本文介绍了一种基于分类角度提取全局上下文的概念，利用 Attentional Class Feature 模块根据每个像素计算和自适应组合不同的分类中心，并基于 ACF 模块提出了 Attentional Class Feature 网络，通过两种已有的 segmentation 网络实验，证明其在 Cityscapes 数据集上获得了新的最先进表现，mIoU 为 81.85%。

Sep, 2019

本研究提出了一种高效的端到端卷积神经网络架构 AclNet，该网络采用数据增强和正则化训练后，在 ESC-50 语料库上取得了 85:65％的准确率，且高效的运算和内存需求可开启能源高效平台的始终在线推理。

Nov, 2018

我们专注于城市场景点云的语义分割方法，提出了一种名为 APNet 的网络架构，利用不同上下文信息和网络架构的协同利用，将点云分支和航空影像分支进行几何感知融合，以达到数据融合的最佳性能。实验证明，融合模块的输出始终优于各个网络分支的结果，并且 APNet 在 SensatUrban 数据集上取得了 65.2 的 mIoU 的最新性能。

Sep, 2023

本文提出了一种基于深度学习的算法，称为 Cloud-Net，用于在仅有少量谱带的卫星影像中探测云层，实验结果显示，该算法在 Jaccard Index 上的性能超过了现有算法的 8.7%。

Jan, 2019

通过引入混合变压器架构的深度学习模型，并验证其利普希茨稳定性理论和经验，本文提出了一种名为 CLiSA（Cloud segmentation via Lipschitz Stable Attention network）的有效云层遮罩生成方法，实验证明该方法在多个卫星图像数据集中表现出优越性能，并从多光谱（MX）图像中提取云层的准确性更好，同时展示了对不同体系结构和目标函数的不同割离研究。

Nov, 2023

提出了一种新的模型，称为 AttaNet，用于在保持高效的同时捕获全局上下文和多级语义，通过 Strip Attention 模块和 Attention Fusion 模块实现低复杂度计算和加权特征融合技术，并在两个语义分割基准测试中进行了广泛的实验，取得了不同水平的速度 / 精度平衡和领先的表现。

Mar, 2021

本文介绍了一种新型的自适应连接神经网络 (ACNet)，以两个方面改进了传统的卷积神经网络 (CNN)。首先，ACNet 通过自适应地确定特征节点 (如特征映射的像素) 之间的连接状态，采用了灵活的方式在处理内部特征表示时切换全局和局部推理；其次，ACNet 还能处理非欧几里德数据。在各种基准测试中，包括图像分类、语义分割等，实验分析表明，ACNet 不仅可以实现最先进的性能，还可以克服传统 MLP 和 CNN 的局限性。

Apr, 2019

此篇研究论文提出一种灵活的模块 ASAP 进行点云的时空特征学习，在考虑多帧跨帧信息的同时结合注意力和结构信息，提高了点云序列的分割准确性和泛化能力，并在 Synthia 和 SemanticKITTI 数据集上表现出比基线和以往方法更好的效果。

Aug, 2020

本文提出了一种新的方法 ACNet，通过 Attention Complementary Module (ACM) 和 三个并行分支的结构，ACNet 能够从不同通道提取更多高质量的特征，在 SUN-RGBD 和 NYUDv2 数据集上得到了更好的表现，特别地，在 NYUDv2 测试集上，ResNet50 取得了 48.3% 的 mIoU 得分，并在 https URL 上发布了源代码和经过训练的分割模型。

May, 2019

ATAC-Net 框架利用深度学习在视觉异常检测中应用，从一小部分已知先验异常样本中进行训练，使用注意力引导裁剪提供对疑似区域的更近距离视图，并在可比较的情况下证实其优越性。

Jun, 2024