TGRS 2025 | 用于红外图像增强的细节感知网络

最新推荐文章于 2025-10-20 17:00:00 发布
最新推荐文章于 2025-10-20 17:00:00 发布
阅读量16 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 遥感图像顶刊论文解读 文章标签： TGRS 顶刊论文解读 遥感图像 深度学习 人工智能
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/148649606

论文信息

题目：Detail-Aware Network for Infrared Image Enhancement
用于红外图像增强的细节感知网络
作者：Ruiheng Zhang, Guanyu Liu, Qi Zhang, Xiankai Lu, Renwei Dian, Yang Yang, Lixin Xu
https://github.com/ChickenEating/IR-Enhancement

论文创新点

  1. 提出协同红外图像增强网络：论文提出了一种协同红外图像增强网络（DCDNet），创新性地将红外图像增强过程分解为图像去噪和对比度增强两个方面，并基于理论分析和实验结果确定先去噪后增强对比度的级联顺序。
  2. 设计细节感知单元：为了在去噪过程中保留细节信息，并在对比度增强阶段利用这些细节信息提升最终结果，论文专门设计了细节感知单元（DAU）。DAU通过特殊设计的卷积核，提取DDP中的原始细节特征信息，并在对比度改善时将其整合到CIM中，从
了解本专栏 订阅专栏 解锁全文
TGRS 2025 | CTCNet：用于沙丘图像分割的CNN - Transformer双分支网络
小白学视觉
09-05 75
沙丘图像通常展现出复杂的细节和相对均匀的光谱特征，这使其成为图像分割任务中的独特挑战。由于传统卷积运算的局限性，基于卷积神经网络（CNN）的方法在捕捉长距离依赖关系方面存在困难。基于Transformer的方法在长期依赖关系上表现良好，但缺乏对局部上下文的建模。结合这两种方法的优势以及双分支架构的概念，为了更好地实现沙漠地区沙丘图像的分割，作者提出了一种结合CNN和Transformer的双分支网络（CTCNet），并在自制的中国沙漠沙丘形态数据集和雷吉斯坦-哈兰沙漠沙丘形态数据集上进行了对比实验。
TGRS 2024 | 用于远距离红外微弱小目标检测的目标聚焦增强网络
小白学视觉
10-08 52
在远距离红外小目标检测场景下，复杂的战场环境、恶劣天气状况以及强光干扰带来诸多挑战。这些因素致使红外图像信噪比低、目标信息有限。为应对这些难题，作者提出了一种名为目标聚焦增强网络（TENet）的特征增强网络，该网络包含两项关键创新：密集长距离约束（DLDC）模块和自动增强复制粘贴边界框（ACB）策略。DLDC模块融入自注意力机制，使模型能全局理解小目标与背景的关系。通过集成多尺度结构并采用密集连接，该模块有效将全局信息传递至深层，进而增强语义特征。另一方面，ACB策略聚焦于数据增强，尤其是增加目标的表征。
TGRS 2025 | 多分支相互引导学习用于红外小目标检测
小白学视觉
07-12 79
目前，许多红外目标检测方法主要聚焦于设计模块，以应对目标的两个关键特性：信号微弱和尺寸微小。然而，这些方法往往未能充分利用针对弱小目标内容的引导学习，导致检测性能欠佳，尤其是在形状保持和目标定位方面。为解决这一挑战，本文提出了一种多分支互导学习网络（MMLNet），即便在图像中缺乏清晰的形态和纹理特征时，也能提高红外目标检测的准确性。该方法由三个分支组成：边缘分支、定位分支和检测分支，每个分支都从独特视角设计了专门的模块。
TGRS 2025 | 用于多模态遥感目标检测的双动态跨模态交互网络
小白学视觉
10-19 10
多模态遥感目标检测（MM - RSOD）在全天候应用方面极具潜力。然而，由于模态不一致和冗余问题，它在有效提取互补特征方面面临挑战。不一致性可能导致语义 - 空间不对齐，而冗余性会引入特定于每个模态的不确定性。为克服这些挑战并加强互补性的探索和利用，作者提出了一种双动态跨模态交互网络（DDCINet），这是一个包含两个关键模块的新颖框架：双动态跨模态交互（DDCI）模块和动态特征融合（DFF）模块。
TGRS 2024 | 基于光谱相关的高光谱图像超分辨率融合网络
Happy_Bug__的博客
04-11 1372
通过方程（3）中的退化函数SRF对目标图像的光谱域进行降采样，以获得重建的HR MSI。表四显示了消融实验的详细结果。在 Indian Pines、Salinas、Pavia University 等数据集上，SCFN 的 PSNR、SSIM、SAM 等指标均优于现有方法（如 SFIM、CNMF、uSDN），尤其在光谱保真度（SAM 值降低 30%-50%）和空间细节（SSIM 接近 0.99）上表现突出，证明了 DSCM 和 GAB 模块的有效性（见表 I-III 及 ablation 实验）。
TGRS 2024 | EFLNet：用于红外小目标检测的增强特征学习网络
小白学视觉
05-17 117
单帧红外小目标检测被认为是一项具有挑战性的任务，这是由于目标与背景之间存在极大的不平衡，边界框回归对红外小目标极为敏感，而且目标信息在高层语义层容易丢失。在本文中，作者提出了一种增强特征学习网络（EFLNet）来解决这些问题。首先，作者注意到红外图像中目标与背景之间存在极大的不平衡，这使得模型更多地关注背景特征而非目标特征。为了解决这个问题，作者提出了一种新的自适应阈值焦点损失（ATFL）函数，该函数将目标和背景解耦，并利用自适应机制调整损失权重，迫使模型为目标特征分配更多注意力。
TGRS 2025 | DF2RQ：基于区域查询的动态特征融合用于多模态遥感数据的语义分割
小白学视觉
10-02 55
尽管多模态遥感（RS）数据可显著提升遥感数据语义分割的准确性，但如何通过多模态特征融合有效提取多模态信息仍是一项具有挑战性的任务。具体而言，现有的多模态特征融合方法仍面临两大挑战：其一，由于多模态遥感数据的成像机制多样，同一前景在不同模态下的边界可能存在差异，导致融合后的前景特征中混入不必要的背景语义；其二，不同模态的遥感数据对不同前景的判别能力各异，使得在融合结果中难以确定各模态语义信息的占比。为解决上述问题，作者提出了一种基于区域查询的动态特征融合方法，即DF2RQ，用于多模态遥感数据的语义分割。
TGRS 2024 | 基于自适应区域生长算法与迭代阈值分析的红外小目标检测
小白学视觉
10-09 49
现有的红外（IR）小目标检测算法在复杂场景中往往适应性不足，且严重依赖参数配置。为解决这一局限，作者提出一种基于自适应区域生长算法和迭代阈值分析的新型红外小目标检测方法，该方法利用小目标的同质紧凑性及其与周围环境的不连续性。首先，使用自动种子区域生长（ASRG）算法将图像自适应分割成多个区域，无需预先指定种子点。接着，利用每个阈值下的分割结果计算相对残差图（RRM）和局部差异图（LDM），以辅助选择最优阈值。最后，融合对应最优阈值的RRM和LDM，准确表征小目标信号，同时有效去除背景杂波。
TGRS 2025 | RHDWT：结合先验与语义的双分支下采样新思路，即插即用，涨点起飞
AImokuai的博客
09-02 636
《ASCNet：非对称采样校正网络用于红外图像去条纹》提出了一种创新方法，通过非对称采样策略解决传统小波网络中的语义偏差问题。该网络采用残差哈尔小波变换(RHDWT)作为下采样器，结合模型驱动和数据驱动方法；在上采样阶段使用像素重组(PixelShuffle)代替传统逆小波变换，有效保持列语义连续性。此外，设计的列非均匀性校正模块(CNCM)通过多分支注意力机制增强了全局列特征表示。实验表明，ASCNet能有效去除多种条纹噪声，保留图像细节，并显著提升下游任务性能。该方法在红外图像处理领域具有广泛应用前景。
Transformer神经网络模型
最新发布
m0_74203999的博客
10-20 580
Transformer是一种基于自注意力机制的序列转换模型，通过并行处理解决RNN的顺序计算瓶颈。其核心架构包含编码器和解码器：编码器通过多头自注意力层捕获全局上下文，解码器结合编码输出逐步生成目标序列。位置编码保留序列顺序信息，残差连接稳定训练过程。该模型突破性地实现了长距离依赖建模和动态上下文表征，如"苹果"在不同语句中获得差异化表示。其并行计算特性显著提升训练效率，注意力权重矩阵还提供模型决策的可解释性。Transformer已成为NLP等领域的基础架构，推动机器翻译、跨模态理解等
深度学习5-张量运算函数-张量索引操作-形状操作-拼接操作-自动微分模块-机器学习案例：线性回归
2302_79981885的博客
10-19 696
常见运算函数：sum()求和mean()求均值max()/min()求最大/最小值及其索引argmax()/argmin()求最大值/最小值的索引std()求标准差unique()去重sort()排序这个就是所有相加这个就是对第一维度进行求和，就是去掉3，生成2*3的矩阵可以想象为立方体，竖着求每个单位的和比如1+2+1=4去掉第二维度，就变成3*4的矩阵了我们来看这个，怎么变成三行四列呢------》前面两行合并，中间两行合并，最后两行合并就可以了。
深度学习6-激活函数-参数初始化和正则化-搭建神经网络-损失函数
2302_79981885的博客
10-19 700
用PyTorch进行深度学习在神经网络框架中，由多个层组成的组件称之为 模块（Module）。在PyTorch中模型就是一个Module，各网络层、模块也是Module。Module是所有神经网络的基类。在定义一个Module时，我们需要继承torch.nn.Module并主要实现两个方法：__init__：定义网络各层的结构，并初始化参数。forward：根据输入进行前向传播，并返回输出。计算其输出关于输入的梯度，可通过其反向传播函数进行访问（通常自动发生）。
【深度学习计算机视觉】14：实战Kaggle比赛：狗的品种识别（ImageNet Dogs）
Morse_Chen的博客
10-20 542
本文讲解了Kaggle狗品种识别比赛的实战流程，涵盖数据获取与整理、图像增广、微调预训练ResNet-34模型、训练验证及测试集分类，最终生成提交文件，实现120类狗品种的识别任务。
深度学习：PyTorch Lightning，训练流程标准化？
PCaiyue的博客
10-16 395
相较于传统云计算的中心化处理模式，边缘计算通过部署Kubernetes边缘集群、轻量化容器技术（如DockerforEdge）和微服务架构，实现了计算资源的"去中心化"部署。值得注意的是，智能制造中的预测性维护系统通过边缘侧振动分析，将设备故障识别准确率提升至92%，同时减少80%的上传数据量。边缘计算（EdgeComputing）正以颠覆性的技术架构重塑着5G时代的数据处理逻辑，其核心价值在于将计算能力从云端下沉到数据产生源头，构建起"终端-边缘-云"的三级智能体系。一、边缘计算的架构演进。
机器学习，深度学习，神经网络，Transformer的关系
Goals1989的博客
10-16 559
名称层级关系典型应用机器学习最大范畴包含深度学习推荐系统、风控、预测深度学习子集基于神经网络图像识别、语音识别神经网络工具深度学习的实现方式架构一种先进的神经网络大语言模型（GPT、BERT）🎯最终结论所有都是神经网络所有神经网络都属于深度学习所有深度学习都是机器学习的一部分。而今天最火的 AI（如 ChatGPT、文心一言、通义千问），它们的“心脏”就是Transformer 架构的神经网络它们属于深度学习，也是机器学习的巅峰之作。
【深度学习理论基础】什么是蒙特卡洛算法？有什么作用？
Small__明的博客
10-16 906
蒙特卡洛算法是一种“暴力美学”的计算哲学——当一个问题过于复杂，无法用解析或确定性方法求解时，我们就通过无数次“随机尝试”，从统计结果中寻找答案。它巧妙地将困难的数学问题转化为了相对简单的统计问题。
MATLAB一个基于Attention-LSTM的分类模型，构建Attention-LSTM深度学习模型，训练模型并进行分类预测
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
10-15 225
MATLAB一个基于Attention-LSTM的分类模型，构建Attention-LSTM深度学习模型，训练模型并进行分类预测
深度学习进阶（五）——强化学习与决策智能：让模型学会行动
htw250056的博客
10-17 855
本文系统介绍了强化学习（RL）的核心概念与应用。从马尔可夫决策过程（MDP）到价值函数与策略优化，详细解析了动态规划、Q-learning、DQN、策略梯度及Actor-Critic等算法框架。重点探讨了现代RL算法PPO的原理及其在大模型RLHF（基于人类反馈的强化学习）中的关键作用，如ChatGPT的优化过程。同时指出RL面临的挑战（奖励设计、样本效率等）及未来发展方向（分层RL、世界模型等）。强化学习使AI从被动模式匹配转向主动决策，成为连接"理解"与"行动"的
每天五分钟深度学习：基于softmax交叉熵损失的反向传播
huanfeng_AI的博客
10-18 243
至此我们就完成了神经网络的推论工作了，这个是针对于单样本的反向传播，本次的推导相对于前面的推导有以下的几点不同，首先，本次的推导指明了具体的损失函数，然后本次推导从公式出发，如果你看了前面的课程，这篇文章会很好理解。向量化很重要，它可以帮助我们快速的解决多个偏导数，向量化也非常简单，我们看一下我们向量化之后是要标量还是向量还是矩阵。如果要标量，那么我们构建出行向量*列向量的形式如果要向量，那么我们构建出列向量*列向量，或者矩阵*列向量的形式如果要矩阵，那么我们构建出列向量*行向量的形式。
2025tgrs论文模板怎么获取
08-27
要获取2025年IEEE Transactions on Geoscience and Remote Sensing（TGRS）的论文模板，可以按照以下步骤操作： 1. 访问IEEE官方网站：前往 [IEEE Transactions on Geoscience and Remote Sensing](https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=36) 的页面，这是TGRS的官方期刊页面。在页面底部或侧边栏通常会提供作者指南和论文模板的下载链接。 2. 查找作者指南：在期刊页面中，找到“Author Guidelines”或“Information for Authors”部分，该部分通常会包含论文格式要求和模板下载链接[^2]。 3. 下载模板：模板通常以LaTeX或Microsoft Word格式提供。点击下载对应的模板文件，并按照指南要求撰写论文。 4. 使用LaTeX模板（可选）：如果使用LaTeX排版，可前往 [IEEE Conference Templates](https://www.ieee.org/conferences/publishing/templates.html) 页面下载适用于IEEE期刊的LaTeX模板，并根据TGRS的具体要求进行调整。 5. 验证格式要求：提交前确保论文格式符合TGRS的要求，包括字体、页边距、图表格式等。可以通过IEEE的PDF检查工具 [IEEE PDF eXpress](https://ieee-pdf-express.org/) 验证生成的PDF是否符合提交标准。 以下是一个简单的LaTeX模板示例： ```latex \documentclass[10pt, conference]{IEEEtran} \usepackage{amsmath} \newcommand{\Eqref}[1]{Eq.~(\ref{#1})} \title{Your Paper Title} \author{\IEEEauthorblockN{Author Name} \IEEEauthorblockA{Affiliation\\ City, Country\\ Email: author@email.com} } \begin{document} \maketitle \begin{abstract} This is the abstract of the paper. It should briefly summarize the research objective, methodology, and key findings. \end{abstract} \section{Introduction} The introduction section should provide background information and motivation for the study. \end{document} ```
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