Aug, 2023

LEFormer：一种用于从遥感图像中准确提取湖泊的混合卷积神经网络 - Transformer 架构

PDF
TL;DR提出了一种名为 LEFormer 的混合卷积神经网络 - 变换器架构，用于准确提取湖泊。LEFormer 包含 CNN 编码器、变换器编码器、交叉编码器融合和轻量级解码器四个主要模块，通过这种架构在两个数据集上实现了先进的性能和效率，优于现有方法。
lake extractionremote sensing imagerycnn-transformer architectureleformerstate-of-the-art performance
发现论文，激发创造
  • HiFormer: 使用 Transformer 实现的分层多尺度表示，用于医学图像分割

    本文提出了一种新的方法 HiFormer，它通过使用 Swin Transformer 模块和基于 CNN 的编码器设计了两种多尺度特征表示来有效地跨越 CNN 和 Transformer 进行医学图像分割。在编码器解码器结构的跳跃连接中，我们提出了 Double-Level Fusion（DLF）模块，以确保从两个上述表示中获得的全局和局部特征的细粒度融合。在各种医学图像分割数据集上的广泛实验表明，HiFormer 在计算复杂度、定量和定性结果方面优于其他基于 CNN、Transformer 和混合方法。

    Jul, 2022

  • LAPFormer: 一个轻量且准确的息肉分割 Transformer

    本文介绍了一种新型的编码器 - 解码器结构的 LAPFormer 模型，使用分层 Transformer 编码器来提取全局特征，并结合了用于捕获息肉局部外观的 CNN 解码器，包括渐进特征融合模块，特征细化模块和特征选择模块来处理特征，模型在多个息肉分割数据集上进行测试表现良好。

    Oct, 2022

  • MISSFormer：一种有效的医学图像分割变压器

    提出了一种基于 Transformer 的医学图像分割方法 ——MISSFormer，通过改良的 Transformer 块和上下文桥，结合 CNN 和 Transformer 的优点，在医学图像分割任务上获得了优秀的性能，代码已开源。

    Sep, 2021

  • LPFormer: 多任务网络 LiDAR 姿态估计 Transformer

    本文介绍了一种使用 LiDAR 和 3D 注释的姿势估计方法 LPFormer，该方法使用第一阶段的多级特征表示检测人类边界框并提取特征表示，第二阶段的基于 Transformer 的网络使用这些特征来回归人体关键点，并在 Waymo Open 数据集上获得了最佳性能和改进。

    Jun, 2023

  • AerialFormer：针对航拍图像分割的多分辨率 Transformer

    本文提出了 AerialFormer 方法，该方法融合 Transformers 和轻量级 MD-CNNs，并应用于航空影像分割领域。在 iSAID、LoveDA 和 Potsdam 三个数据集上进行了广泛的实验研究，结果表明该方法比之前的最先进方法表现更卓越。

    Jun, 2023

  • DUFormer：航拍图像中电力线路分割的一种新型架构

    该论文提出了一种用于航空图像中的电力线检测的语义分割算法 DUFormer，该算法采用具有强归纳偏差的卷积神经网络，以及一个重量级令牌编码器，负责重叠特征再挖掘和标记化，结果显示该算法在公开可用的 TTPLA 数据集上的电力线分割任务中达到了最先进水平的表现。

    Apr, 2023

  • SeaFormer: 移动语义分割的压缩增强轴向 Transformer

    本文介绍了一种新的方法 Squeeze-enhanced Axial TransFormer（SeaFormer），用于移动语义分割，并通过在 ADE20K 和 Cityscapes 数据集上达到了最佳分割准确性和延迟之间的权衡，在 ARM 基础的移动设备上打败了移动友好的竞争对手和基于 Transformer 的对手，同时具有更好的性能和更低的延迟，并可进一步用于图像分类问题，展示作为一个通用移动友好的主干的潜力。

    Jan, 2023

  • UWFormer：一种基于半监督多尺度 Transformer 的水下图像增强方法

    该研究通过使用多尺度转换网络和半监督学习，提出了一种用于增强多频率图像的方法，通过非线性频率感知注意机制和多尺度融合前馈网络进行低频增强。此外，还引入了一种专门的水下半监督训练策略，提出了一个水下感知损失函数以生成可靠的伪标签，实验证明该方法在数量和视觉质量方面优于现有的水下图像增强方法。

    Oct, 2023

  • TreeFormer：一个基于半监督 Transformer 框架的单幅高分辨率图像树木计数方法

    本文提出了一种半监督的基于 Transformer 框架的 TreeFormer 方法，通过采用金字塔表示模块、上下文关注的特征融合和树密度回归模块来建立多尺度特征表示，进而通过图像解码器实现对树的数量统计和密度估计，降低了树的标注成本，通过在训练过程中使用未标注的图像和局部树密度的连贯性损失和局部树计数排名损失，使用 Tree counter 令牌规范网络可以计算标注和未标注图像的全局树计数，在 Jiangsu、Yosemite 和 KCL-London 数据集上进行实验，结果表明该方法超越了当前半监督方法的最新水平，并且使用相同数量的标注图像超越了全监督方法。

    Jul, 2023

  • 自动建筑轮廓提取的混合特征嵌入

    本文提出了一个基于 CNN 和 Transformer 以及主动轮廓模型的模型，用于从原始图像中准确识别轮廓并构建建筑物的大纲，同时设计了一个三分支解码器结构来处理由编码器生成的不同特征。实验结果表明，我们的模型在两个数据集上优于其他基准模型，在 Vaihingen 上达到了 91.1% 的 mIoU，在 Bing 屋上达到了 83.8%。

    Jul, 2023