多尺度模式场
提出了一种基于高斯混合模型和简单的多尺度表示的自然图像的概率模型,并展示了这种模型能够生成具有有趣的高阶相关性的图像,并在评估方面表现出到目前为止最好的性能,这是基于平均对数似然度高度相关的一种衡量方式。
Sep, 2011
我们提出了一个名为多尺度 U 形多层感知器(MUMLP)的模型,它由设计的多尺度通道(MSC)模块和 U 形多层感知器(UMLP)结构组成,用于解决高光谱图像像素识别中的关键问题。通过详尽的实验验证,我们的模型在三个广泛应用的公开数据集上表现优于现有方法。
Jul, 2023
本文提出了一种 Masked Image Modeling(MIM)的改进方案,通过在多个不同尺度的层次上进行重构任务,显式地指导多个层次的编码器,在减小预训练负担的同时,在分类、检测和分割任务中取得可比或更好的性能。
Mar, 2023
对多尺度分辨率训练的数据采样器进行了实证研究,发现其行为类似于隐式的数据正则化器,加快了训练速度并提高了模型的准确性、鲁棒性和数据校准性,同时通过渐进增加分辨率的简单课程对多尺度变量批量采样器进行了扩展,实现了 30% 以上的计算减少,并在检测和实例分割任务中观察到了训练 FLOP 减少 37% 以及 Mask R-CNN 模型 mAP 提升 3-4%。
Sep, 2023
该论文介绍了一种基于多种尺度的深度神经网络,用于组织病理学的诊断。实验表明,该神经网络能够在低计算成本下提高模型的性能,并有望广泛应用于组织病理学的深度诊断中。
Sep, 2019
研究了一种新的跨尺度多实例学习算法,并将其应用于病理学影像诊断中,通过整合多尺度信息和跨尺度关系来提高诊断准确率。在内部和公共数据集上均表现出优异的性能。
Apr, 2023
Multicuts 和 higher-order models 在图像分割和计算机视觉中被广泛应用,在考虑 higher-order terms 的计算插值中,我们提出了一种系统的方法,并对各种算法进行了全面和竞争性的评估,此方法允许计算出一组重要的模型的全局最优解,同时不会影响运行时间,同时还研究了可解的松弛问题和后处理技术。
May, 2013
图像的色彩和纹理分布通过空间分辨率和动力学的级联调整得以观察。这些级联过程揭示了自然场景中完全彩色图像遵循持续线性对数标度法则的普遍属性,并且图案的熵具有不可比拟的普遍熵最大值,还有重要的神经网络、非平衡物理和光谱图像领域的研究价值。
Jun, 2024
该研究论文提出了一种图像表示方案,其中等价于使用局部和非局部 patches 刻画构建紧密的帧图像,并称其为卷积 framelets。分析该表示方案得出了高性能的 patch-based image inpainting 算法的新解释,并提出了对其的改进。此外,还建立了卷积 framelet 系数的能量集中性质,为一些成像处理算法提供了自然的框架。
Jun, 2016