A.遥感图像语义分割就是基于像元光谱特征分类的过程
B.全卷积网络是基于卷积神经网络的最早语义分割网络
C.反卷积也可以转化成经典的卷积过程
D.反卷积是语义分割中恢复卷积特征图的唯一有效方法

A.可通过神经网络隐层将其变换到新的高维特征空间，使其在变换后的特征空间线性可分
B.可在原始特征空间组合多个线性分类器，从而构建非线性分类边界
C.可通过特征变换，将其变换到新的高维特征空间，使其线性可分
D.一定可以设计出分类器无误地将其分开

A.梯度提升决策树是一种组合分类器
B.梯度提升决策树属于统计学习中序列向前的加性/相加模型（additive model）
C.梯度提升树是通过序列添加新的决策树以拟合已有决策树预测损失的梯度
D.梯度提升决策和随机森林一样是基于多数投票的组合分类器

A.对象的中心位置、长宽等定位参数通常被设置为回归问题。
B.对象的中心点位置回归时，通常以选择的锚框中心点坐标为基础，回归优化的目标是使锚框中心点坐标偏离对象真实中心点位置的量与所预测对象的中心点位置偏离对象真实中心点位置的量之间的差异越小越好。
C.对象定位的目标是使预测对象的定位参数直接和对象真实外包络矩阵的参数差异越小越好。
D.对象检测方法的学习是包括对象定位和对象分类的多任务学习问题。

A.增加地物在图像平面上的纹理或几何等特征，提升不同类地物的可分性
B.基于光谱特征，通过增加模型的复杂程度达到有效分类的目的
C.扩充同分布的训练数据规模
D.通过正则化简化分类边界

A.模型过拟合是指把训练样本本身特点当做所有潜在样本都会具有的一般性质
B.分类器在训练数据上错误率很低，但在测试数据上的错误率仍然很高，此时模型很可能处于过拟合状态
C.分类器在测试数据上错误率很高就是处于过拟合状态
D.欠拟合是指模型在训练样本的一般性质尚未被学习器学好

A.地面控制点
B.像点坐标
C.POS数据
D.地面检查点

A.可见光遥感
B.近红外遥感
C.微波遥感
D.高光谱遥感

A.雪
B.水体
C.绿色植物
D.沙漠

A.太阳光实际上是由许多波长的电磁波混合而成的。
B.频率对应着波长，所以说某种电磁波的频率也就是告诉了它在真空中的波长。
C.不同波长的电磁波的成因是不同的，它们的粒子性和波动性也有差异。
D.可见光只是电磁波谱中非常狭窄的一部分，所以在太阳的电磁辐射中它们所占的能量份额最小。