使用伪孪生卷积神经网络识别合成孔径雷达和光学图像中的对应图像块
本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法,用于从合成孔径雷达图像生成高质量的可见光图像,实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。
Feb, 2018
本文提出了一种深度学习框架,用于准确的视觉对应,并证明了其在几何和语义匹配中的有效性,提出了一种卷积空间变换器来模仿传统特征(如 SIFT)中的补丁归一化,广泛的 KITTI,PASCAL 和 CUB-2011 数据集的实验表明,与使用手工构建或学习特征的先前作品相比,我们的特征具有显着优势。
Jun, 2016
本文提出了一种卷积神经网络方法,以提高移动设备中在近场条件下智能手机合成孔径雷达成像的超分辨率,具有高效率、高分辨率的雷达成像能力。
May, 2023
本文提出了一种用于光流估计的基于 CNN 的贴片匹配方法,并介绍了适用于 Siamese 网络的新型阈值损失。实验证明我们的方法在精度和训练速度方面均明显优于现有方法,并提出了一种用于不同图像尺度的 CNN 特征计算方法。我们还探讨了评估面向光流贴片匹配应用的特征鲁棒性的新方法,证明了我们方法的领先性能。
Jul, 2016
本研究提出了一个 VHSR SAR 图片数据库,并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性,此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。
Nov, 2017
本研究提出了一种基于深度学习的方法,即图像去斑卷积神经网络(ID-CNN),用于自动从输入的噪声图像中去除斑点。它使用一组卷积层、批量归一化和修正线性单元激活函数以及分量分裂残差层来估计斑点,并使用欧几里得损失和总变分损失的组合进行端到端的训练,与现有的非常规斑点降噪方法相比,在合成和实际 SAR 图像上都取得了显著的改进效果。
Jun, 2017
本文提出了一种基于 PatchNet 模型与 VSAD 特征表达方法的图像场景识别混合表示方案,并在 MIT Indoor67 与 SUN397 两个基准数据集上取得了最新的最优性能结果。
Sep, 2016
研究使用二进制前景掩码并经过合成几何变形的图像来训练卷积神经网络(CNN),以解决语义对应问题,提出了一种新的 CNN 体系结构(称为 SFNet),其实现了这一想法,并展示了在标准基准测试中明显优于现有技术的实验结果。
Nov, 2019
该论文研究如何在高分辨率 SAR 图像中自动识别建筑物,提出了一种基于 SAR 层析成像技术的建筑物点云分类方法和基于深度学习的建筑物检测模型,并在柏林城区进行了验证。
Aug, 2018
本文提出一种新颖的数据关联方法,通过引入一个两阶段的学习方案来匹配检测对,第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征,通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率,表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异,已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。
Apr, 2016