Mar, 2024

LSKNet: 一种面向遥感的基础轻量级骨干网络

PDF
TL;DR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。
发现论文，激发创造
  • 航空影像领域的创新视野：LSKNet 与 DiffusionDet 在高级目标检测方面的应用

    本研究采用 LSKNet 骨干网络结构和 DiffusionDet 头部模型，通过新颖方法和大量割除研究对对象检测模型的精确性进行了深入评估，在空中图像对象检测中取得显著性能提升，提出了新的基准，为更精确和高效的对象检测方法铺平了道路。

    Nov, 2023

  • 多核心感知网络用于遥感检测

    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。

    Mar, 2024

  • 遥感图像通用知识增强的预训练

    提出了一种新颖的遥感预训练框架 GeRSP，用于从遥感和自然图像中学习强大的表示，并在改进遥感下游任务的性能上取得了一致的实验结果。

    Jan, 2024

  • 基于地理知识的遥感图像表征学习

    该研究提出了一种基于地理知识驱动的遥感图像表示学习方法，该方法提高了网络性能，减少了对注释数据的需求，证明了该方法可以作为神经网络预训练的一种新典范。

    Jul, 2021

  • MLRSNet：用于语义场景理解的多标签高空间分辨率遥感数据集

    本研究构建了一个名为 MLRSNet 的多标签高空间分辨率遥感数据集，用于深度学习的语义场景理解任务。它包含 109,161 个样本，涵盖 46 种场景类别，是一个重要的未来研究基准，并填补了现有的多标签图像研究的空白。

    Oct, 2020

  • LSK3DNet：面向大规模稀疏核的高效理解 3D 感知

    本文提出了一种高效且有效的大规模稀疏 3D 神经网络（LSK3DNet），利用动态修剪扩大 3D 卷积的尺寸，通过空间动态稀疏和通道权重选择的核心组件，实现了对大规模稀疏 3D 核的学习，提升性能的同时大幅减少模型大小和计算成本，取得了语义 KITTI 上的最新性能。

    Mar, 2024

  • 遥感图像中的少样本目标检测

    本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

    Jun, 2020

  • 一个基于传输映射先验的水下图像增强模型（参数 7K）

    基于轻量级选择性注意力网络（LSNet）的高效深度学习模型在水下图像增强方面取得了出色性能，相较于其他基于注意力机制的模型，LSNet 在参数数量和计算资源上均显著减少，并获得了 97% 的峰值信噪比。

    May, 2024

  • 一种轻量级的遥感图像分类深度学习模型

    本文研究了远程感应图像分类中的高性能、轻量级的深度学习模型，并通过知识蒸馏将教师引导下的最佳性能模型训练出较少复杂度的学生模型，实现了高性能。经过在 NWPU-RESISC45 基准的大量实验，证明了该方法胜过现有的最佳系统，并有潜力在多种边缘设备上应用。

    Feb, 2023

  • SpotNet: 图像为中心、激光雷达为锚点的长距离感知方法

    通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

    May, 2024