待验证50% 置信事实精确时间

深度学习模型浅层网络学习的边缘、纹理等低层特征具有较强领域无关性，深层网络编码的高层语义特征更具领域特异性

1

来源数

50%

置信度

长期有效

时效性

2026/8/12

首次发现

来源

AI遥感建筑提取：深度学习驱动的十年城市扩张分析

相关事实

待验证深层网络中，传统单一残差连接仍然存在梯度消失问题，导致深层层次学到的有效信息有限75% 相似待验证深度学习方法通过端到端特征学习能自动适应各种复杂场景，这是其相对传统方法的根本优势73% 相似待验证精排层普遍使用深度学习模型如Wide&Deep、DeepFM或Transformer架构进行CTR预估和互动概率计算73% 相似待验证DeepSORT在SORT基础上引入了深度学习提取的外观特征（Re-ID特征），融合外观相似度与运动信息构建成本矩阵72% 相似已验证深度学习使用多层神经网络，其结构受人脑神经元连接方式的启发72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/733368

API

curl https://kongchang.com/api/v1/knowledge/claims/733368

MCP

get_claim(id=733368)