Nov, 2023

多视角学习用于多波长极光图像的自动分类

PDF
TL;DR该论文提出了一种基于多视角的轻量级极光多波长融合分类网络，MLCNet，通过轻量级特征提取与多尺度重构特征以及注意力特征增强模块的设计，有效改善了极光分类性能，达到了先进的分类准确度和计算效率。
auroral classificationmulti-wavelength fusionmlcnetlightweight feature extractionobservational data
发现论文，激发创造
  • 单一与综合多光谱航空影像的融合

    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

  • 全球遥感数据下作物分类的最佳多视角学习模型的研究

    通过多视图学习方法，研究了作物分类问题，探讨了不同融合策略和编码器结构对全球范围农田和作物类型分类任务的影响，并提供了一个技术框架，用于帮助研究者探索作物分类或相关任务。

    Mar, 2024

  • 超越夜间可见性：红外和可见光图像的自适应多尺度融合

    提出了一种自适应多尺度融合网络（AMFusion），通过红外和可见图像的融合规则，分别调整光照分布和提高检测准确性，从而实现针对夜晚物体检测的性能提升。

    Mar, 2024

  • 深度学习与基于 LLM 的方法应用于恒星光变曲线分类

    利用机器学习深度学习技术，本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能，并在天文学应用中展示了高准确率和多模态模型的发展。

    Apr, 2024

  • 多视角融合学习在作物分类中的比较评价

    通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。

    Aug, 2023

  • 变星的深度多次观测分类

    本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

    Oct, 2018

  • 利用空中和地面双视图图像的证据融合进行可信遥感场景分类

    本研究使用证据深度学习模型对多角度遥感数据进行了分类，该模型可有效地计算每个角度数据的可信度，并据此进行决策级融合，从而提高分类结果的准确性。实验结果表明，该方法在公开数据集上取得了最佳效果。

    Jan, 2023

  • 多视图自适应融合网络用于三维物体检测

    本文提出了一种基于多视角融合的 3D 目标检测网络，结合了激光雷达鸟瞰视角、激光雷达距离视角和相机视角图像，使用注意力机制和额外任务优化点特征和结构信息，有效地实现了多视角特征的适应性融合，该网络在 KITTI 3D 目标检测数据集上的表现令人满意。

    Nov, 2020

  • 一种新型轻量级卷积神经网络的实用多光谱和地形数据在华利斯科的多类土地覆盖分析和分类

    通过应用轻量级卷积神经网络，将多源数据进行分类与分析，可以更有效地实现局部土地利用管理和生态系统保护，促进可持续发展目标的实现。

    Jan, 2022

  • 学习可见光和长波红外图像块匹配的多域特征关系

    学习算法在交叉光谱图像块匹配方面取得了有希望的性能，然而在实际应用中仍然存在不足。我们发布了迄今为止最大的可见光和长波红外图像块匹配数据集 VL-CMIM，其中包含 1300 对严格对准的可见光和红外图像，覆盖了包括星际、田地、乡村、建筑、街道和水域等不同场景的超过 200 万个块对。此外，我们提出了一种多域特征关系学习网络（MD-FRN），通过四分支网络提取的特征来学习空间域和尺度域的特征关系。为了更进一步聚合多域关系，我们应用了深度域交互机制（DIM），其中学到的空间关系和尺度关系特征被交换并进一步输入到 MSCRM 和 SCM。通过学习交互式跨域特征关系，我们的模型能够更好地应对不同模态导致的显著外观变化，从而提高了稳健性。

    Aug, 2023