光学时间序列图像中的多尺度缺失数据修复与遮挡时空注意力网络
该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法,其中考虑到了部分缺失的光学模态,所提出的模型采用了两个网络来分别提取每个模态的特征,并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强,可有效开发和利用多模态数据。
Jun, 2023
利用遥感数据构建了一个空间 - 时间 - 光谱结构化数据集(STSSD),并提出了一个新方法(A$^{2}$-MAE),通过预训练相互补充不同类型的遥感图像和地理信息来重构遮蔽补丁,实现了多种下游任务的全面改进。
Jun, 2024
通过引入一种新颖的时空 Transformer 模型(ST-Transformer)来解决稀疏时空数据中缺失值的问题,本研究展示了该模型在土壤湿度数据中的应用,其通过多个时空注意力层来捕捉数据中复杂的时空相关性,并在填补过程中整合额外的时空协变量以提高准确性,相较于其他著名的填补方法,该模型表现出卓越的准确性,并在其他数据集的模拟研究中展示了其在各种时空填补任务中的广泛适用性。
Dec, 2023
青光眼预测的研究引入了基于变压器架构的多尺度时空变换网络 (MST-former),针对时序图像输入进行了特定设计,可以在时空维度上有效地学习图像的语义信息;在不规则采样数据方面,引入了时间距离矩阵来非线性地缩放时间注意力;此外,通过温度控制的平衡 Softmax 交叉熵损失函数解决了类别不平衡问题。实验结果表明,MST-former 方法在青光眼预测方面表现出卓越的优势,AUC 值达到 98.6%;在阿尔茨海默病神经成像倡议 (MRI) 数据集上,对轻度认知损害和阿尔茨海默病的预测准确率为 90.3%,明显优于对比方法。
Feb, 2024
最近,基于隐式神经表示的方法在任意尺度超分辨率(ASSR)方面展现出了出色的能力。我们设计了多尺度隐式变换器(MSIT),其中包含一个多尺度神经操作器(MSNO)和多尺度自注意力(MSSA)。通过功能增强、多尺度特征提取和多尺度特征融合,MSNO 获得了多尺度潜在编码。MSSA 进一步增强了潜在编码的多尺度特征,从而提高了性能。此外,为了改进网络性能,我们提出了与累积训练策略相结合的重互作用模块(RIM),以改进网络学习信息的多样性。我们首次在 ASSR 中系统地引入了多尺度特征,并进行了大量实验证明了 MSIT 的有效性,我们的方法在任意超分辨率任务中取得了最先进的性能。
Mar, 2024
提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块,通过使用通道和空间注意力结合标准视觉变换器 (ViT),有效提取特征;在 UCMerced 数据集上进行了训练,实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置,从而提高超分辨率图像的质量,并且相较于现有模型,我们的模型表现出更优秀的性能。
May, 2024
用于遥感图像超分辨率 (RSISR) 的新型 Transformer 网络 SPIFFNet,通过引入跨空间像素整合和跨阶段特征融合注意力机制,有效提高了全局认知和特征表达能力,从而在定量度量和视觉质量上优于现有方法。
Jul, 2023
本文提出 Mask-guided Spectral-wise Transformer (MST) 框架,通过 Spectral-wise Multi-head Self-Attention 和 Mask-guided Mechanism 的组合,可以有效解决 CNN-based 方法捕捉波谱相似性以及长距离依赖性上的局限性,而且能够充分利用 CASSI 系统中物理屏的信息对高保真度的 HSI 重建有提升作用。
Nov, 2021
利用表示学习的思路,发展了 U-TILISE,一种高效的神经模型,能够隐式地捕捉光谱强度的时空模式,并通过训练将云层遮掩的输入序列映射为无云的输出序列。实验结果表明,与标准插值基准相比,在之前看到的位置,PSNR 增加了 1.8 dB,在未见过的位置增加了 1.3 dB。
May, 2023
本研究研究了多尺度和多时间尺度方法,提出一种新的 MT-RNNs 方法,用于逐步恢复非均匀模糊单幅图像。MT 方法在 GoPro 数据集上的表现优于现有的 MS 方法,且具有更少的参数。
Nov, 2019