![](https://img-blog.csdnimg.cn/20190918140012416.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
Mamba系列
文章平均质量分 84
计算机视觉、多模态学习、大语言模型、医学图像分析、Diffusion 模型等,带你天天读论文
向向2024
计算机视觉、多模态学习、大语言模型、医学图像分析、Diffusion 模型等,带你天天读论文
展开
-
Pan-Mamba: Effective pan-sharpening with State Space Model
论文主要研究的是遥感图像的pansharpening技术,这是一种将低分辨率的多光谱图像与高分辨率的全色图像结合起来生成高分辨率多光谱图像的技术。尽管现有的深度学习方法在图像融合方面取得了进展,但仍存在一些挑战,特别是在捕捉全局信息和有效融合信息方面。原创 2024-04-13 12:05:53 · 193 阅读 · 0 评论 -
[Mamba]FusionMamba:基于状态空间模型的高效图像融合
定量和定性评估结果表明,FusionMamba方法达到了最先进的性能。:提出了一个包含空间U-Net和光谱U-Net的网络结构,分别从PAN/RGB图像中提取空间特征,从LRMS/LRHS图像中捕获光谱特征,这种结构允许独立和层次化的学习。:扩展了Mamba模块以支持双输入,创建了一个新的模块,称为FusionMamba模块,它比现有的融合技术(如连接和交叉注意力)更有效。:提出了一种新颖的图像融合方法,名为FusionMamba,它通过结合Mamba模块到两个U形网络中,实现了空间和光谱特征的有效提取。原创 2024-04-13 12:00:00 · 824 阅读 · 0 评论 -
【Mamba】DGMamba:第一个基于状态空间模型的领域泛化框架
实验结果表明,DGMamba在多个DG基准数据集上都取得了显著的性能提升,证明了其在解决分布偏移问题上的有效性和优越性。未来的工作可能会探索如何利用特征提示或领域提示来进一步指导基于SSM的模型学习更强大的表示,以及在高结构任务中深入研究Mamba架构以解决分布偏移问题。:提出了一个新的DG框架,名为DGMamba,它在保持全局接收场和高效线性复杂性的同时,具有很强的泛化能力,能够适应未见过的领域。:在四个常用的DG基准数据集上进行了广泛的实验,证明了DGMamba在性能上超越了现有的最先进模型。原创 2024-04-13 11:49:24 · 113 阅读 · 0 评论 -
InsectMamba:基于状态空间模型的害虫分类
这篇文章主要介绍了一种名为“InsectMamba”的新方法,用于*利用状态空间模型(SSMs)、卷积神经网络(CNNs)、多头自注意力机制(MSA)和多层感知机(MLPs)*进行昆虫害虫分类。该方法旨在提取更全面的视觉特征,并通过一个选择模块来动态地整合这些特征,从而提高模型区分害虫特性的能力。实验结果显示,“InsectMamba”在五个害虫分类数据集上优于其他强竞争对手,证明了其有效性和各个组件的重要性。原创 2024-04-07 09:39:53 · 266 阅读 · 0 评论