Apr, 2024

StrideNET：基于动态粗糙度提取的地形识别的 Swin Transformer

PDF
TL;DRStrideNET 是一种使用深度学习和 Transformer-based architectures 的双支路架构，用于地形识别和隐含属性估计，并通过统计纹理分析方法提取地表特性。
deep learningtransformer-based architecturesterrain recognitionimplicit properties estimationsurface terrain properties
发现论文，激发创造
  • 用于自动医学图像分割的高分辨率 Swin Transformer

    本研究提出了一种基于 Transformer 的医学图像分割网络 HRSTNet，其采用具有高分辨率的设计风格，用 Transformer 块代替卷积层，不断交换不同分辨率的特征图集来提高性能

    Jul, 2022

  • SDNet：使用 Swin 的多分支单图像去雨方法

    本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法，并设计了一个三分支模型，并提出了一个新的数据集 Rain3000 来验证模型的性能和效果，实验结果表明，该方法在公开数据集 Rain100L，Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。

    May, 2021

  • 基于 Swin Transformer UNet 的地面图像去模糊

    借助基于 Swin Transformer 结构的 deep learning 方法进行恢复图像分辨率的研究，提出了一种具有先进的稀疏小波框架的三步解卷积框架，与传统的 Firedec 算法相比，我们的方法在恢复分辨率、适应不同噪声特性和计算效率方面展示出巨大优势，对于从地面图像中识别远程宇宙中的结构具有很大的潜力。

    May, 2024

  • 密集残差 Swin Transformer 用于连续无深度限制超声成像

    通过设计 RDSTN 网络，采用超分辨率技术以克服常规插值方法的限制并实现无关深度的超声图像增强，该网络通过捕捉超声图像固有的非局部特征和长程依赖性，提供了优秀的纹理并在实验中表现出比现有方法更好的性能。

    Mar, 2024

  • 具有深度特征正交性和混合 Swin 转换器的高效大规模图像检索

    我们提出了一种高效的端到端管道，用于大规模地标识别和检索，演示如何结合和增强最近图像检索研究中的概念并介绍两种特别适用于大规模地标识别的架构：深度正交融合的全局和局部特征模型（DOLG）使用 EfficientNet 骨干和一种新的混合 Swin 变换器，讨论了如何使用逐步方法高效地训练两种架构，并提供了一个具有动态边缘的子中心 Arcface 损失，此外还详细阐述了一种新的判别式重新排名方法用于图像检索，我们的方法通过赢得 Google Landmark 竞赛 2021 的识别和检索赛道证明了其卓越性。

    Oct, 2021

  • Video Swin Transformer

    本文介绍了一种针对视频领域的区域局部性 Transformer 架构，通过使用 Swin Transformer 设计来实现，同时利用预训练模型的威力，取得了行动识别和时间建模等广泛的视频识别基准的最新准确性。

    Jun, 2021

  • DS-TransUNet: 医学图像分割的双 Swin Transformer U-Net

    本研究提出了 Dual Swin Transformer U-Net (DS-TransUNet) 框架，它是第一次尝试将 Swin Transformer 的优势同时融入到标准 U 形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet 显著优于现有的医学图像分割方法。

    Jun, 2021

  • 利用稀疏变换器的单步 3D 物体检测器

    本文研究在自动驾驶中基于 LiDAR 的三维物体检测问题，发现传统的下采样操作可能对信息造成不可避免的损失，提出了一种称作 Single-stride Sparse Transformer (SST) 的新方法，该方法利用 transformers 避免了单步架构中接受域不足的问题，有效处理了点云的稀疏性并显著提升了检测性能，验证集上 Level-1 AP 值达到了 83.8，小物体（行人）检测表现尤为突出。

    Dec, 2021

  • Swin UNETR: 基于 Swin Transformers 的 MRI 图像脑瘤语义分割

    利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割，可以转换为序列预测问题，以 5 个不同分辨率提取特征，通过跳过连接连接到 FCNN 解码器，并在 BraTS 2021 分割挑战中表现出优越的性能。

    Jan, 2022

  • SwinFace: 一种用于人脸识别、表情识别、年龄估计和属性估计的多任务 Transformer

    该研究提出了一种基于单一的 Swin Transformer 的多功能算法，用于同时进行人脸识别、面部表情识别、年龄估计和面部属性估计，并通过多层级通道注意力模块适应性地选择最佳级别和通道上的特征，以提高预测准确性、数据效率和训练速度。

    Aug, 2023