Mar, 2024

多核心感知网络用于遥感检测

PDF
TL;DR本文介绍了一种用于遥感图像中的目标检测的多尺度多核卷积网络（PKINet），它使用多尺度卷积核提取不同尺度的目标特征并捕捉局部上下文信息，并引入了上下文锚点注意力模块来捕捉远程上下文信息，这两个组件共同推进了 PKINet 在四个具有挑战性的遥感检测基准上的性能提升。
object detectionremote sensing imagespoly kernel inception networkpkinetcontextual information
发现论文，激发创造
  • LSKNet: 一种面向遥感的基础轻量级骨干网络

    该研究考虑了远程感知场景中的先验知识，并提出了轻量级大型选择性核网络（LSKNet）作为其骨干网络。LSKNet 能够动态调整其大空间接受野，以更好地建模远程感知场景中各种对象的范围背景。通过在常规远程感知分类、目标检测和语义分割基准上取得了新的最先进成绩，进一步验证了所识别的先验知识的重要性和 LSKNet 的有效性。

    Mar, 2024

  • SINet: 一种针对快速车辆检测的尺度不变卷积神经网络

    本文提出了一种基于卷积神经网络的无尺度检测技术，通过采用上下文感知的 RoI 池化和多分支决策网络，实现了无尺度对象识别，并在多个数据集上达到最优准确性和速度。

    Apr, 2018

  • 基于内核反向金字塔调整的网络的高效路面病害识别

    提出了一种用于道路病害识别的高效率方法，采用图像自动化技术，将图像分成小块，通过网络来识别道路病害，并通过 Kernel Inversed Pyramidal Resizing Network 对图像进行预处理，提高图像分辨率和比例，使用该方法比现行方法更高效。

    Dec, 2022

  • 大坐标核注意力网络用于轻量级图像超分辨率

    提出了多尺度感受野、大内核注意力模块 (LCAN)，用于改进轻量级图像超分辨率任务，并提高重建性能。

    May, 2024

  • 基于图卷积核的三维点云物体检测

    该研究提出了一种基于 2D 透视范围图像的卷积神经网络架构方法，可用于直接从范围图像视图学习 3D 表示。通过利用本地几何和跨模态融合处理，该方法在行人检测方面的 AP 从 69.7％提高到 75.5％，同时模型参数和操作速度均表现良好。

    Jun, 2021

  • RRNet: 具有平行多尺度注意力的关系推理网络，用于光学遥感图像中的显着目标检测

    本文提出了一种基于关系推理网络和平行多尺度注意力的光学遥感图像突出对象检测方法，实验表明其定量和定性性能均优于现有最优方法。

    Oct, 2021

  • 用于目标检测的多尺度位置感知核表示

    本文提出了一种新的多尺度位置感知核表示（MLKP）用于在目标检测中捕获深度特征中的高阶统计信息，通过将其集成到 Faster R-CNN 模式中，提高了检测器的性能，并在 PASCAL VOC 2007、VOC 2012 和 MS COCO 基准测试中显著优于现有的最先进方法。

    Apr, 2018

  • 基于膨胀卷积的多尺度信息学习 Inception 模块的单幅图像超分辨率

    本文提出了基于扩张卷积的 Inception 模块，利用多尺度信息构建深度神经网络，提高单幅图像超分辨率的性能。实验结果表明，该方法优于许多单幅图像超分辨率方法。

    Jul, 2017

  • 卷积网络基于动态多上下文遥感图像分割

    本研究提出了一种利用多层感知域适用于遥感图像的语义分割的新技术，通过训练一个具有不同感知域的扩张网络，从多种异质性环境下获取信息，从训练样本中定义最佳输入补丁大小，显著提高了像素分类精度。

    Apr, 2018

  • SIENet：用于三维点云物体检测的空间信息增强网络

    使用 LIADAR 进行三维物体检测时，由于点云密度不均衡，距离传感器更远的物体采集的点较少，导致检测精度下降。为解决这一挑战，作者提出了名为 SIENet 的二阶段三维物体检测框架，其中设计了空间信息增强模块和多分支的混合范式区域提案网络 (HP-RPN) 等，其在 KITTI 三维物体检测基准测试数据集上取得了远超其他方法的显著性能表现。

    Mar, 2021