每天都要看论文

HyperTransformer: A Textural and Spectral Feature Fusion Transformer for PansharpeningHyperTransformer:用于全色锐化的纹理和光谱特征融合Transformer来源：CVPR2022Transformer已经用到了全色锐化领域了~~~文章一直说是全色锐化，代码显示是对HRHSI高斯模糊下采样得到LRHSI，选HRHSI三个波段拼接得到三波段图像，将这两者融合。HyperTransformer在本文中被当

Continuous Spectral Reconstruction from RGB Images via Implicit Neural Representation（NeSR）基于隐式神经表示的RGB图像连续谱重建中国科学技术大学 、华为诺亚方舟实验室、北京理工大学摘要：现有的光谱重建方法通常学习从RGB图像到多个光谱带的离散映射。然而，这种建模策略忽略了光谱特征的连续性。在本文中，通过引入一种新的连续光谱表示，提出了神经光谱重建(NeSR)来打破这一限制。为此，本文接受了隐函数的概念，并用神经

SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers作者：Danfeng Hong,Zhu Han,Jing Yao, Lianru Gao,Bing Zhang,Antonio Plaza,and Jocelyn Chanussot来源：2021 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING本文动机：CNN

CA-Net: Comprehensive Attention Convolutional Neural Networks论文：CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation代码：HiLab-git/CA-Net准确的医学图像分割对于疾病的诊断和治疗计划至关重要。卷积神经网络（CNN）在自动医学图像分割方面已经取得了最先进的性能。然而，它们仍

Coordinate Attention for Efficient Mobile Network Design坐标注意力以实现高效的移动网络设计CVPR2021 即插即用的注意力块Mobile Network设计的最新研究成果表明，通道注意力（例如，SE注意力）对于提升模型性能具有显著效果，但它们通常会忽略位置信息，而位置信息对于生成空间选择性注意力图是非常重要。因此在本文中，作者通过将位置信息嵌入到通道注意力中提出了一种新颖的移动网络注意力机制，将其称为“Coordinate Attention

Ultra Lightweight Image Super-Resolution with Multi-Attention Layers具有多注意力层的超轻量级图像超分辨率在AIM 2020高效SR挑战赛上，分别在内存使用，FLOPs和参数数量上获得了第一，第三和第四名，优于CBPN和CARN等。轻量级图像超分辨率（SR）网络对于现实应用具有最重要的意义。有几种基于深度学习的SR方法具有出色的性能，但是它们的内存和计算成本却在实际使用中受到阻碍。为了解决此问题，我们提出了一种多注意力特征融合超分辨率

图像超分取得了极大的进展，尽管基于CNN的方法取得了极好的性能与视觉效果，但是这些模型难以部署到端侧设备(高计算量、高内存占用)。为解决上述问题，已有各种不同的快速而轻量型的CNN模型提出，**IDN(Information Distillation Network, IDN)**是其中的佼佼者，它采用**通道分离**的方式提取蒸馏特征。然而，我们并不是很清晰的知道这个操作是如何有益于高效单图超分（SISR）的。本文提出一种等价于通道分离操作的**特征蒸馏连接操作****(Feature Disti

MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-ResolutionMASA-SR基于匹配加速和空间适应的有参考超分辨率CVPR2021，代码：https://github.com/dvlab-research/MASA-SR。快手，思谋，港中文论文中有些小问题还不是很清楚在这里插入图片描述在这里插入图片描述...

**Hyperspectral Image Super-Resolution by Band Attention Through Adversarial Learning**IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 58, NO. 6, JUNE 2020高光谱图像（HSI）的超分辨率（SR）是一项具有挑战性的任务，因为当放大系数较大时，会出现纹理模糊和光谱失真问题。为了应对这两个挑战，本文提出了通过对抗性学习的波段注意力。首先

DMSANet: Dual Multi Scale Attention Network双多尺度注意网络Abhinav Sagar作者主页：https://abhinavsagar.github.io/在本文中，提出了一个新的注意力模块，它不仅能达到最好的性能，而且与大多数现有的模型相比，具有更少的参数。最近，注意力机制在计算机视觉界相当流行。为了提高网络的性能，人们做了大量的工作，尽管几乎总是导致计算复杂性的增加。在本文中，提出了一个新的注意力模块，它不仅能达到最好的性能，而且与大多数现有的模型相比

转载自 微信公众号 科研之高光谱加粗样式https://mp.weixin.qq.com/s/S5i3G6sPee1pFAnqwaUyuQ你好，这里是每周五学习心得分享，今天分享的内容是怎样找到更好的高光谱图像学习资源，我梳理了以下四种方式：关注国内外研究学者的主页，我总结了一下高光谱图像领域国内外知名学者（点击公众号菜单研究团队），大家可以做个参考。https://mp.weixin.qq.com/s/ddAoMgNmjS9GQm3SB4S2Sw国外University of Extrem

高光谱多光谱图像融合QQ群：658818193 论文和PPT已经传到群里A Spectral Grouping and Attention-Driven Residual Dense Network for Hyperspectral Image Super-Resolution用于高光谱图像超分辨率的光谱分组和注意力驱动的残差密集网络IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSINGDenghong Liu, Jie Li , Member , I

标题高光谱多光谱图像融合QQ群：658818193 论文和PPT已经传到群里了Physics-based GAN with Iterative Refinement Unit for Hyperspectral and Multispectral Image Fusion用于高光谱和多光谱图像融合的基于物理的具有迭代细化单元的GAN2021年3月 武汉大学的一篇文章， 期刊：IEEE Journal of Selected Topics in Applied Earth Observations

一、How to Write an Introduction？在导言中需要做的许多事情都是在讨论/结论中以相反的顺序完成的，在介绍中，你首先相当普遍，逐渐缩小你的关注范围，而讨论/结论则相反。1.2 Grammar and Writing SkillsTENSE PAIRS SIGNALLING LANGUAGE PASSIVE/ACTIVE USE PARAGRAPHING1.2.1 Tense pairsPresent Simple/Present Continuou

频带分治的多光谱和高光谱图像融合方法 在本文中，我们提出了一个频谱分治框架(BDCF)来解决这个问题，通过全面考虑频谱保真度、空间增强和计算效率。首先，根据HS和MS的谱响应，将HS的谱带分为重叠和非重叠带，然后提出了一种新的基于组分替换(CS)的改进方法来融合LRHS的重叠带。然后，提出了一种基于映射的神经网络方法来构造原始LRHS数据的重叠带和非重叠带之间的复杂非线性关系。将训练后的网络映射到融合重叠的HRHS波段，以估计非重叠的HRHS波段。...

转载自http://blog.sina.com.cn/s/blog_764b1e9d0102y64u.html微博ENVI-IDL技术殿堂2017年ENVI-IDL遥感应用培训班素材及录屏共享2017年在8个城市共举办8场培训班。共有来自260多个单位的630多人参加。今年培训班继续以中国遥感应用协会和我公司的名义共同主办，部分地区与地方遥感协会、高校联合主办。培训时间依然是5天，内容上形成卫星图像处理专题、遥感应用专题、技术专题、SAR图像处理专题和IDL与ENVI二次开发专题，每站培训班通过投票方式

批量裁剪高光谱图片，使其大小可以被32整除，存储裁剪后的图片，图片名与原图片相同。clearclcpathstr1 = fileparts('.\icvl'); %当前路径dirname1 = fullfile(pathstr1, 'icvl','*.mat'); imglist1 = dir(dirname1);sf=32; %scale factorTest_file={'icvl'}; %原图像数据集Result_dir ='crop'; %裁剪图像存放位置Out_dir=f