Jul, 2023

基于可学习的三维分组卷积的空间光谱高光谱分类

PDF
TL;DR本文提出了一种基于改进的 3D-DenseNet 模型和轻量级模型设计的可学习组卷积网络 (LGCNet)，用于加速在具有严格延迟要求和受限计算能力的边缘设备上模型的部署，该网络通过引入针对输入通道和卷积核分组的动态学习方法改善了组卷积的不足，从而实现灵活的分组结构和更好的表示能力。此外，LGCNet 在印度藤条，帕维亚大学和 KSC 数据集上取得了速度和精度方面的进展，优于主流的高光谱图像分类方法。
deep neural networkshyperspectral image classificationlearnable group convolution network3d-densenet modelmodel deployment
发现论文，激发创造
  • 基于动态分组卷积的高光谱遥感图像分类的高效三维 DenseNet (DGCNet)

    该研究设计并提出了一种基于动态分组卷积的轻量级模型，并应用于高光谱图像分类计算任务，取得了较高的速度和准确度，较传统方法优越。

    Jul, 2023

  • S2RC-GCN：一种基于高光谱影像的空间 - 光谱可靠对比图卷积网络用于复杂土地覆盖分类

    提出了一种名为 S2RC-GCN 的新型空间光谱可靠对比图卷积分类框架，通过融合一维和二维编码器提取的光谱和空间特征，构建图形并将其输入到图卷积网络中以确定更有效的图形表示，进一步提出了一种可靠的对比图卷积方法以学习和融合鲁棒特征，测试结果表明该模型在复杂对象分类方面取得了最佳效果，有效提高了复杂遥感图像的分类性能。

    Apr, 2024

  • 基于图卷积网络的高光谱图像分类

    探讨使用最小批次图卷积网络和融合策略，对高光谱图像进行分类识别的性能提升。

    Aug, 2020

  • 带有空间组卷积的高效语义场景补全网络

    通过空间分组卷积（SGC）来加速 3D 密集预测任务的计算。SGC 是一种与组卷积正交的方法，它作用于空间维度而不是特征通道维度。它将输入体素划分为不同的组，然后在这些分离的组上进行 3D 稀疏卷积。在进行卷积时，只有有效的体素被考虑到，因此可以大大减少计算量并略微降低精度。我们将所提出的操作用于语义场景完成任务，该任务旨在从单个深度图像中预测具有语义标签的完整 3D 体积。基于 SGC，我们进一步提出了一种高效的 3D 稀疏卷积网络，它利用了多尺度架构和粗到精的预测策略。在 SUNCG 数据集上进行了评估，并实现了最先进的性能和快速速度。我们的代码可在 https URL 上获得。

    Jul, 2019

  • 动态组卷积用于加速卷积神经网络

    本文提出一种动态组卷积 (Dynamic Group Convolution, DGC) 方法，它不仅保留了原有网络结构，还能够根据输入图像动态选择连接哪些输入通道，以实现对图像语义特征的自适应提取，有效提高了卷积神经网络的计算效率和图像分类性能。

    Jul, 2020

  • 对比图卷积网络用于高光谱图像分类

    本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。

    May, 2022

  • 基于空间信息引导的卷积神经网络实现实时 RGBD 语义分割

    提出 Spatial information guided Convolution（简称 S-Conv）算法，将 RGB 特征与 3D 空间信息高效地集成，不会严重影响实时应用，可用于语义分割任务，实现出色的性能，并在 NYUDv2 和 SUNRGBD 数据集上获得最先进的性能。

    Apr, 2020

  • 用于三维点云语义标记的全卷积网络

    本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率，F1 分数比最高准确率方法高 1.69%。此外，本文还展示了该方法可轻松扩展到 2D 语义分割任务。

    Oct, 2017

  • 使用三维卷积神经网络学习时空特征

    通过在大规模监督视频数据集上使用训练的深度三维卷积神经网络（3D ConvNets）提出了一种简单而有效的时空特征学习方法。我们的成果有三个：1）相对于 2D ConvNets，3D ConvNets 更适用于时空特征学习；2）所有层中具有小的 3x3x3 卷积核的同构体系结构是 3D ConvNets 中表现最佳的体系结构之一；3）我们学到的特征 —— 即 C3D（卷积 3D）—— 连同一个简单的线性分类器，在 4 个不同的基准测试中优于最先进的方法，并与其他 2 个基准测试中的最佳方法相当。此外，这些特征紧凑：只需 10 维便能在 UCF101 数据集上达到 52.8％的准确率，由于 ConvNets 的快速推理，计算效率也非常高。最后，它们在概念上非常简单易用且易于训练和使用。

    Dec, 2014

  • 面向语义分割的类别动态图卷积

    该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

    Jul, 2020