理，推荐数据集公开共享，服务于海杂波特性研究，有力地支持海杂波抑制和目标检测技术

针对目前极化合成孔径了雷达目标检测仅使用单一极化检测器进行一次判决而造成检测率较低的问题，给出一种一种新方法，该方法将功率最大合成检测器、极化白化滤波检测器和最优极化检测器融合使用，用目前一种检测器的输出优化后一种检测器的输入，且通过迭代不断优化检测结果。为比较不同目标检测方法的性能，提出一种准则，该准则规定对一幅SAR图像每种检测方法都提取出相同点数的检测结果，虚警点少的方法性能好。实验表明：新

合成孔径雷达(SAR)图像目标识别是实现微波视觉的关键技术之一。尽管深度学习技术已经被成功应用于解决SAR图像目标识别的问题，并显著超越了传统方法的性能，但其内部工作机理不透明、解释性不足，成为制约SAR图像目标识别技术可靠性和可信应用的瓶颈。深度学习的可解释性是目前人工智能领域的研究热点与难点，对于理解和信任模型决策至关重要。SAR图像自动解译技术存在的一些问题SAR图像自动目标识别技术(Aut

遥感影像地物分类是指根据影像中的地物的光谱、纹理、形状等特征，对地物目标进行识别的过程。遥感影像地物分类过程主要有两个部分组成，一是遥感影像的特征提取，二是选择合适的分类器进行地物分类。特征参数的提取是遥感影像地物分类中非常关键的一步，对遥感影像的信息进行抽象，可以得到一组描述遥感影像的特征向量，早期的传统遥感影像分类方法一般是基于像素值来进行的，忽略了遥感影像其他重要的特征，它很难适应较高层次的

今天打开自己的pycharm编译器，发现不能进行错误代码的提示，于是自己百度了一番，最终找到解决方法，这里分享给大家：主要解决路线：pycharm–file–settings–editor–inspections–python–spelling --severity–typo具体见截图：再次回到pycharm中，这时发现，经过修改过后的pycharm,已经能够对错误的代码进行提示了。问题解决，又是

适用于遥感图像处理的神经网络