Dec, 2023

频谱驱动的混合频率网络用于高光谱显著性物体检测

PDF
TL;DR通过从频谱中提取低频谱显著性和高频谱边缘两个不同的频率成分，利用频谱特征，我们引入一种新颖的轻量级 SMN 网络用于提取输入高光谱图像中的显著性和边缘信息，该方法在 HSOD 性能方面优于现有的先进方法。
hyperspectral salient object detectionspectral informationspectral saliencyspectral edgesmn
发现论文，激发创造
  • DMSSN: 高光谱显著目标检测的蒸馏混合光谱 - 空间网络

    通过提出一种名为 DMSSN 的新方法，利用深度网络进行多波段图像数据降维和特征提取，实现了对复杂场景下的高光谱显著目标的精确检测，同时创建了一个大规模的高光谱显著目标检测数据集 HSOD-BIT。

    Mar, 2024

  • 面向 RGB-D 显著性目标检测的分层动态滤波网络

    本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

    Jul, 2020

  • HyperFusion-Net: 密集反射融合用于显著目标检测

    在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

    Apr, 2018

  • 基于统一光谱 - 空间特征聚合的高光谱图像目标检测

    本文提出了一种新型的基于深度学习的高光谱图像目标检测算法，该算法通过充分利用高光谱图像中的光谱和空间信息的相互作用，使得在现有数据集上可实现更准确和可靠的结果。

    Jun, 2023

  • 高分辨率显著目标检测

    本文提出了一种新的方法，利用全局语义信息和本地高分辨率细节相结合的方式，完成高分辨率显著性区域检测，并进行了实验验证，证明本方法优于现有的最先进方法。

    Aug, 2019

  • 学习自适应融合模型以进行多模态显著目标检测

    多模态显著目标检测 (MSOD) 通过将可见资源与深度或热红外资源整合，旨在提高显著性检测的性能。本文提出了一种新颖的自适应融合模块，利用一组基本融合方案的互补优势来同时处理不同挑战，以实现鲁棒的 MSOD。通过实验证明，该方法在多个数据集上相较于最先进的方法取得了卓越的性能。

    Jun, 2024

  • HODINet: RGB-D 显著物体检测高阶不一致交互网络

    本文提出了一种高阶差异交互网络（HODINet）用于 RGB-D 显著目标检测，通过使用 Transformer 和 CNN 作为主干来编码 RGB 和深度特征，并将高阶表示嵌入到空间和通道关注力中以在不同阶段融合跨模式特征，实验证明该方法在四种评估指标下与 24 种现有方法相比具有竞争性的性能。

    Jul, 2023

  • SSF-Net：具有谱角感知的空间光谱融合网络用于高光谱目标跟踪

    提出了一种具有光谱角度感知的空间 - 光谱融合神经网络（SST-Net），用于高光谱目标跟踪。

    Mar, 2024

  • 高分辨率显著目标检测的循环多尺度 Transformer

    本研究提出了一个新的高分辨率显著物体检测 (High-Resolution SOD) 方法，该方法使用 HRS10K 数据集和递归多尺度 Transformer (RMFormer) 生成高分辨率显著图。对高分辨率和低分辨率基准测试的广泛实验证明该框架的有效性和优越性。

    Aug, 2023

  • 基于混合卷积的双域网络超分辨率高光谱图像重建

    本研究提出了一种新的高光谱图像超分辨率算法，称为基于混合卷积的双域网络（SRDNet），同时在空间与频率领域设计了双域网络，利用自我注意力机制和频率损失进行优化，并使用 2D 和 3D 单元的混合模块渐进式放大策略，实现了高光谱图像的纹理和特征增强，比现有方法效果更好。

    Apr, 2023