解释多模态数据融合:野外地图制作中的遮挡分析
探究了目前多模态融合模型是否利用补充信息来防御对抗攻击,通过在 MFNet 上应用 FGSM 和 PGD 等对抗攻击进行实验验证,发现多模态融合模型在对抗攻击方面仍然存在脆弱性。
May, 2020
使用混合架构,通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征,以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征,不需要手动调整参数,可以扩展到任意数量和组合的光谱通道,可根据不同用例进行重新配置,超越了现有技术。
Nov, 2023
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。
Dec, 2022
使用双分支深度神经网络和切断机制研究城市地图中 SAR 和光学数据的利用,发现传统的 SAR - 光学数据融合方法虽然达到了良好的性能,但光学数据的利用存在明显的不足。因此,需要进一步研究 SAR 和光学数据的更加平衡的利用是否能够提高性能。
Apr, 2023
利用地球观测数据的多模态性质,提出了一种无监督多模态学习方法 OmniSat,可用于改进森林学、土地覆盖分类和农作物映射等任务,并在半监督和全监督设置下获得更好的性能。
Apr, 2024
本文提出了一种新颖的不完整多模态学习模型,结合双向 LSTM 注意力和掩蔽自注意机制来收集多模态信号,利用重构和对比损失来促进预训练中的融合,能在处理数据不完整输入时达到当前最佳性能水平。
Apr, 2023
基于低质量数据的多模态融合面临四个主要挑战:噪声多模态数据,不完整多模态数据,不平衡多模态数据和质量变化多模态数据。本文通过全面的分类对多模态融合的常见挑战和最新进展进行调研,为研究人员提供了了解该领域现状和发现潜在研究方向的方法。此外,本文还讨论了该领域的开放问题以及有趣的未来研究方向。
Apr, 2024
本研究提出了一种新颖的基于深度学习的多模态数据融合框架,具有异构维度(例如 3D+2D)的兼容定位任务的能力,并在地理萎缩和视网膜血管分割任务上取得了优于现有单模态方法的结果。
Feb, 2024
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