weixin_48778202的博客

原创 transformer

transformer

原创 MASA-SR: Matching Acceleration and Spatial Adaptation for Reference-Based Image Super-Resolution

原创 11.15号组会论文总结

原创 Graph Convolutional Networks for HyperspectralImage Classification

代码：https://github.com/danfenghong/IEEE_TGRS_GCNhttps://github.com/danfenghong/IEEE_TGRS_GCNminiGCN相较于之前GCN的优势：GCN要一次性输入全部特征信息，计算量大、梯度下降慢，而miniGCN可以采用小样本采样。GCN和CNN比较：１）CNN输入是块输入，GCN输入是像素和代表像素点关系的邻接矩阵２）CNN可以小样本训练，GCN必须全部样本都输入进去过程：用采样...

原创 Scalable Convolutional Neural Network for Image Compressed Sensing

达到粗粒度重建+细粒度重建卷积-reshape-cat思考总结：1）EL的重建图像参考了下一层的图像，可以提高重构图像的质量。2）引入了贪心算法，指标是峰值信噪比，选择最好的measurements,去掉多余的measurements和网络，这样采样率（也就是那个卷积核）可以灵活改变，因为模型可以通过贪心算法来调整采样率。...

原创 DAN: Deep-Attention Network for 3D Shape Recognition

代码：https://github.com/RiDang/DANNhttps://github.com/RiDang/DANN结构：思考总结：1）自注意力可获取视图之间的相关性，公式下面除以一个dk是为了防止注意力分数过大2）将当前层的输入添加到输出特征向量中，作为下一个自关注层的输入，充分利用上一层挖掘出的多个视图之间的低层相关性信息。3）最大池化后得到的特征向量包含多个视图的信息，有效信息都集中在一个视图上，信息丰富。...

原创 Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution

代码：GitHub - danfenghong/ECCV2020_CUCaNet: Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution, ECCV, 2020. (PyTorch)https://github.com/danfenghong/ECCV2020_CUCaNet模型数学支撑：基本假设：X图像来自于Z图像的空间退化（Spatial Degradation..

原创 CS和MRA算法

CS（component substitution,成分替换）将MS分为空间分量和光谱分量，用PAN图像替换空间分量来增强变换的MS图像。PAN图像和被替换的分量之间的相关性越大，这种融合方法引入的失真越低。在替换发生之前，执行PAN图像与所选分量的直方图匹配。因此，直方图匹配的PAN将表现出与要替换的分量相同的均值和方差。最后，通过逆变换将数据带回原始空间，从而完成泛锐化过程。步骤：①插值MS图像匹配pan图像尺度②计算强度成分③直方图匹配PAN图像和强度成分④注入空间细节

原创 论文笔记1

论文：Deep_Residual_Learning_for_Boosting_the_Accuracy_of_Hyperspectral_Pansharpening解决问题：由于高光谱图像的宽频谱和低空间分辨率，深度学习不能很好的用到高光谱图像融合。研究内容：通过对比度有限直方图均衡（CLAHE算法）增强图像边缘细节，再通过引导滤波得到初始图像，再通过残差卷积神经网络计算初始图像和参考图像的残差，残差图像+初始图像得到融合图像。CLAHE：DRCNN（深度残差..