多尺度空间非对称再校准图像分类
最近,基于隐式神经表示的方法在任意尺度超分辨率(ASSR)方面展现出了出色的能力。我们设计了多尺度隐式变换器(MSIT),其中包含一个多尺度神经操作器(MSNO)和多尺度自注意力(MSSA)。通过功能增强、多尺度特征提取和多尺度特征融合,MSNO 获得了多尺度潜在编码。MSSA 进一步增强了潜在编码的多尺度特征,从而提高了性能。此外,为了改进网络性能,我们提出了与累积训练策略相结合的重互作用模块(RIM),以改进网络学习信息的多样性。我们首次在 ASSR 中系统地引入了多尺度特征,并进行了大量实验证明了 MSIT 的有效性,我们的方法在任意超分辨率任务中取得了最先进的性能。
Mar, 2024
本文提出了一种新颖的注视模型用于语义分割,该模型聚合了多尺度和上下文特征进行预测。该模型使用骨骼卷积神经网络框架输入多个不同的尺度,进而可以获取不同尺度的表示。提出的注视模型将分别处理不同尺度的特征并集成它们。然后,该模型的位置注视分支学习到每个像素位置上的多尺度特征的软加权。此外,我们添加了一个重新校准分支,与位置注视分支平行,用于重新校准每个类别的分数图。在 PASCAL VOC 2012 和 ADE20K 数据集上,我们取得了相当有竞争力的结果,超过了基线和相关工作。
Jul, 2018
本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务,该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模,实验结果表明,与其他先进方法相比,MSDCNN 可以获得质量更高的图像。
Dec, 2017
本文提出了一个名为 SARAS-Net 的新型深度学习模型,结合了关系感知、尺度感知和交叉转换器三个模块,以更好地解决场景变化检测中存在的空间信息、尺度改变和交互信息等问题,并在多个公共数据集上取得了 State-of-the-Art 准确度。
Dec, 2022
本论文提出了一种新颖的空间梯度缩放方法,该方法根据特征映射的空间特征测量互信息,动态学习每个卷积层的缩放,并证明了空间梯度缩放实现了与分支再参数化相同的学习动态,同时不引入网络结构变化。实验结果表明,我们提出的缩放方法在不搜索再参数化结构的情况下,以较低的计算成本优于最先进的再参数化策略。
Mar, 2023
本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性,使用卫星图像中嵌入的邻域信息实现所需的空间平滑,并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上,使用深度神经 网络的特征,相较于空间自回归基线,数据估计精度提高了 57%。
Oct, 2016
该研究提出了一种名为对比特征对齐 (CFA) 的解决方案,旨在学习具有稳健性的不变表示形式,通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型,以获得逐步学习不变目标表示的能力,该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估,并成功证明其在不熟悉的环境中识别目标的效能
Apr, 2023
本文提出了一种基于学习的方法,通过迭代索引平面扫描成本体积并借助卷积门控循环单元来回归深度图,从而进行多视角深度估计。经过对真实世界多视图数据集的大量实验,验证了该方法在数据集内部性能和跨数据集概括性能方面都达到了最先进水平。
May, 2022