MCSDNet: 多尺度时空信息基于的中尺度对流系统检测网络
本文提出了一种名为多尺度卷积特征融合 (MSCFF) 的基于深度学习的云检测方法,使用对称编码器 - 解码器模块提取多尺度和高级别空间特征,然后设计了一种多尺度特征融合模块,将不同尺度的特征合并,并获得了比传统基于规则的云检测方法和最先进的深度学习模型更高的精度,尤其在覆盖明亮表面区域上。
Oct, 2018
基于 BiseNet 的多尺度协方差特征融合网络 (MCFNet) 提出了一种新的架构,引入了新的特征细化模块和特征融合模块,并提出了名为 L-Gate 的门控单元来过滤无效信息和融合多尺度特征,实验结果显示我们的方法在 Cityscapes 和 CamVid 数据集上取得了竞争性的成功,其中在 Cityscapes 数据集上获得了 75.5% 的平均交并比 (mIOU) 和 151.3FPS 的速度。
Dec, 2023
本篇论文提出了一种基于时空特征融合的 RSCD 网络 STNet,通过时间特征融合模块和空间特征融合模块强化感兴趣的变化并恢复变化表征的空间细节,实验表明该方法在三个基准数据集上取得了最先进的性能。
Apr, 2023
该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型,用于在多元时间序列数据中执行异常检测和诊断,并且在合成数据集和实际电厂数据集上进行了广泛的实证研究,证明 MSCRED 可以优于现有的基线方法。
Nov, 2018
提出了一种基于多尺度卷积神经网络的时间序列分类模型,该模型将特征提取和分类集成在一个框架中,具有较高的准确性和计算效率,并在大量基准数据集上进行了全面的实证评估,取得了优于其他先进方法的性能。
Mar, 2016
MFDS-Net 是一种基于全局语义和细节信息的多尺度特征深度监督网络,旨在更精细地描述变化的建筑和地理信息,增强变化目标的定位和弱特征的提取。
May, 2024
RCTNet 通过引入早期融合骨干网络、交叉阶段聚合模块、多尺度特征融合模块和高效自译注意力模块,以在准确变动检测中捕捉全局信息和细微细节,展示了相对传统遥感图像变动检测方法的明显优势,实现了准确性和计算成本之间的最佳平衡。
Jul, 2024
本文提出了一种多尺度深度学习压缩感知卷积神经网络(MS-DCSNet),其利用多尺度小波变换将图像信号转换,然后通过卷积模块在不同尺度上进行块的捕获并直接从多尺度测量重建初始重构图像,并利用多尺度小波卷积技术增强最终重构质量,从而学习多尺度采样和多尺度重构,从而改善重构质量。
Sep, 2018
通过使用浅层扩张卷积架构以捕捉长时间序列的周期性和趋势特征,我们提出了多尺度扩张卷积网络 (MSDCN) 的方法,并设计了具有指数增长扩张和不同卷积核大小的不同卷积块来在不同尺度上采样时间序列数据。此外,我们利用传统的自回归模型来捕捉数据内的线性关系。通过在八个具有挑战性的长期时间序列预测基准数据集上进行实验证明,我们的方法优于先前的最先进方法,并与几种强基准方法相比显示出显著的推理速度改进。
May, 2024