高光谱图像重建以及深度学习环境相关
文章平均质量分 94
记录学术论文(高光谱图像重建)发表前后的相关知识以及训练环境的配置
库博酱
OpenGL && D3D11 渲染开发
展开
-
Pixel Adaptive Deep Unfolding Transformer for Hyperspectral Image Reconstruction
高光谱图像(HSI)重建在深度学习框架上通过将问题分解为数据模块和先验模块取得了令人满意的进展。然而,现有的方法仍然面临着与 HSI 数据匹配不足的问题。问题主要体现在三个方面:1)在数据模块中固定梯度下降步长,而 HSI 的下降在像素级是不可知的。2)HSI 三维立方体的先验模块不足。3)阶段交互忽略了不同阶段特征的差异。为了解决这些问题,在本工作中,我们提出一种像素自适应深度展开 Transformer(PADUT)。原创 2023-10-26 16:45:10 · 300 阅读 · 0 评论 -
Patcher: Patch Transformers with Mixture of Experts for Precise Medical Image Segmentation
我们提出了一种新的用于医学图像分割的编码器-解码器 Vision Transformer 架构——Patcher。与标准的 Vision Transformer 不同,它采用了,将图像分割成大的patches,每个patch又进一步细分为小的patch。Transformer 应用于一个大的patch中的小的patches,这限制了每个像素的。我们有意让大patches重叠,以加强。该编码器采用了一个级联的增加,以提取从局部到全局级别的特征。原创 2023-10-13 11:18:42 · 168 阅读 · 0 评论 -
Contextual Transformer Networks for Visual Recognition
具有自注意力机制的 Transformer 已经引发了自然语言处理领域的革命,最近还激发了 Transformer 风格的架构设计的出现,在众多计算机视觉任务中取得了具有竞争力的结果。然而,现有的方式大多直接利用二维特征图上的自注意力来获取每个空间位置上的独立 q 和 k 对的注意力矩阵,而忽略了相邻 k 之间的丰富上下文信息。在本工作中,我们设计了一种新型的 Transformer-style 模块,即 Contextual Transformer (CoT) block,用于视觉识别。原创 2023-10-11 14:07:10 · 170 阅读 · 0 评论 -
Improved U-Net3+With Spatial–Spectral Transformer for Multispectral Image Reconstruction
基于 GISC 的从二维测量信息复原三维空间-光谱信息的多光谱重建任务是近年来研究的热点问题之一。然而,由于三维光谱数据巨大,重建质量效果一般不好。基于深度学习的鲁棒数据处理能力,使用 SST 改进 U-Net3+ 提出了 SSTU-Net3+。为了提升在重建过程中的特征表示,以 U-Net3+ 为骨干,提出了和来提高编解码的性能。为了提高重建图像的质量,我们利用多光谱图像的空间和光谱的相关性构造来细化空间和光谱特征,并利用split和 concatenate` 操作降低计算量。原创 2023-10-05 16:57:47 · 84 阅读 · 0 评论 -
模型训练环境相关(CUDA、PyTorch)
如果已经安装了 CUDA,则会显示 CUDA 版本信息;如果没有安装,则会出现「command not found」的错误信息。使用 Anaconda。原创 2023-10-05 12:58:42 · 1139 阅读 · 0 评论