Aug, 2023

空间门控多层感知器用于土地利用和土地覆盖地图制作

PDF
TL;DR通过引入 SGU-MLP 算法，本文在有限的训练数据情况下，实现了精确的土地利用地覆盖（LULC）映射，并在多个实验中实证了该算法优于基准 CNN 和 CNN-ViT 算法的性能。
convolutional neural networksvision transformersimage classificationsgu-mlp algorithmland use land cover mapping
发现论文，激发创造
  • 应用卷积神经网络对地面图像进行土地利用分类

    使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制，并针对地理位置和室内 / 室外进行筛选和半监督数据增强，从而最终实现了 76% 的准确性。

    Sep, 2016

  • MLP-3D：一种带有分组时间混合的类 MLP 3D 架构

    本文使用 MLP-3D 网络结构实现了基于 token-mixing MLP 和 time mixing 的时序模型，并通过多种不同的 grouping 策略对 GTM 进行了改进，在不使用卷积或 self-attention 机制的情况下，在 Something-Something V2 和 Kinetics-400 数据集上分别实现了 68.5％/ 81.4％的 top-1 准确率，性能与 3D CNNs 和 video transformers 不相上下。

    Jun, 2022

  • 基于拓扑感知的骨架动作识别的多层感知机

    基于骨骼的动作识别中，提出了一种新颖的基于空间拓扑门控单元（STGU）的多层感知器（MLP）模型，通过捕捉编码所有关节之间空间依赖关系的共同出现的拓扑特征来实现对样本特定且完全独立的逐点拓扑注意力的建模，并在三个大规模数据集上取得了竞争性的性能，提高了 62.5％的参数效率，推动了实时动作识别的前沿。

    Aug, 2023

  • S$^2$-MLPv2: 提升空间 - 移位 MLP 视觉模型架构

    本研究致力于改进 S^2-MLP 视觉骨干，将特征图沿通道扩展并将其分成若干部分，然后对分割的部分进行不同的空间变换操作，同时利用分组注意力操作来融合这些分割的部分。采用更小的尺度补丁和金字塔结构提高图像识别的准确性，我们称之为 S^2-MLPv2。中型模型 S^2-MLPv2-Medium 使用 55M 个参数，在没有注意力机制和外部训练数据的情况下在 ImageNet-1K 基准测试中使用 224×224 图像实现了 83.6％的 top-1 准确率。

    Aug, 2021

  • 土地覆盖图像分类

    这篇论文通过比较卷积神经网络和基于 transformer 的方法，探讨了在土地覆盖分类分析领域中，使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集，证明了当前 transformer 模型在该领域取得了最先进的结果。

    Jan, 2024

  • S$^2$-MLP: 视觉任务空间平移 MLP 架构

    本文提出一种新颖的 MLP 架构，空间平移 MLP (S$^2$-MLP)，只包含通道混合 MLP，利用局部接收场进行补丁之间的通信，其参数自由且计算效率高，比 MLP-Mixer 在 ImageNet-1K 数据集上获得更高的识别精度，同时具有与 ViT 相当的性能且更简单的架构。

    Jun, 2021

  • 空间分组增强：改进卷积神经网络中的语义特征学习

    本文提出了一种基于空间组别增强（SGE）的卷积神经网络模块，通过生成每个语义组中每个空间位置的注意力系数来调整每个子特征的重要性，可以在仅接受类别监督训练的情况下显著提高图像识别任务的性能。

    May, 2019

  • 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

  • 一种新的 CNN-Transformer 方法中基于门控 - 移位 - 融合机制的高光谱图像分类增强

    本文介绍了一种包括两个卷积块、一个 Gate-Shift-Fuse（GSF）块和一个 transformer 块的高光谱图像分类模型，通过在局部特征提取方面利用 CNN 的优势以及在远程上下文建模方面利用 transformer 的优势，该模型提供了对高层语义特征的提取能力。同时，提出了一个强化局部和全局空间 - 光谱特征提取的 GSF 块以及一个有效的注意力机制模块，该方法在四个知名数据集上进行了评估，包括 Indian Pines、Pavia University、WHU-WHU-Hi-LongKou 和 WHU-Hi-HanChuan，结果表明该框架相较于其他模型具有更好的效果。

    Jun, 2024

  • 空间深度：用于交通场景理解的空间卷积神经网络

    本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络，该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递，从而加强了卷积神经网络 (CNN) 学习结构输出的能力，特别适用于具有强空间关系但较少外表线索的目标识别任务，例如交通车道检测。实验结果表明，与传统的 RNN 和 MRF+CNN（MRFNet）相比，SCNN 可显著提高车道检测数据集的准确度。

    Dec, 2017