Reconstructing Cloud-Contaminated Multispectral Images With Contextualized Autoencoder Neural Networ

一、逐像元輸入輸出與鄰域輸入輸出，鄰域處理是先flatten，再unflatten

二、用MDL方法（最小描述長度）尋找自編碼機最佳隱藏層數

三、多目標優化方法尋找MDL方法的超參數，平衡MDL方法兩項的差距

補充學習：

一、Autoencoder（自編碼機）：

　　深度學習中的一種非監督學習，他去學習用少許特徵來描述輸出，在必定的約束下，使輸出和輸入儘可能相同，能夠說是高階的pca。經過學習特徵，完成數據的壓縮和映射。主要就是降維提取主要特徵

　　參考：https://mp.ofweek.com/ai/a045673121216

二、MDL（最小描述長度）：

　　信息論中的方法，在這裏是但願在過擬合和欠擬合的參數量上找到一個平衡值，具體沒看懂

　　參考：https://blog.csdn.net/qq_24102363/article/details/72517106

三、Multiobjective Optimization（多目標優化）：

　　在一堆約束條件下，尋找最小或是最大值。會有不少解，定義一個解統治另外一個解爲其中每一項都小於另外一項，最後會獲得一個解的集合

　　參考：https://blog.csdn.net/paulfeng20171114/article/details/82454310