CNNs have a large number of hyperpa

CNNs have a large number of hyperparameters, such as input
image patch size, number of layers, number of filters, size of
filters, and parameters for training. The tuning of these hyperparameters
is essential to obtain good performance for a specific
task. The patch size of the input for CNN, the filter size and
pooling stride of the first convolution layer, and the size of
the filters have been tuned to maximize performance in this
study. Exhaustive searching of the best combination of hyperparameters
is very time consuming. In this experiment, the
hyperparameters are tuned in two steps. First, the input image
patch size and filter sizes are tuned using only three images,
each of which is used for training, validation, and training.
Then, the numbers of filters and layers are tuned on the full
data set using the size of input image patch and the size of filters
from the last step.
The patch size of the input image and the filter size are
related with the intrinsic scale and complexity of the problem.
In the tuning experiment, different patch sizes were tested. The
patch size was found to have an impact on the results with
most of the differences coming from the banding effect and
melt surfaces. A patch size of 41 showed the least banding
effect and ice concentration underestimation, which might be
caused by melt conditions, and was therefore adopted. CNN
models with smaller patch size tend to underestimate ice concentration.
Intuitively, the strength and the small-scale texture
of the backscatter of a melt pond are very similar to calm
water [33]; thus, the correct identification of melt ice needs
more information from its neighborhood in the image. A small
patch size causes confusion between melt and water due to this
lack of enough supporting neighborhood information. Using
patch size over 41 does not lead to improved performance.
Similarly, larger patch size also benefits the recognition of
wind-roughened water. If the banding effect were to be totally
removed from the image, the optimal patch size might be
different. Our tuning experiments suggest that the model is not
very sensitive to the selection of other parameters as long as the
model is large enough (sufficient number of filters and layers).
The image analyses are subsampled because their spatial resolution
is much coarser than the SAR images, which introduces
representation errors. It would be beneficial to model the errors
explicitly [35], although the CNN is relatively robust to training
sample errors [17]. Another benefit of the CNN is that it is

ผลลัพธ์ (ไทย) 1:

CNNs มี hyperparameters เช่นป้อนข้อมูลจำนวนมากขนาดโปรแกรมแก้ไขภาพ จำนวนชั้น จำนวนของตัวกรอง ขนาดของตัวกรอง และพารามิเตอร์สำหรับการฝึกอบรม การปรับแต่งเหล่านี้ hyperparametersจำเป็นต้องขอรับประสิทธิภาพดีสำหรับการงาน ปรับปรุงขนาดของอินพุตสำหรับ CNN ขนาดกรอง และร่วมก้าวของการพัฒนาชั้นแรก และขนาดของตัวกรองการปรับเพื่อเพิ่มประสิทธิภาพในการนี้การศึกษา ค้นหาข้อมูลของคอม hyperparametersจะใช้เวลานานมาก ในการทดลองนี้ การhyperparameters ปรับในสองขั้นตอน ครั้งแรก ภาพนำเข้าปรับปรุงขนาดและตัวกรองขนาดปรับใช้เพียงสามภาพแต่ละที่จะใช้สำหรับการฝึกอบรม ตรวจสอบ และการฝึกอบรมแล้ว ปรับตัวเลขของตัวกรองและชั้นบนเต็มชุดข้อมูลที่ใช้ขนาดของกรองและขนาดของภาพที่นำเข้าโปรแกรมปรับปรุงจากขั้นตอนสุดท้ายแก้ไขขนาดของภาพนำเข้าและตัวกรองขนาดที่เกี่ยวข้องกับลักษณะขนาดและความซับซ้อนของปัญหาในการทดลองปรับแต่ง ขนาด patch ต่าง ๆ รับการทดสอบ การแพทช์ขนาดพบว่ามีผลต่อผลลัพธ์ด้วยที่สุดของความแตกต่างที่มาจากแถบผล และละลายพื้นผิว แพทช์ขนาด 41 พบแถบอย่างน้อยผลและน้ำแข็งเข้มข้น underestimation ซึ่งอาจจะเกิดจากเงื่อนไขละลาย และถูกนำมาใช้ดังนี้ ซีเอ็นเอ็นรุ่นที่ มีขนาดเล็กลงแพทช์มักจะ ประมาทความเข้มข้นของน้ำแข็งธรรมชาติ ความแข็งแรงและเนื้อขนาดเล็กของแสงกระจายกลับของบ่อละลายจะคล้ายกับสงบน้ำ [33]; ดังนั้น รหัสถูกต้องละลายน้ำแข็งที่ต้องการข้อมูลเพิ่มเติมจากของย่านในภาพ ขนาดเล็กแพทช์ขนาดสาเหตุความสับสนระหว่างละลาย และน้ำนี้ขาดข้อมูลย่านสนับสนุนเพียงพอ โดยใช้แพทช์ขนาดกว่า 41 ไม่นำไปสู่การปรับปรุงประสิทธิภาพในทำนองเดียวกัน แพทช์ขนาดยังผลประโยชน์การรับรู้ของผิวกระดูกลมน้ำ ถ้าผลแถบจะทั้งหมดเอาออกจากรูปภาพ โปรแกรมแก้ไขที่ดีที่สุดอาจมีขนาดแตกต่างกัน ทดลองปรับแต่งแนะนำว่า แบบไม่มีความสำคัญมากการเลือกพารามิเตอร์อื่น ๆ ตราบรุ่นที่มีขนาดใหญ่เพียงพอ (เพียงพอจำนวนตัวกรองชั้น)วิเคราะห์ภาพมี subsampled เนื่องจากความละเอียดเชิงพื้นที่ของพวกเขาคือหยาบมากกว่าภาพ SAR ที่แนะนำแสดงข้อผิดพลาด มันจะเป็นประโยชน์ต่อรุ่นข้อผิดพลาดชัดเจน [35], แม้ว่าซีเอ็นเอ็นจะค่อนข้างแข็งแกร่งในการฝึกอบรมตัวอย่างข้อผิดพลาด [17] ประโยชน์ของซีเอ็นเอ็นคือ ว่า มันเป็น

ผลลัพธ์ (ไทย) 2:

CNNs มีจำนวนมากของ hyperparameters เช่นการป้อนข้อมูล
ขนาดภาพแพทช์จำนวนชั้นจำนวนของฟิลเตอร์ขนาดของ
ฟิลเตอร์และพารามิเตอร์สำหรับการฝึกอบรม จูนของ hyperparameters เหล่านี้
เป็นสิ่งจำเป็นเพื่อให้ได้ผลงานที่ดีสำหรับเฉพาะ
งาน ขนาดแพทช์ของการป้อนข้อมูลของซีเอ็นเอ็นขนาดการกรองและการ
ร่วมกันก้าวของชั้นบิดแรกและขนาดของ
ฟิลเตอร์ที่ได้รับการปรับเพื่อเพิ่มประสิทธิภาพในการ
ศึกษา ค้นหาครบถ้วนสมบูรณ์ของชุดที่ดีที่สุดของ hyperparameters
ใช้เวลานานมาก ในการทดลองนี้
hyperparameters จะปรับในสองขั้นตอน ก่อนที่ภาพข้อมูล
ขนาดและตัวกรองแพทช์ขนาดจะปรับใช้เพียงสามภาพ
แต่ละที่จะใช้สำหรับการฝึกอบรมการตรวจสอบและการฝึกอบรม.
จากนั้นตัวเลขของตัวกรองและชั้นจะปรับในเต็มรูปแบบ
ข้อมูลตั้งค่าการใช้ขนาดของการป้อนข้อมูล แพทช์ภาพและขนาดของฟิลเตอร์
จากขั้นตอนสุดท้าย.
ขนาดแพทช์ของภาพที่นำเข้าและขนาดตัวกรองจะ
เกี่ยวข้องกับการที่มีขนาดที่แท้จริงและความซับซ้อนของปัญหา.
ในการทดลองปรับขนาดแพทช์ที่แตกต่างกันได้รับการทดสอบ
ขนาดแพทช์ก็จะพบว่ามีผลกระทบต่อผลกับ
ที่สุดของความแตกต่างที่มาจากผลแถบและ
ละลายพื้นผิว ขนาดของแพทช์ 41 แสดงให้เห็นว่าแถบน้อย
ผลกระทบและความเข้มข้นของน้ำแข็งเบาซึ่งอาจจะ
เกิดจากสภาพละลายและดังนั้นจึงถูกนำมาใช้ ซีเอ็นเอ็น
รุ่นที่มีขนาดแพทช์ขนาดเล็กมีแนวโน้มที่จะประมาทความเข้มข้นของไอศ.
สัญชาตญาณความแข็งแรงและเนื้อขนาดเล็ก
ของแสงสะท้อนของบ่อละลายจะคล้ายกันมากเพื่อความสงบ
น้ำ [33]; ดังนั้นประชาชนที่ถูกต้องของน้ำแข็งละลายต้องการ
ข้อมูลเพิ่มเติมจากพื้นที่ใกล้เคียงในภาพ ขนาดเล็ก
ขนาดแพทช์ทำให้เกิดความสับสนระหว่างการละลายและน้ำเนื่องจากนี้
ขาดข้อมูลสนับสนุนย่านพอ โดยใช้
ขนาด 41 แพทช์ไม่ได้นำไปสู่การปรับปรุงประสิทธิภาพการทำงาน.
ในทำนองเดียวกันขนาดแพทช์ขนาดใหญ่ยังได้รับประโยชน์การรับรู้ของ
น้ำลมหยาบ หากผลแถบจะถูกทั้งหมด
ถูกลบออกจากภาพที่มีขนาดแพทช์ที่ดีที่สุดอาจจะ
แตกต่างกัน การทดลองปรับแต่งของเราแสดงให้เห็นว่ารูปแบบจะไม่ได้
มีความสำคัญมากในการเลือกของพารามิเตอร์อื่น ๆ ตราบใดที่
รุ่นมีขนาดใหญ่พอ (จำนวนที่เพียงพอของฟิลเตอร์และชั้น).
การวิเคราะห์ภาพจะ subsampled เพราะความละเอียดเชิงพื้นที่ของพวกเขา
เป็นอย่างมากที่หยาบกว่าภาพ SAR ซึ่งแนะนำ
ข้อผิดพลาดการเป็นตัวแทน มันจะเป็นประโยชน์ในการจำลองความผิดพลาด
อย่างชัดเจน [35] แม้ว่าซีเอ็นเอ็นที่ค่อนข้างมีประสิทธิภาพในการฝึกอบรม
ข้อผิดพลาดตัวอย่าง [17] ประโยชน์ของซีเอ็นเอ็นก็คือว่ามันเป็น