TCSVT 2025 | 用于高光谱和多光谱图像融合的循环跨模态交互

最新推荐文章于 2025-05-03 23:30:11 发布
最新推荐文章于 2025-05-03 23:30:11 发布
阅读量19 收藏
点赞数
分类专栏： 计算机顶会顶刊论文解读 文章标签： 论文解读 深度学习 TCSVT 计算机顶刊
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/146133995
版权

论文信息

题目：Cyclic Cross-Modality Interaction for Hyperspectral and Multispectral Image Fusion
用于高光谱和多光谱图像融合的循环跨模态交互
作者：Shi Chen, Lefei Zhang, Liangpei Zhang
源码：https://github.com/Tomchenshi/CYformer

论文创新点

  1. 提出新型循环Transformer架构：作者提出了一种基于跨模态空间 - 光谱交互的新型循环Transformer架构CYformer。该架构通过设计循环交互架构，充分利用低分辨率高光谱图像的光谱先验信息和高分辨率多光谱图像的空间先验信息，确保光谱与空间信息更无缝、全面地融合。
  2. 引入循环交互Transformer模块（CITM）：为捕捉不
了解本专栏 订阅专栏 解锁全文
TCSVT 2025 | 具有低频干扰的退化图像全包含式增强方法
小白学视觉
04-11 40
本文提出了一种名为全包含图像增强（AIIE）的新型图像增强方法，该方法能够有效增强退化图像，提高图像内容的可见性。这些图像是在诸如雾霾、低光照、水下和沙尘暴等各种天气条件下获取的。这类噪声的一个共同特点是，它们对视觉质量或可见性造成的退化是由低频干扰引起的。现有的图像增强方法缺乏处理这类所有类型退化的能力，而作者提出的AIIE为它们提供了统一的处理方式。
TCSVT 2025 | 基于一致性感知定制学习的跨场景高光谱图像分类
小白学视觉
04-12 42
近年来，无监督域适应（UDA）技术已被引入跨场景高光谱图像（HSI）分类任务中。这些技术旨在将知识从有标签的源场景转移到无标签的目标场景，以解决监督信息有限的问题。然而，大多数UDA方法未能分析不同源样本到目标样本的域转移变异性，从而限制了域适应效果。为此，本文提出了一种用于跨场景HSI分类的一致性感知定制学习（CACL）方法。总体而言，该方法分别设计了域级和类级分布对齐。前者通过特征提取器和域判别器之间的对抗训练来实现。对于后者，首先分别动态提取源域和目标域的光谱 - 空间原型。
最新！3D目标检测论文汇总（多模态融合）
3D视觉工坊
01-23 4197
作者丨柒柒@知乎来源丨https://zhuanlan.zhihu.com/p/447555827编辑丨3D视觉工坊这篇文章主要是梳理一下近期3D Detection的进展，分类列举出一些...
【学术会议征稿】2025年计算机视觉研究进展与应用国际学术会议 (ACVRA 2025)
weixin_73242859的博客
01-16 1311
任，中国青年科技工作者协会常务理事，中国图象图形学学会第六届、第七届理事，中国体视学学会第六届、第七届理事，陕西省信号处理学会第五届、第六届理事，中国人工智能学会人工智能基础专委会委员，中国图象图形学学会成像探测与感知专委会委员，中国图象图形学学会生物医学图像与视频专委会委员，中国图象图形学学会生物医学图像专委会委员，中国体视学学会图像分析委员会常务委员，中国自动化学会粒计算与多层次分析专委会委员，国际中智科学学会中国分支会员，《中国图象图形学报》、《计算机科学与应用》编委。
2024年显著性检测部分论文及代码汇总（4）
qq_47627751的博客
12-07 1496
Abstacrt：视频显著性排序。本文提出了用于视频显著性排序的图模型，可以跨帧地探索多尺度空间对比和实例内/实例间的时间关联排序，以提取多种时空显著性线索。本文有两个优势：1.通过将每个实例的特征与相邻帧中相同空间区域的特征比较，明确地模拟每个实例的运动；2.在单个图中同步时空显著性线索进行联合优化，有更好的动态性。此外，提出了一种简单而有效的基于视频显著性排序的视频重定向方法。
2021计算机视觉-包揽所有前沿论文源码 -上半年
江南才尽江南山，年少无知年少狂！
12-19 1万+
大家是否遇到过这种情况，就是在工作或者学习的时候，想去找一些方向的网络，但是呢，尴尬的是，老旧的网络里不想要，前沿的网络又不知道有哪些。为了解决大家的这个困扰，本人决定收集2020年大部分前沿的网络相关链接，之后我会： 每周一更新一次（下面是我多年年收集的链接地址）\color{red}{每周一更新一次（下面是我多年年收集的链接地址） }每周一更新一次（下面是我多年年收集的链接地址） 2019计算机视觉-包揽所有前沿论文源码 2020计算机视觉-包揽所有前沿论文源码 有兴趣的朋友可以加微信：a9442847
【一千个论文合集】计算机科学的26个细分领域近年必读论文集合
AI_Conf的博客
05-11 2万+
AMiner必读论文是一个可以帮您了解某个领域、机构、期刊、会议的学术专辑，包括必读论文和代表学者，由AI初筛+学者复核后提供给您，您可以收藏为自己的论文清单
图像融合论文及代码网址整理总结（1）——多聚焦图像融合
热门推荐
Daniel_Shi的博客
12-23 5万+
写在前面的话： 本篇博文主要整理汇总一下现有的多聚焦图像融合算法（文章和代码）。适当地，也会整理出相关作者的学术主页。整理这些的初衷，是为了方便自己，顺便也给同领域的研究者在找代码等方面提供些许便利。另外，该领域的文章很多，本篇博文也只是整理了其中的一部分，并且，本人不会对论文内容做过多评论。 同系列的博文还有： 图像融合论文及代码网址整理总结（2）——红外与可见光图像融合 图像融合...
TCSVT2020｜Event-centric hierarchical representation for dense video captioning
零食的csdn博客
11-27 672
Event-Centric Hierarchical Representation Event-centric hierarchical representation for dense video captioning (TCSVT 2020) 中山大学 github 动机：Dense Video Captioning。以前的工作只关注简单的event-level context信息，忽视了event-event之间的关系以及全局场景信息。因此，本文提出了以event为中心的层次化representat
在深度学习中，什么是线性插值（linear interpolation）？
weixin_44649780的博客
04-30 429
线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1​）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。
远程深度学习新环境配置流程
weixin_45668967的博客
04-30 283
下载并安装适合你系统的 Miniconda 版本。
Transformer：颠覆深度学习的架构革命与技术演进
源滚滚编程
04-30 1646
2017年，谷歌团队在论文《Attention Is All You Need》中提出的Transformer架构，彻底改变了人工智能对序列数据的处理范式。通过这种机制，模型能够自动识别并强化相关位置的语义关联，例如在句子“The cat sat on the mat”中，“cat”与“sat”的关联权重显著高于其他无关词汇。其核心思想是：每个位置的输入向量通过**查询（Query）、键（Key）、值（Value）**三个矩阵变换，动态计算与其他位置的关联权重。，实现了全局上下文感知与并行计算的完美平衡。
《解锁LibTorch：开启C++深度学习新征程》
zheng_ruiguo的专栏
04-30 680
LibTorch 作为 PyTorch 的 C++ 接口，凭借其独特的优势在深度学习领域占据了重要的一席之地。它不仅继承了 PyTorch 的动态计算图和自动求导机制，还充分发挥了 C++ 语言的高性能和低延迟特性，为深度学习的研究和应用提供了强大的支持。从功能特性上看，LibTorch 在张量操作、神经网络训练与推理、多平台支持以及与 Python 的互操作性等方面表现出色。其张量操作接口简洁高效，与 PyTorch 类似，方便开发者快速上手。
基于Python Flask的深度学习电影评论情感分析可视化系统（2.0升级版，附源码）
IT徐师兄
04-27 1140
基于Python Flask的深度学习电影评论情感分析可视化系统（2.0升级版），集成了Flask框架与先进的word2vec向量模型，能够自动解析影评文本的情感倾向，精准评估电影的好评与差评比例，并通过直观的可视化界面展示分析结果。该项目通过大数据技术分析海量影评，量化好评与差评的分布，为电影评论提供全面的汇总评价分析。
一种用于从视网膜图像中识别疾病的 BERT 式自监督学习 CNN
hao_wujing的专栏
04-28 724
在我们的网络中，输出图像的大小为(224,224)，下采样率为32，使我们的蒙版大小为(7,7).我们进一步使用从预训练模块中学到的特征图进行分类研究。此外，与传统的 CNN 相比，ViT 在图像处理中表现出较少的定位能力，因为它们的机制主要针对图像的块级，而不是直接关注单个像素。].我们在 CNN 中观察到的优势，以及预训练对自我监督学习的显着好处，以及 ViT 的潜在缺点，都激发了进一步的思考：是否有可能将性能良好的 CNN 与 BERT 风格的生成式自我监督学习相结合进行预训练，以结合两者的优势？
长短期记忆网络（LSTM）
weixin_73557167的博客
04-29 1668
LSTM
【计算机视觉】三维重建: MVSNet：基于深度学习的多视图立体视觉重建框架
最新发布
weixin_43988131的博客
05-03 756
三维重建: MVSNet：基于深度学习的多视图立体视觉重建框架
从代码学习深度学习 - 目标检测前置知识(一) PyTorch 版
weixin_43887510的博客
04-29 589
目标检测是计算机视觉领域中的一个核心问题，它的任务是识别图像中物体的类别并定位它们的位置。近年来，基于深度学习的目标检测算法取得了显著的进展。PyTorch 作为主流的深度学习框架之一，为目标检测的研究和应用提供了强大的支持。本篇博客旨在通过代码实例，介绍目标检测任务中一些重要的前置知识，特别是与边界框 (Bounding Box) 和锚框 (Anchor Box) 相关的概念和常用工具函数。理解这些基础知识对于后续学习和实现更复杂的目标检测模型至关重要。
RNN——循环神经网络
2403_87204666的博客
04-26 725
跨时间步跳跃连接（如 ht=ht−1+f(xt,ht−1)ht​=ht−1​+f(xt​,ht−1​)），直接传递梯度。核心机制：通过隐藏状态（hidden State）传递历史信息，每个时间步的输入包含当前数据和前一步的隐藏状态。多输入，多输出（如机器翻译）： 每个时间步接收输入并生成输出（如逐词翻译）。：若权重矩阵特征值 ∣λ∣<1∣λ∣<1，梯度指数级衰减，深层参数无法更新。：若 ∣λ∣>1∣λ∣>1，梯度指数级增长，导致数值溢出或模型震荡。：合并细胞状态和隐藏状态，参数更少。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值