1.课程设计目的
2.数据介绍
3.实验步骤
3.1几何校正
3.2影像裁剪
3.3监督分类
3.4分类器选择
3.5分类后处理
3.6精度验证
3.7土地利用专题图
3.8土地利用变化图
3.9计算NDVI归一化植被指数与植被覆盖度FV
4.实验小结与感想
5.附录用图
2022-01-24 09:05:13
101.18MB
自监督学习（Self-supervised learning）最近获得了很多关注，因为其可以避免对数据集进行大量的标签标注。它可以把自己定义的伪标签当作训练的信号，然后把学习到的表示（representation）用作下游任务里。最近，对比学习被当作自监督学习中一个非常重要的一部分，被广泛运用在计算机视觉、自然语言处理等领域。它的目标是：将一个样本的不同的、增强过的新样本们在嵌入空间中尽可能地近，然后让不同的样本之间尽可能地远。这篇论文提供了一个非常详尽的对比自监督学习综述。
2022-01-23 22:33:07
5.72MB
1