DarkNet避坑指南！！！！这个框架真的很坑！

1 焦点如何通过卷积方式的选择改进已有网络架构关于convolution2 传统网络为什么用小卷积替代大卷积？（VGG Net）kernel_sizeAdvexpdis_Advlarge_kernel_size感受域范围大AlexNet、LeNet等网络都使用了比较大的卷积核，如5×5,11×11参数量多；计算量大small_kernel_size参数量少；计算量小；整合三个非线性激活层代替单一非

批量下载sentinel精密轨道数据

深度学习入门笔记（1）——什么是深度学习？在很多人眼里，深度学习（Deep Learning）是一个十分高大上的研究手段，它可以模拟人的判断，让数据处理和结果输出具有“人性”，在没接触过的人看来，深度学习简直是“玄学”范畴，网络一通，谁都不爱。但是，在所有人追捧深度学习的同时，对学习这一手段却是望而却步，更有甚者在网上买完“韭菜课”后，原理部分还没看完就不在继续学习。其实，说句实话，深度学习只是被

随机丢弃层当一个复杂的前馈神经网络被训练在小的数据集时，容易造成过拟合。为了防止过拟合，可以通过组织特征检测器的共同作用来提高神经网络的性能。Dropout可以作为训练深度神经网络的一种技巧供选择。在每个训练批次中，通过忽略一般的特征检测器（让一半的隐藏层节点值为0），可以明显的减少过拟合现象，这种方式可以减少特征检测器（隐藏节点）间的相互作用，...

深度学习入门笔记（8）——optim其实，我们在看过深度学习相关文章后，都会明白所说的训练其实就是在让预测结果和标签贴合，而评价贴合过程必采用损失函数，我们通过修改层级权重使得损失最小，而我们这部分要说的optim就是一种参数优化策略。这里我们讲两种传统的优化方式，主要介绍一下一阶optim：（1）一阶optim这种方法使用各个参数的梯度值来更新参数 ，最常用的一阶优化算法是梯度下降所谓的梯度就是

深度学习入门笔记（1）——什么是深度学习？在很多人眼里，深度学习（Deep Learning）是一个十分高大上的研究手段，它可以模拟人的判断，让数据处理和结果输出具有“人性”，在没接触过的人看来，深度学习简直是“玄学”范畴，网络一通，谁都不爱。但是，在所有人追捧深度学习的同时，对学习这一手段却是望而却步，更有甚者在网上买完“韭菜课”后，原理部分还没看完就不在继续学习。其实，说句实话，深度学习只是被

作者用到了两个公开数据集，博主之前没有接触过。因此，凭借这个机会对这些数据集作进一步了解。我觉得这个东西就有点扯淡，以一个多分类的光学预训练权重迁移到一个单通道的目标检测任务中，处理的东西还由RGB转变到了相位？这一定是不科学的（在我看来）。因此，在复现过程中，我并不会去考虑在大数据集上获取一个预训练权重.

InSAR，合成孔径雷达干涉测量，是一种具有高精度观测潜质的影像大地测量学技术之一。之所以说具备“潜质”，是因为InSAR的精度会受到成像过程中的路径延迟、数据处理过程中的解缠误差之类的影响，而无法达到预期的精度。这个问题并不新鲜，其实早在本世纪初，InSAR技术（尤其D-InSAR）初成体系时，就已经有许多学术大牛指出了这些问题。然而，指出也只是指出，直到现在任然没有一个团队或是个人，可以自豪的