Nov, 2023

利用交叉对比图块嵌入进行野火烟雾检测

PDF
TL;DR本研究提出了基于 Swin Transformer 的 Cross Contrast Patch Embedding (CCPE) 模块，用于提取烟雾特征，并引入了 Separable Negative Sampling Mechanism (SNSM) 解决了烟雾检测中的标签混淆问题。同时，通过发布迄今最大的真实火灾测试集 RealFire Test，对所提出的方法进行了广泛测试和评估，并与基线检测模型进行了显著性能改进的比较。
发现论文，激发创造
  • 使用从头开始训练的 Transformer 进行遥感变化检测

    本文提出了一种全新的变化检测方法，采用转换器进行从头开始训练，并在四个公共基准测试中实现了最先进的性能。该方法使用一种混洗的稀疏注意力操作来捕获 CD 数据的固有特征，并介绍了一种改变增强的特征融合模块来提高相关语义变化，同时抑制噪声。

    Apr, 2023

  • 多光谱 LandSat 图像中烟雾分割的 Transformer 增强 UNet

    提出了一种名为 VTrUNet 的新分割模型，通过红、绿、蓝、近红外和两个短波红外波段的图像为输入，捕捉光谱模式和长距离上下文特征，用于检测各种复杂背景下的烟雾。与其他相关模型相比，该模型在烟雾分割中表现最佳，并在预测性能上取得了显著改进。

    Jun, 2024

  • 基于迁移学习的野火检测：一项调查

    本文调查了不同的公开神经网络模型，这些模型使用安装于山顶或森林瞭望塔上的常规可见光相机来检测野火。在 ImageNet-1K 上预训练并在自定义野火数据集上微调后，评估了这些模型在不同野火图像上的性能，并提供了有关使用迁移学习进行野火检测的有用信息。Swin Transformer-tiny 具有最高的 AUC 值，但 ConvNext-tiny 在我们的数据集中检测到了所有的野火事件，并具有最低的误报率。

    Jun, 2023

  • 对比变压器：具有 Transformer 固有补丁的对比学习方案

    该论文提出了一种对比学习方案 Contrastive Transformer，它可以使现有的对比学习技术（通常用于图像分类）受益于密集下游预测任务（如语义分割）。通过对基于地面真实掩模的斑块进行监督级别的对比学习，选择用于挑选难负样本和难正样本的斑块。该方案适用于所有视觉 Transformer 体系结构，易于实现，并引入最少的额外内存占用。同时，该方案无需使用大批量，因为每个斑块都被视为一张图片。最终的结果在各个类别上得到了一致的增加平均 IoU，并且测试表明该方案具有推广性。

    Mar, 2023

  • 利用无人机捕捉的烟雾模式进行野火火焰时序分析的隐蔽检测

    本文提出了一种利用 RGB 相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。

    Jun, 2023

  • 深烟雾分割

    本研究提出了一种深度烟雾分割网络，通过使用全卷积网络（FCN）、编码器 - 解码器 FCN、融合添加卷积激活层等多种技术手段，可以高效、准确的从模糊的烟雾图像中分割出高质量的 MASK，实现了对烟雾进行精确定位及检测。

    Sep, 2018

  • 人脸变换器用于识别

    使用 sliding patches 修改 Transformer 模型在人脸识别中的表现，并在多个主流数据库上进行了实验，这些 Face Transformer 模型与采用相似参数和计算能力的 CNN 模型性能相当。

    Mar, 2021

  • 跨架构蒸馏用于人脸识别

    该研究提出了两种解决方案，即 URFM 和 APT，帮助在人脸识别的跨体系结构知识蒸馏中解决教师和学生之间的差异性空间信息以及教师网络在处理蒸馏特定知识方面的能力不足的问题。

    Jun, 2023

  • TransReID：基于 Transformer 的目标重识别

    本文介绍了基于 transformer 的物体 ReID 方法 TransReID，通过重新排列 patch embeddings，设计新颖的 jigsaw patch module 和 side information embeddings 模块来提高对细节、摄像机视角等因素的鲁棒性，并在多个 ReID 数据集上实现了最优结果。

    Feb, 2021

  • TransCC: 用于冠状动脉 CCTA 分割的 Transformer 网络

    提出了一种将 Transformer 和卷积神经网络有效融合的深度学习框架 TransCC，通过引入特征交互提取模块 (FIE) 和多层增强感知器 (MEP)，提高了 CCTA 图像分割的性能，平均 Dice 系数达到 0.730，平均交并比 (IoU) 达到 0.582。

    Oct, 2023