一个适用于大规模数据集的多任务深度学习模型用于高光谱图像的分类和回归
原文中文，约300字，阅读约需1分钟。发表于：。为了解决遥感领域中多样化和复杂场景下模型泛化性及可扩展性问题，本研究提出了一种用于高光谱图像的多任务深度学习模型，能够同时执行多个分类和回归任务。该方法通过共享编码器和任务特定解码器网络进行特征学习，并通过密集空洞金字塔池化层和注意力网络提取多尺度上下文信息，以及通过优化多任务损失的参数来提高模型性能和效率。实验结果表明，所提出的方法明显优于其他先进方法，均值性能更高且变异性较低。
本研究提出了一种用于高光谱图像的多任务深度学习模型，能够同时执行多个分类和回归任务。该方法通过共享编码器和任务特定解码器网络进行特征学习，并通过密集空洞金字塔池化层和注意力网络提取多尺度上下文信息，以及通过优化多任务损失的参数来提高模型性能和效率。实验结果表明，该方法优于其他先进方法。
