- ICML谱不变图神经网络的表达能力研究
使用光谱特征的图神经网络(GNNs)已显示出有希望的结果,但由于特征向量的固有模棱两可性,这提出了一项基本挑战。已经提出了几种架构来解决这种模棱两可性,被称为光谱不变架构。其中几个著名的例子包括使用光谱距离、光谱投影矩阵或其他不变光谱特征的 - 基于对比度的图谱自监督学习中光谱提示是否重要?
对对比度图自我监督学习中光谱信息的贡献进行讨论,发现基于光谱特征的增强方法在学习性能上表现优异,但基于边缘摄动的简单策略在性能方面更出色,且资源消耗更低。这些结论为图像自我监督学习领域带来了重要进展,可能改变对图像自我监督学习的理解和应用。
- 频谱适配器:频谱空间微调
研究了参数高效调优方法与预训练深度神经网络的关联,提出了将预训练权重矩阵的光谱信息融入调优过程的两种机制:加性调优和正交旋转顶级奇异向量。实验证明该方法能提高低秩适配器的秩能力,使得参数效率和调优性能得到提升,并对多适配器融合也有益处。
- 一种用于在天文学中联合提取光谱和源计数分布的深度学习框架
天文观测通常提供三维地图,编码观测通量在天球的两个角度和能量 / 频率上的分布。我们提出了一个深度学习框架,能够同时重建不同发射成分的光谱和点源群体的源计数分布,实现了从模拟地图中准确提取复杂形状的光谱和源计数分布的目标。
- SimPSI:简洁策略用于保留时序数据增强中的频谱信息
时间序列数据增强方法中,保留频域信息对提高性能至关重要,本研究提出了一种简单的策略(SimPSI)来保留时间序列数据的频域信息,通过混合原始和增强的输入谱并加权,核心是使用保留映射(magnitude spectrum、saliency m - 频谱驱动的混合频率网络用于高光谱显著性物体检测
通过从频谱中提取低频谱显著性和高频谱边缘两个不同的频率成分,利用频谱特征,我们引入一种新颖的轻量级 SMN 网络用于提取输入高光谱图像中的显著性和边缘信息,该方法在 HSOD 性能方面优于现有的先进方法。
- 基于知识的数据驱动 (KBDD) 云类型全天候识别的遥感框架
利用高分辨率静止卫星观测的光谱信息,设计了基于知识驱动数据驱动(KBDD)框架的全天云类型识别系统 CldNet,具有高准确率和较小参数量,可在许多气候评估领域提供高保真、全天候、时空云类型数据库。
- MM解离 Hodge 拉普拉斯的谱特性:并非所有特征值相等
基于 Hodge-Laplacian 频谱的全息滤波,对于跟踪谐波、旋度和梯度特征向量 / 特征值、引入一种新形式的拓扑谱聚类、以及基于最小谐波、旋度和梯度特征向量对边缘和高阶单体进行分类。
- MDFL:多域扩散驱动特征学习
多域扩散驱动特征学习网络对高维图像进行特征提取,显著改进了性能并揭示了其内在模式和结构。
- 霍奇感知对比学习
基于 Hodge 分解的对比自监督学习方法通过编码特定数据的不变性,利用简单神经网络生成具有适当光谱特性的正对比实例,从而获得反映数据谱特性的嵌入空间。与监督学习技术相比,我们在两个标准边流分类任务中取得了卓越的性能,强调了采用谱视角进行高 - 区域感知的高光谱分类
我们介绍了 HyLITE,这是一种模型局部和光谱信息的视觉转换器,利用新型的正则化函数促进了局部到全局信息的整合,该方法在准确度上超过了竞争基准,并取得了高达 10%的增益。
- ICMLGromov-Wasserstein 几何形态下的谱保持图粗化
该研究从不同的角度研究了图的加粗技术,并提出了一种保持图距离的方法,该方法使用 Gromov-Wasserstein(GW)距离,并采用加权核 K-means 方法最小化两个图的距离及其加粗版本之间的差异,以此来改进现有的谱保存方法。研究还 - SAWU-Net:面向高光谱图像的空间注意力加权解混合网络
提出了一种基于空间注意力权重的混合网络(SAWU-Net),该网络可以更好地在端到端的模式下,学习空间注意力网络和加权混合网络,以更好地利用空间特征。 SAWU-Net 通过像素注意块和窗口注意块有效地建模基于像素的光谱信息和基于补丁的空间 - McNet: 多通道语音增强中融合多种线索
本文提出了一种名为 McNet 的多提示融合网络,该网络级联四个模块分别利用全频带空间、窄带空间、子带谱和全频带谱信息,通过实验证明该网络的每个模块都具有其独特的贡献,整体而言显著优于其他最先进的方法。
- ICML无监督时间序列表示学习:基于迭代双线性时域谱融合
本研究提出了一种用于无监督 / 自监督时间序列表示学习的统一框架 BTSF,并通过使用实例级别数据增强和双线性时间 - 频谱融合等技术,优化目标函数,实现了对时间序列分类、预测和异常检测等多个任务的显著性能提升。