May, 2023

MDENet：用于恶意软件开放集识别的多模态双嵌入网络

PDF
TL;DR本文提出了基于多模态双重嵌入网络 (MDENet) 的恶意软件开放集识别方法，该方法利用来自不同模态的综合特征以增强恶意软件特征空间的代表性和可区分性，并将融合的多模态表示双重嵌入到一个主空间和一个相关子空间中，以实现分类和检测。实验结果表明，我们的方法在广泛使用的恶意软件数据集上表现出了有效性。同时，我们还使用多模态特征丰富了先前提出的大规模恶意软件数据集 MAL-100，并贡献了一个改进版本 MAL-100 +。
malwareopen-set recognitionmdenetmulti-modal featuresmal-100+
发现论文，激发创造
  • MVSS-Net：用于图像篡改检测的多视角多尺度监督网络

    本文介绍了一种新颖的多视角深度学习方法 MVSS-Net 和其增强版 MVSS-Net++，通过同时利用图像临界位置和输入图像的噪声视图进行特征学习，可实现对图像的普适性篡改检测，并通过实验显示表现优秀，且在 JPEG 压缩、高斯模糊和截屏重拍等情况下更具鲁棒性。

    Dec, 2021

  • MS-Net: 用于合成孔径雷达图像中飞机细粒度分类的多模态自监督网络

    提出一个新颖的多模态自监督网络（MS-Net）用于合成孔径雷达（SAR）影像中飞机的细粒度分类，通过大量实验，证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度，对 SAR 影像中飞机的细粒度分类具有开创性意义。

    Aug, 2023

  • DiverseNet：决策多样化的半监督遥感图像语义分割网络

    通过同时提高训练过程中的精确度和多样性，我们提出的 DiverseNet 架构可以使用多头和多模型的半监督学习算法，实现与半监督学习方法相比更高的语义分割性能，并且相对于最先进的方法，我们提出的 DiverseHead 架构在参数空间上相对较轻，同时能够在所有测试数据集上获得高性能的结果。

    Nov, 2023

  • MSE-Nets：用于提高具有模糊边界的医学图像分割的多注解半监督集成网络

    使用有限的多注释和丰富的无注释数据，我们提出了一种多注释半监督集成网络（MSE-Nets），用于医学图像分割任务，通过多种方法增强模型，优化可利用的注释数据，减少重复注释的需求，并提高模型在医学图像分割中的性能。

    Nov, 2023

  • Dcl-Net: 双对比学习网络用于半监督多器官分割

    我们提出了一个双对比学习网络，在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段，我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性，并学习全局上下文。然后，在第二阶段，我们提出了一个器官感知的局部对比学习来进一步吸引类别表示。为了减轻计算负担，我们引入了一个掩码中心计算算法，用于压缩局部对比学习的类别表示。我们在公共的 2017 年 ACDC 数据集和内部的 RC-OARs 数据集上进行的实验证明了我们方法的优越性能。

    Mar, 2024

  • 学会检测

    本文介绍了两种不同的深度神经网络结构：一个标准的全连接的多层网络和一种特别设计用于该任务的检测网络 (DetNet)。我们将投影梯度下降算法的迭代展开成网络，获得了 DetNet 的结构。我们比较了这两种方法的准确性和运行时间，并成功地在保持低计算要求的情况下实现了最先进的性能。此外，我们成功地使用单个网络检测了整个频道分布，并考虑了软输出检测。我们证明这些网络可以被轻松地修改为产生软决策。

    May, 2018

  • Msmsfnet：一种用于边缘检测的多流和多尺度融合网络

    本研究解决了计算机视觉中的边缘检测问题，并提出了一种新的网络架构 msmsfnet，通过从头训练确保公平比较，实验证明我们的模型在三个公开数据集中优于最先进的基于深度学习的边缘检测器。

    Apr, 2024

  • MetaSegNet: 基于元数据协同的视觉语言表示学习用于遥感图像语义分割

    我们提出了一种基于视觉 - 语言表示学习的元数据协作多模态分割网络（MetaSegNet），该网络用于遥感图像的语义分割，并展示了卓越的泛化性能和与现有方法相竞争的准确性。

    Dec, 2023

  • 基于强化学习的多模态特征融合网络用于新类别发现

    利用深度学习技术和强化学习框架，该研究探索了未标记数据识别和分类的方法，实现了在开放域中对新类别的发现，通过多模态信息提取和融合特征，利用自监督学习和聚类方法来增强模型训练，通过环境反馈的奖励调整网络参数，确保对未知数据类别的学习准确性。研究结果在 3D 和 2D 领域的实验数据集上表现出良好的性能。

    Aug, 2023

  • DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

    本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet 更加高效，代码和数据集可在链接中获得。

    Nov, 2020