Dec, 2023

远程感知分割的图信息瓶颈

PDF
TL;DR本文介绍一种用于遥感图像分割的简单对比视觉图神经网络（SC-ViG）架构，该架构将图像视为图结构，并通过构建节点屏蔽和边屏蔽图视图来获得最佳的图结构表示，通过引入信息瓶颈理论来最大化任务相关信息，同时最小化任务无关的冗余信息，进而取得了优于当前最先进的遥感图像分割方法的实验结果。
remote sensing segmentationgraph contrastive learningdeep learningsc-vig architectureunet
发现论文，激发创造
  • Vision GNN: 一张图值得千万个节点

    本文提出了将图像表示为图结构，并介绍了一种新的 Vision GNN（ViG）体系结构，用于提取视觉任务的图级特征。ViG 由 Grapher 模块和 FFN 模块组成，可用于图形聚合、更新图形信息以及节点特征变换。该体系结构在图像识别和目标检测任务方面表现出优异性能，并希望将来的研究能够从中获得启发。

    Jun, 2022

  • ViG-UNet：面向医学图像分割的视觉图神经网络

    该论文提出了一种基于图神经网络的 U 形结构体系 ViG-UNet，在多个分割任务中表现良好。

    Jun, 2023

  • 图信息瓶颈

    本文介绍了一种基于信息瓶颈原理的图形数据表示学习方法 —— 图信息瓶颈，该方法通过优化平衡了图形网络结构和节点特征的表达方式的表达性和鲁棒性，设计了两种采样算法进行结构方面的正则化，并使用两个新模型：GIB-Cat 和 GIB-Bern 来实现 GIB 原则，证明了其比最先进的图形防御模型更具有鲁棒性。

    Oct, 2020

  • 信息感知的图形对比学习

    提出了一种名为 InfoGCL 的基于信息瓶颈原则的信息感知图对比学习框架，与最新的图像对比学习方法统一，在节点和图分类基准数据集上进行了实证验证，取得了显著的效果优于现有技术。

    Oct, 2021

  • 双向图推理网络用于全景分割

    通过在传统的全景分割网络中引入图形结构来挖掘前景物体和背景物体类别内的模块内部和模块间关系，进而建立单一的 end-to-end 网络，以实现对图像的整体理解。该模型 (BGRNet) 在 COCO 和 ADE20K 全景分割基准中实现了新的最先进性能。

    Apr, 2020

  • 多视角图信息瓶颈方法：一种追求一致性和补充性的方法

    本研究提出一种名为 MVGIB 的多视角变分图信息瓶颈原则用于跨视角融合图信息，并使用相互信息约束公式化其共享信息和视角特定信息。经过广泛的图形基准数据集实验表明了所提出方法的卓越效果。

    Oct, 2022

  • 深度关注 Unet：具有全局特征感知能力的网络模型

    本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法，通过改进图像中不同项目之间的内部连接，显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上，与传统 UNet 相比，新的网络模型将平均交并比提高了 2.48%。

    Apr, 2023

  • 对比图卷积网络用于高光谱图像分类

    本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。

    May, 2022

  • 遥感图像语义分割的边界损失

    通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

    May, 2019

  • 面部遮盖对比图表示学习用于年龄估计

    本文提出了一种基于掩蔽对比图表示学习的年龄估计方法，该方法利用图表示学习的鲁棒性来处理图像冗余信息，通过深度学习的方法从面部图像数据集中提取结构信息和语义特征，并在多个损失函数的约束下综合利用二者提高预测精度。

    Jun, 2023