Reconstructing Cloud-Contaminated Multispectral Images With Contextualized Autoencoder Neural Networ

一、逐像元输入输出与邻域输入输出，邻域处理是先flatten，再unflatten

二、用MDL方法（最小描述长度）寻找自编码机最佳隐藏层数

三、多目标优化方法寻找MDL方法的超参数，平衡MDL方法两项的差距

补充学习：

一、Autoencoder（自编码机）：

　　深度学习中的一种非监督学习，他去学习用少许特征来描述输出，在必定的约束下，使输出和输入尽可能相同，能够说是高阶的pca。经过学习特征，完成数据的压缩和映射。主要就是降维提取主要特征

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

二、MDL（最小描述长度）：

　　信息论中的方法，在这里是但愿在过拟合和欠拟合的参数量上找到一个平衡值，具体没看懂

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

三、Multiobjective Optimization（多目标优化）：

　　在一堆约束条件下，寻找最小或是最大值。会有不少解，定义一个解统治另外一个解为其中每一项都小于另外一项，最后会获得一个解的集合

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