Jan, 2021

远程感知图像任意方向物体检测的关键特征捕获网络 CFC-Net

PDF
TL;DR本文提出了一种名为 CFC-Net 的网络，该网络使用判别式特征来提高遥感图像中对象的检测精度，并通过构建强大的特征表示、优化预设锚点和优化标签分配等方面来改进检测性能。实验结果表明，在三个远程感应数据集中，与许多最先进的方法相比，该方法实现了卓越的检测性能。
object detectionconvolutional neural networksdiscriminative featurescritical feature capturing networkremote sensing images
发现论文，激发创造
  • RFL-CDNet：基于更丰富特征学习的准确变化检测

    利用更丰富的特征学习来提高变化检测性能，我们提出了一种名为 RFL-CDNet 的新型框架，该框架采用深度多重监督来增强中间表示，并设计了 C2FG 模块和 LF 模块来进一步改进特征学习和获得更具有区分性的特征表示。

    Apr, 2024

  • 基于深度学习的不同传感器中高分辨率遥感图像云检测

    本文提出了一种名为多尺度卷积特征融合 (MSCFF) 的基于深度学习的云检测方法，使用对称编码器 - 解码器模块提取多尺度和高级别空间特征，然后设计了一种多尺度特征融合模块，将不同尺度的特征合并，并获得了比传统基于规则的云检测方法和最先进的深度学习模型更高的精度，尤其在覆盖明亮表面区域上。

    Oct, 2018

  • F3Net: 融合、反馈和聚焦用于显著目标检测

    本文提出 F3Net 算法，通过交叉特征模块和级联反馈解码器，结合像素位置感知损失函数，实现高效的显著目标检测，能够在各项指标上优于现有算法。

    Nov, 2019

  • 基于深度特征的目标检测上下文模型

    本文提出了一种综合局部外观特征，对象关系的上下文信息和全局场景上下文特征的集合物体检测系统，该系统采用基于对象建议的完全连接条件随机场（CRF）进行建模，并利用快速平均场近似方法有效地进行 CRF 模型中的推理，实验结果表明，与基线算法 Faster R-CNN 相比，我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度（mAP）.

    Apr, 2016

  • 无损特征反射的显著物体检测

    本研究提出了基于对称全卷积网络的独特特征学习框架，该方法将无损特征反射的指导下，结合显著目标的位置信息、语境和语义信息，用于更精确地进行显著性预测，并使用新的结构损失函数来辅助预测边缘和保证空间一致性。实验表明，该方法在七个显著性检测数据集上均取得了优异的性能，超过了最近的先进方法。

    Feb, 2018

  • HCF-Net：红外小目标检测的分层上下文融合网络

    本文提出了一种深度学习方法 HCF-Net，通过多个实用模块显著提高了红外小目标检测性能。

    Mar, 2024

  • CAD-Net: 远程感知图像中物体的上下文感知检测网络

    本文提出了 CAD-Net，一种新的目标检测网络，利用关注调制特征以及全局和本地上下文来应对使用光学遥感图像进行目标检测的新挑战。实验证明，该网络在两个远程感知图像对象检测数据集上表现良好。

    Mar, 2019

  • 上下文感知的交叉级融合网络用于伪装目标检测

    本文提出了一种新颖的上下文感知交叉级融合网络（C2F-Net），可以解决伪装对象检测（COD）任务。C2F-Net 采用注意力引导的跨级融合模块（ACFM）和双分支全局上下文模块（DGCM）进行高层特征处理，并在三个广泛使用的基准数据集上进行了大量实验，实验结果表明我们的模型优于现有的最先进模型。

    May, 2021

  • 面向非约束遥感图像的多类目标检测

    本文提出了一种新方法，即一个新的联合图像级联和特征金字塔网络，用于在遥感图像中提取多尺度的强和弱语义特征，并进行定向边界框的检测和旋转非极大值抑制，提高了模型的性能。同时，该模型还具有对图像和对象尺度和方向的鲁棒性，可在多类物体检测应用程序中部署。

    Jul, 2018

  • 基于快速傅里叶卷积的卫星遥感图像目标检测

    提出了一种基于频域卷积和双边谱感知的特征金字塔网络的遥感目标检测方法，实验结果表明该方法在小目标检测方面表现突出。

    Sep, 2022