.png){kind=icon}
返回
Towards a Representation Framework for EO Deep Learning Models in SDI
.png){kind=icon}
PRE
AI
DOI：10.1111/tgis.70216.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习（DL）在地球观测（EO）中的快速应用引发了关于模型共享和复用的担忧。地球观测（EO）领域现有的深度学习模型（DLM）缺乏统一且可互操作的方法进行描述。为解决此问题，需要建立全面且可互操作的描述框架，以将FAIR（可发现、可访问、可互操作、可复用）原则应用于EO DLM。本文提出了一种EO DLM的形式化表示方法。分析了形式化模型的关键考量因素，包括模型生命周期、模型来源、模型推理、模型约束和模型质量。随后提出了概念模型和内容模型，并给出了实现方案。用例验证了该方法在空间数据基础设施（SDI）中共享和复用DLM的适用性。研究结果有助于将传统SDI转变为AI就绪的SDI。
Keyword:
AI-ready SDI
deep learning (DL)
deep learning model
earth observation (EO)
geospatial metadata
interoperability
期刊
T
IF:
2.3
论文数:
171
被引数:
2.9K
机构
引用论文
Reusing Deep Learning Models: Challenges and Directions in Software Engineering深度学习模型复用：软件工程中的挑战与方向
OAAI
.png){kind=icon}
OAAI分享收藏Exploring the frontiers of deep learning and natural language processing: A comprehensive overview of key challenges and emerging trends探索深度学习和自然语言处理的前沿: 主要挑战和新兴趋势的综合概述
OAAI
OAAI分享收藏Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions深度学习: 技术、分类、应用和研究方向的综合概述OAAI
OAAI分享收藏
查看更多内容