Dec, 2022

遥感应用中深度多视角融合的常见实践和分类方法

PDF
TL;DR本研究旨在回顾地球观测的多视角融合模型的文献，并整合总结相关术语和方法，其中涉及了利用神经网络模型的有监督学习。通过该研究，希望此文献能够促进未来研究并推动该领域的统一进步。
earth observationremote sensingdeep multi-view fusion learningneural network modelssupervise learning
发现论文，激发创造
  • 多视角融合学习在作物分类中的比较评价

    通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。

    Aug, 2023

  • Beyond RGB: 基于多模态深度网络的高分辨率城市遥感技术

    本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

    Nov, 2017

  • 基于深度学习的多模态医学图像分类信息融合技术综述

    多模医学成像在临床诊断和研究中起着关键作用，深度学习多模态融合技术在提高医学图像分类方面显示出强大的工具。本综述对基于深度学习的医学分类任务中的多模态融合的发展进行了彻底分析，包括不同融合方案和网络架构的性能评估，讨论了相关挑战和未来研究方向。

    Apr, 2024

  • 深度多模态数据分析的调查：协作，竞争和融合

    本文综述多模型数据分析的现有状况和未来方向，着重介绍了基于深度神经网络的多特征融合方法，这些方法的关键组成部分是协作，对抗训练和特征融合。

    Jun, 2020

  • 利用空中和地面双视图图像的证据融合进行可信遥感场景分类

    本研究使用证据深度学习模型对多角度遥感数据进行了分类，该模型可有效地计算每个角度数据的可信度，并据此进行决策级融合，从而提高分类结果的准确性。实验结果表明，该方法在公开数据集上取得了最佳效果。

    Jan, 2023

  • 遥感中多源和多时相数据融合

    本文总结了多个研究社区关于多源、多时间数据融合方法的进展，为不同层次（例如学生、研究人员和高级研究人员）的研究者提供了充足的细节和参考，以便于他们在这个具有挑战性的课题上进行新的调查。

    Dec, 2018

  • 城市计算中的跨域数据融合深度学习：分类、进展和展望

    城市计算是一门关键学科，通过整合来自不同领域和模式（如时空、视觉和文本模式）的多源（如地理、交通、社交媒体和环境数据）跨领域数据融合，可为可持续发展提供支持。最近，我们观察到在智能城市中利用各种深度学习方法促进跨领域数据融合的趋势逐渐增长。为此，我们提出了第一份系统综述，对专为城市计算定制的基于深度学习的数据融合方法的最新进展进行了系统回顾。与以往综述相比，我们更关注深度学习方法与城市计算应用之间的协同作用。此外，我们还展望了大型语言模型（LLMs）与城市计算之间的相互影响，并提出了可能会改变该领域的未来研究方向。我们坚信，我们的综述所勾勒出的分类系统、进展情况和前景将会显著丰富研究社区。

    Feb, 2024

  • 多视角三维物体识别的深度模型综述

    综述了基于多视图三维物体识别方法在三维分类和检索任务方面的最新进展，聚焦于基于深度学习和基于 Transformer 技术的方法，包括常用的三维数据集、相机配置和视角数量、视角选择策略、预训练卷积神经网络架构、融合策略以及在三维分类和检索任务上的识别性能，同时考察了多视图分类在计算机视觉应用中的各种情况，并凸显了关键发现和未来发展方向。

    Apr, 2024

  • 遥感中的多模态物体检测

    本文比较了多模式遥感下物体检测的方法，调查了适合评估的多模式数据集并讨论了未来方向。

    Jul, 2023

  • 自动驾驶感知的多模态传感器融合技术综述

    本文针对自动驾驶感知任务中存在的多模态融合问题进行文献综述，分析超过 50 篇包括 LiDAR 和相机在内的感知传感器解决目标检测和语义分割任务的方法，并提出一种更合理的分类方法。

    Feb, 2022