功能模块的特征图收敛评估
本文提出了一个针对地面移动机器人的可行驶区域和路面异常检测基准,评估了现有单模和数据融合语义分割 CNN 的性能,并提出了一个名为动态融合模块(DFM)的新模块来有效和高效地融合不同类型的视觉特征。实验结果表明,变换视差图是最具信息量的视觉特征,提出的 DFM-RTFNet 在 KITTI 路况基准上表现出色,并在公开数据集上可用。
Mar, 2021
本文提出了一种新的无监督特征记忆重组网络(FMR-Net)来准确检测各种纹理缺陷,通过提取多尺度特征、对比学习模块(CMFM)、全局特征重排模块(GFRM)来构建正常特征记忆库,采用两阶段的训练策略,使用多模式检测方法来实现缺陷定位,实验证明该方法具有较高的检测精度,适用于边缘计算的智能制造场景。
Jun, 2022
表面缺陷检测是工业检测中的重要任务,本文提出了一个决策融合网络 (DFNet),通过融合语义决策和特征决策来增强网络的决策能力,同时引入感知微调模块 (PFM) 来对前景和背景进行微调,并通过一个内外分离权重矩阵来解决标签边缘不确定性的影响,在公开数据集上验证了所提方法的有效性。
Sep, 2023
本文提出 F3Net 算法,通过交叉特征模块和级联反馈解码器,结合像素位置感知损失函数,实现高效的显著目标检测,能够在各项指标上优于现有算法。
Nov, 2019
本文提出使用 Feature Fusion with Different Norms (FFDN),利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上,平均交互并集(mIoU)为 73.1,每秒帧数(FPS)为 191,与目前最先进的结果相当。
Oct, 2022
本研究提出一种新的脑结构 - 功能融合表征学习模型,它可用于从 DTI 和 fMRI 中学习融合表示,以分析轻度认知障碍 (MCI)。该模型通过将特征空间分解为每种模态的统一和独特空间的并集,并自适应融合分解功能,来有效融合脑的结构和功能特征,同时设计了一种知识感知变压器模块来捕获全局和局部连接特征。实验表明,该模型在预测和分析 MCI 方面的表现优于其他竞争方法,有望成为重建统一脑网络并预测 MCI 退化的异常连接的潜在工具。
May, 2023
本文探讨了深度函数地图方法中所学特征函数的本质以及如何将其用于点描述,在此基础上,我们提出了一种改进的方法来使学习特征的结构显著改进匹配结果,并成功地将内在和外在表面学习框架结合起来。
Mar, 2023
考虑到多模态神经影像具有互补信息,本文提出了一种新的层次结构 - 功能连接融合(HSCF)模型,并在 ADNI 数据库上进行了测试,结果显示该模型在分类评估方面的表现优于其它竞争模型,能够更好地生成脑结构 - 功能连接并识别认知疾病的异常大脑连接。
Jun, 2023
本研究提出了一种基于期望效用最大化的规范框架以及一个新型分析噪声影响的通用度量方法,通过内积几何学的方法分析了世界状态估计噪声对规划的影响。
Jun, 2023
本文提出了一种名为 'Flow Alignment Module' 的方法,通过学习场景不同层级之间的语义流,并将高层次特征有效和高效地广播到高分辨率特征,使得在轻量级骨干网络上如 ResNet-18 表现卓越,在 Cityscapes 数据集上获得了 80.4% 分割精度,时速达到 26FPS。
Feb, 2020