深度学习在很大程度上影响了遥感影像分析领域的研究。然而，大多数现有的遥感深度模型都是用ImageNet预训练权重初始化的，其中自然图像不可避免地与航拍图像相比存在较大的域差距，这可能会限制下游遥感场景任务上的微调性能。

什么是finetuning？在实践中，由于数据集不够大，很少有人从头开始训练网络。常见的做法是使用预训练的网络（例如在ImageNet上训练的分类1000类的网络）来重新finetuning（也叫微调），或者当做特征提取器。以下是常见的两类迁移学习场景：1卷积网络当做特征提取器。使用在ImageNet上预训练的网络，去掉最后的全连接层，剩余

(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)昨天Kaggle新上了一个关于图像识别的比赛，GoogleAI发起了地域包容性图像识别竞赛（InclusiveImagesCompetition），旨在探索图像识别在数据采集地域分布不一致的情况下模型的包容性（Inclusive）。众所周知，正是由于类似ImageNet这样的大规模

摘要我们训练了一个大型的深度卷积神经网络，将ImageNetlsvprc2010竞赛中的120万幅高分辨率图像分成1000个不同的类。在测试数据上，我们实现了top1名的错误率为37.5%，top5名的错误率为17.0%，大大优于之前的水平。该神经网络有6000万个参数和65万个神经元，由5个卷积层和3个完全连接的层组成，其中一些卷积层之