2025特征提取模块，涨点真好用，简单易发文！(附代码）

深度学习什么方向最好发论文？我认为还是特征提取，尤其对于只想毕业or发低区期刊/会议的同学来说。

作为深度学习的关键任务，特征提取既重要，又很灵活。一般我们在改进baseline的时候，最简单的就是对特征提取部分进行魔改，比如改自注意力、轻量化、缝合各种经典网络结构等，这些操作可以轻松从涨分、降参数量等多个方面提高整体网络性能，非常适合要求不高的同学“水”论文。

Efficient LoFTR: Semi-Dense Local Feature Matching with Sparse-Like Speed

方法：Efficient LoFTR是一种高效的半密集图像匹配方法。它使用轻量级的RepVGG网络提取粗特征和细特征，通过聚合注意力机制减少特征变换的计算量，并采用两阶段相关层来提高匹配精度。

创新点：

• 聚合注意力机制：通过深度可分离卷积和最大池化减少token数量，降低计算成本。
• 两阶段相关层：先像素级互近邻匹配，再亚像素级细化，提高匹配精度。
• 轻量级特征提取：使用单分支RepVGG网络，结合重参数化技术，提升效率。

Accurate Leukocyte Detection Based on Deformable-DETR and Multi-Level Feature Fusion for Aiding Diagnosis of Blood Diseases

方法：本文提出了一种基于MFDS-DETR的白细胞检测方法，使用改进的ResNet-50网络提取白细胞的多尺度特征，并通过HS-FPN模块融合高级和低级特征，提升特征表达能力。

创新点：

• 提出MFDS-DETR模型，包含四个关键部分：主干网络、HS-FPN模块、编码器和解码器。
• 设计HS-FPN模块，利用通道注意力机制将高级特征作为权重筛选低级特征，增强特征表达能力。
• 在编码器中引入多尺度可变形自注意力机制，提升模型对白细胞全局特征的提取能力。

 

WaveNet-SF: A Hybrid Network for Retinal Disease Detection Based on Wavelet Transform in the Spatial-Frequency Domain

方法：WaveNet-SF通过小波变换将OCT图像分解为低频和高频分量，分别提取全局结构特征和细节信息，同时利用MSW-SA模块聚焦多尺度病变区域，并通过HFFC块恢复高频细节并抑制噪声，从而提高病变检测的准确性。

创新点：

• 提出WaveNet-SF框架，通过小波变换将OCT图像分解为低频和高频分量，分别提取全局结构特征和细节信息。
• 引入多尺度小波空间注意力（MSW-SA）模块，增强模型对多尺度病变区域的聚焦能力。
• 设计高频特征补偿块（HFFC），恢复高频细节并抑制噪声，提高病变检测的准确性。

Exploring State Space Model in Wavelet Domain: An Infrared and Visible Image Fusion Network via Wavelet Transform and State Space Model

方法：W-Mamba通过小波变换将图像分解为低频和高频成分，利用状态空间模型处理高频特征以提取长距离依赖关系，并通过跨模态特征注意力调制模块增强不同模态间的特征交互，从而实现全局特征和局部细节的有效提取。

创新点：

• 提出Wavelet-SSM特征提取模块，结合小波变换和状态空间模型，同时提取全局特征和局部细节。
• 设计跨模态特征注意力调制模块，增强不同模态间的特征交互和融合。
• 通过小波变换分离高频和低频信息，利用状态空间模型处理高频特征，有效提取长距离依赖关系。