Feb, 2024

高效远程感知数据多分辨率融合与标签不确定性

PDF
TL;DR多模式传感器数据融合的多元化、多传感器数据的多分辨率融合提出了新的方法，无需像素级训练标签，以解决标签不确定性融合慢的问题，其改进的方法在合并传感器数据源时有效且高效。
multi-modal sensor data fusionmulti-resolution remote sensor datapixel-level training labelsmultiple instance multi-resolution fusionmimrf-bfm algorithm
发现论文，激发创造
  • Beyond RGB: 基于多模态深度网络的高分辨率城市遥感技术

    本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

    Nov, 2017

  • LMFNet：一种高分辨率遥感图像语义分割的高效多模态融合方法

    提出了一种轻量级多模态数据融合网络（LMFNet），用于实现多模态遥感图像的融合和语义分割，通过权重共享、多分支视觉变换来同时容纳 RGB、NirRG 和 DSM 等各种数据类型，并通过多模态特征融合重构层和多模态特征自注意融合层对多模态特征进行重构和融合，实验证明了 LMFNet 的有效性。

    Apr, 2024

  • 遥感中多源和多时相数据融合

    本文总结了多个研究社区关于多源、多时间数据融合方法的进展，为不同层次（例如学生、研究人员和高级研究人员）的研究者提供了充足的细节和参考，以便于他们在这个具有挑战性的课题上进行新的调查。

    Dec, 2018

  • 遥感中的多模态物体检测

    本文比较了多模式遥感下物体检测的方法，调查了适合评估的多模式数据集并讨论了未来方向。

    Jul, 2023

  • 联邦学习在分布式多模遥感档案中的应用

    本文提出了一种新颖的多模式联邦学习框架，旨在从分散的多模式遥感图像档案中学习用于遥感图像分类问题，该框架由多模式融合（MF）、特征白化（FW）和互信息最大化（MIM）三个模块组成，实验结果表明，相对于迭代模型平均（IMA），所提出的框架有效。

    Jun, 2023

  • 使用不确定性的信息数据选择在多模式物体检测中

    本研究提出了一种基于深度学习的通用不确定性感知多模态融合模型，该模型采用多管道宽松耦合架构将点云和图像特征进行组合，并将不确定性嵌入在边界框生成中，以生成可靠的输出，在 KITTI 2D 物体检测数据集和其衍生的 “脏数据” 中得到了验证。

    Apr, 2023

  • 自动驾驶中鲁棒目标检测的不确定性编码多模态融合

    Multi-modal fusion technique incorporating uncertainties through Uncertainty-Encoded Mixture-of-Experts (UMoE) improves object detection performance in extreme weather, adversarial, and blinding attack scenarios for autonomous driving.

    Jul, 2023

  • 遥感表示学习：一种无监督传感器融合方法

    本文提出了一种新的自监督训练方法，利用来自多个传感器的共同数据来学习每种可能的组合的有用表示，该方法在遥感分类任务中优于全监督 ImageNet 权重，并随着越来越多的传感器融合而改善。

    Aug, 2021

  • 遥感数据融合的不完全多模态学习

    本文提出了一种新颖的不完整多模态学习模型，结合双向 LSTM 注意力和掩蔽自注意机制来收集多模态信号，利用重构和对比损失来促进预训练中的融合，能在处理数据不完整输入时达到当前最佳性能水平。

    Apr, 2023

  • 多焦点与多模态之间的桥梁：多模态图像融合的聚焦集成框架

    在本文中，我们提出了一种多模态图像融合（MMIF）框架，旨在解决多个可见光图像与红外图像的焦点区域不同的融合问题。通过引入半稀疏平滑滤波器对图像进行分解为结构和纹理成分，并提出了一种新的多尺度操作器对纹理成分进行融合。同时，我们考虑结构成分中能量信息的分布，以实现场景亮度的有效捕捉和合理的对比度维持。实验结果表明，该算法在视觉感知和数量化评估方面均优于现有的方法。

    Nov, 2023