本研究提出了一种新方法来检测带阴影的树冠，并提供了一个约 50,000 对 RGB - 热成像图像的数据集，以促进未来对光照不变检测的研究。该方法完全基于自我监督，并使用域对抗性训练来提取特征并进行前景特征对齐，以实现领域无关的表示，并通过融合两个模态的互补信息来有效地改进已训练的 RGB 检测器的预测并提高整体准确性。实验证明，所提出的方法优于基线的 RGB 训练检测器和依赖于无监督域自适应或早期图像融合的最先进技术。

Oct, 2023

基于光学遥感传感器的先进技术，高空间分辨率多光谱图像的制作为实现经济高精度的森林清查和分析提供了巨大潜力。本综述旨在对光学遥感图像进行个体树冠检测和描绘相关研究进行系统回顾，并将所评估的方法归类为传统图像处理方法、传统机器学习方法和基于深度学习的方法。同时，讨论了与光学遥感数据相关的若干问题和未来的研究方向。

Oct, 2023

提出 IS-CAM (Integrated Score-CAM) 方法来增加卷积神经网络的可解释性，通过将积分操作引入 Score-CAM 管道来实现更加清晰的定位图，并在 ILSVRC 2012 验证数据集的 2000 张随机选择的图像上进行了评估，证明了 IS-CAM 对不同模型和方法的适应性。

Oct, 2020

本文提出了一种名为 CAPE 的新型 CAM 方法，通过对图像区域的统一概率评估来改善 DNN 解释性，在 CUB 和 ImageNet 等数据集上与最先进的 CAM 方法进行了量化和定性比较，并在描绘具有挑战性的 CMML 诊断问题的细胞学成像数据集上进行了测试。

Apr, 2024

通过对农业和林业中神经网络在肥料处理分类和木材鉴别中的可解释性进行研究，我们发现目前最先进的归因图方法的实用性存在重大问题。这些归因图经常无法准确突出关键特征，并且与领域专家认为重要的特征经常不一致，这对决策过程的理解提出了重要问题。我们的研究对农业和林业领域中归因图的可信度和实际应用性提供了重要见解，有助于更好地理解这些应用领域中的神经网络。

Feb, 2024

本文提出了一种高效的级联缩放检测器（CZ），它利用密度引导的训练和推断解决了在高分辨率航拍图像中检测拥挤小目标的问题，并在 VisDrone 数据集上表现出优异的性能。

Mar, 2023

我们的研究比较了应用于图像分类的激活方法（ABM）中最先进的方法，并通过引入新技术 Feature CAM，得到了在可解释性方面比现有技术提高 3-4 倍的结果。

Mar, 2024

本文提出一个名为 Score-CAM 的新型可解释性模型，通过与先前基于类激活映射的方法不同的方式，通过目标类的前向传递得分获得每个激活映射的权重，在权重和激活映射的线性组合下获得最终结果。它获得了更好的视觉性能，良好的公平性，适用于识别和定位任务，以及作为调试工具。该方法摆脱了对梯度的依赖，并通过测试验证。

Oct, 2019

提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

Apr, 2020

本研究通过对 Score-CAM 的改进，提出了一种增强的可视化解释方法 SS-CAM，通过平滑操作在图像中生成目标特征的集中定位，从而优于 Score-CAM 在忠实度和定位任务方面，对深度卷积神经网络的内在决策进行了分析和理解。

Jun, 2020