![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
23IJCAI阅读笔记
文章平均质量分 93
KeSprite
这个作者很懒,什么都没留下…
展开
-
CV.4 MMPN Multi-supervised Mask
论文提出了一种名为MMPN(Multi-supervised Mask Protection Network)的深度学习模型,旨在解决全色(PAN)图像与多光谱(MS)图像融合过程中出现的边缘模糊和光谱失真问题。该研究旨在生成高空间分辨率的多光谱图像(HRMS),这对于诸如变化检测、救援、导航和地图制作等领域至关重要。原创 2024-06-13 22:12:58 · 988 阅读 · 0 评论 -
CV.3 A Novel Learnable Interpolation
这篇论文提出了一种创新的方法,旨在通过结合神经网络与传统插值技术的优势,解决实际场景中对单幅图像任意尺度超分辨率(SISR)的需求。论文的主要贡献在于设计了一个可学习的插值模块,以及一个对尺度敏感的通道注意力模块,这些组件可以作为一个插件集成到现有的SISR模型中,以提升对不同放大倍数图像的处理能力。原创 2024-06-12 23:25:51 · 1026 阅读 · 0 评论 -
CV.1 Tracking Different Ant
本文提出了一种新颖的无监督领域适应框架,专门用于解决的难题。由于蚂蚁缺乏显著的个体视觉特征、密集群体以及多种外观形态,自动跟踪一直是一项极具挑战性的任务。本研究的核心是一个端到端可训练的多目标跟踪器,它首次利用了来实现跨物种的泛化能力。该框架基于一个结合检测与跟踪的架构,并融入了一组领域歧视器模块,通过对抗性训练策略,这些模块与跟踪损失共同工作,以缩小源域和目标域之间的表现差距。此外,论文还介绍了一个大规模的蚂蚁数据集和针对无监督领域适应多目标跟踪的基准测试。原创 2024-06-11 15:57:01 · 629 阅读 · 0 评论 -
CV.2 RaSa Relation Sensitivity
提出了一种新的方法来应对文本引导的人像搜索难题。该任务要求在给定文本描述的情况下从大量图像中检索出指定个人的照片。RaSa方法通过引入两个新颖的学习任务——关系感知学习(RA)和敏感度感知学习(SA)——来优化多模态表示学习,从而提升检索效果。关系感知学习(RA)旨在解决现有方法忽视的一个关键问题:弱正样本中的噪声干扰。弱正样本指的是文本描述与图片之间存在不精确对应的情况,这可能导致模型过拟合。原创 2024-06-12 19:02:34 · 714 阅读 · 0 评论