論文の概要: Weight Initialization Techniques for Deep Learning Algorithms in Remote Sensing: Recent Trends and Future Perspectives

• arxiv url: http://arxiv.org/abs/2102.07004v1
• Date: Sat, 13 Feb 2021 21:21:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 16:06:02.645534
• Title: Weight Initialization Techniques for Deep Learning Algorithms in Remote Sensing: Recent Trends and Future Perspectives
• Title（参考訳）: リモートセンシングにおける深層学習アルゴリズムの重み付け初期化技術:最新動向と今後の展望
• Authors: Wadii Boulila, Maha Driss, Mohamed Al-Sarem, Faisal Saeed, Moez Krichen
• Abstract要約: 本論文は,深層学習モデルにおける重み初期化に着目した最初の調査である。 実践者がこの有望な分野でさらなる研究を進めるのに役立つだろう。
• 参考スコア（独自算出の注目度）: 0.9624643581968988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During the last decade, several research works have focused on providing novel deep learning methods in many application fields. However, few of them have investigated the weight initialization process for deep learning, although its importance is revealed in improving deep learning performance. This can be justified by the technical difficulties in proposing new techniques for this promising research field. In this paper, a survey related to weight initialization techniques for deep algorithms in remote sensing is conducted. This survey will help practitioners to drive further research in this promising field. To the best of our knowledge, this paper constitutes the first survey focusing on weight initialization for deep learning models.
• Abstract（参考訳）: 過去10年間に、多くのアプリケーション分野において、新しいディープラーニング手法を提供することに焦点が当てられた研究がいくつかある。 しかし,深層学習における重み初期化プロセスについて検討した例はほとんどないが,その重要性は深層学習性能の向上に向けられている。 これは、この有望な研究分野に新しい技術を提案する上での技術的困難によって正当化できる。 本稿では,リモートセンシングにおける深層アルゴリズムの重み初期化技術に関する調査を行う。 この調査は、実践者がこの有望な分野でさらなる研究を進めるのに役立つだろう。 本論文は,深層学習モデルにおける重み初期化に着目した最初の調査である。

関連論文リスト

• Deep Learning in Deterministic Computational Mechanics [0.0]
  本稿では,計算力学の応用よりも深層学習に焦点をあてる。 主な聴衆は、この分野に参入しようとしている研究者や、計算力学の深層学習の概観を得ようとする研究者である。
  論文  参考訳（メタデータ） (2023-09-27T05:57:19Z)
• Deep Learning for Iris Recognition: A Survey [66.55441036931555]
  我々は、虹彩生体計測における2つの主要なサブタスク(セグメンテーションと認識)のために開発された深層学習手法を包括的に分析する。 第3に,特に死後虹彩認識において,法医学的応用のための深層学習手法を深く研究した。 第4に、虹彩認識のためのディープラーニング技術におけるオープンソースのリソースとツールについてレビューする。
  論文  参考訳（メタデータ） (2022-10-12T01:58:09Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Outdoor Monocular Depth Estimation: A Research Review [0.8749675983608171]
  本稿では, 利用可能なデータセット, 深度推定方法, 研究成果, トレンド, 課題, およびオープンリサーチに必要な機会について概説する。 我々の知る限り、公開調査では、屋外深度推定技術と研究範囲の総合的な収集は行われていない。
  論文  参考訳（メタデータ） (2022-05-03T10:10:08Z)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
  本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。 後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
  論文  参考訳（メタデータ） (2020-12-02T15:56:11Z)
• A Survey on Deep Learning Techniques for Video Anomaly Detection [0.0]
  本稿では,ディープラーニングを用いた異常検出の分野における最近の進歩について概観する。 ディープラーニングは、コンピュータビジョンや自然言語処理など、人工知能の多くの分野で成功している。
  論文  参考訳（メタデータ） (2020-09-29T16:40:46Z)
• Deep Learning for Change Detection in Remote Sensing Images: Comprehensive Review and Meta-Analysis [12.462608802359936]
  まず,変化検出に頻繁に採用される深層学習法の基本について紹介する。 そこで本研究では,リモートセンシング画像の深層学習に基づく変化検出手法に着目し,既存の手法の概要を概説する。 これらの調査の結果、今後の研究のために、将来有望な新たな方向性が特定された。
  論文  参考訳（メタデータ） (2020-06-10T02:14:08Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。