【Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction】阅读笔记

已于 2022-06-08 15:02:07 修改
阅读量520 收藏 5
点赞数
分类专栏： Transformer论文学习 文章标签： transformer 计算机视觉 深度学习
于 2022-06-05 16:57:18 首次发布
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/yeen123/article/details/125133660
版权

文章目录

一、Background

   SCI(snapshot compressive imaging)快照压缩成像系统是所有能够快速将3D HSI转换为2D图像的HSI成像系统的总称。它是将多帧图像映射到一个测量值中的压缩成像系统，视频压缩成像和高光谱压缩成像是两种具有代表性的应用。尽管高速视频和高光谱图像的令人兴奋的结果已经被证明，但是重建质量差阻碍了SCI的广泛应用。
   在所有SCI技术中，CASSI是目前最热门的方向。本文的任务是：CASSI (coded aperture snapshot spectral imaging)逆向问题，即：从CASSI压缩的2D图恢复得到3D的HSIs。CASSI的变换过程如下：
在这里插入图片描述
在这里插入图片描述

二、Motivation及本文工作

 2.1 Motivation

在这里插入图片描述

   现有Transformer方法存在如下问题：
   （1）首先，2D-HS

最低0.47元/天 解锁文章
yeen123
关注
专栏目录
论文阅读：Coarse to Fine Vertebrae Localization and Segmentation with SpatialConfiguration-Net and U-Net
qq_42042757的博客
05-07 1681
Coarse to Fine Vertebrae Localization and Segmentation with SpatialConfiguration-Net and U-Net 基于SpatialConfiguration-Net and U-Net的脊椎由粗到细的定位与分割 源代码 参考博文 论文简介：MICCAI 2019大型椎体分割挑战赛第一名 摘要 从脊柱CT体积中定位和分割椎体对于病理诊断、手术计划和术后评估至关重要。然而，由于病理学的解剖学变化，螺钉和植入物引起的噪声以及螺钉和植
Hyperspectral Image Reconstruction using Deep External and Internal Learning （Tao Zhang，2019，IEEE）
weixin_42245856的博客
03-12 835
Hyperspectral Image Reconstruction using Deep External and Internal Learning （Tao Zhang，2019，IEEE） 1、基于CNN的编码HSI重建方法。 1.1设计一个基于CNN的信道注意重建网络来提取HSI的空间-光谱相似性。利用外部数据集中空间-光谱相关性训练网络。 1.2根据编码图像的空间-光谱约束制定网络，该网络利用內部成像模型从当前图片中学习特殊的先验。 2、在原本CASSI中添加DCD-双摄像头设计。->提
ECCV 2022 | 清华等提出CST：首个嵌入光谱稀疏性的Transformer
阿木寺的博客
07-23 462
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达作者：phantom |已授权转载（源：知乎）编辑：CVerhttps://zhuanlan.zhihu.com/p/544979161本文介绍我们 ECCV 2022 关于 Snapshot Compressive Imaging 重建的工作：《Coarse-to-Fine Sparse Trans...
【高光谱图像：通过空间-光谱进行重建】
weixin_43690932的博客
03-17 3846
仅供自己参考
#今日论文推荐# ECCV 2022 | 清华等提出CST：首个嵌入光谱稀疏性的Transformer
w1hsxn的博客
07-26 177
本文介绍我们 ECCV 2022 关于 Snapshot Compressive Imaging 重建的工作：《Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction》
高光谱计算成像论文阅读-High-Quality Hyperspectral Reconstruction Using a Spectral Prior
weixin_43120238的博客
05-18 1105
原文：High-Quality Hyperspectral Reconstruction Using a Spectral Prior 作者：Inchang Choi, Daniel S. Jeon, and Giljoo Nam 单位：Universidad de Zaragoza – Abstract： 本文提出了一种高光谱重构成像的方法，以缓解基于压缩感知成像技术的光谱分辨率和空间分辨率的相互制约问题。所提出的方法包括两步：1）构建了一个卷积自动编码器（convolutional autoencod
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3291
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications_简单总结
m0_37569924的博客
03-10 1758
SR_简单总结 ① GANrecursive networkResidual networkCNNAUTO ENCODERELSE SR_简单总结 ① ) GAN GANISRGAN: Improved Super-Resolution Using Generative Adversarial Networks （CVC) G-GANISR: Gradual generative adversa...
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
热门推荐
dengheCSDN的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
【coarse-to-fine：基于频谱和空间损失约束】
weixin_43690932的博客
12-16 1521
仅供自己参考
coarse-to-fine(1) CF-DRNet
momoka9的博客
04-20 1858
1、Coarse-to-fine classification for diabetic retinopathy grading using convolutional neural network 使用卷积神经网络对糖尿病视网膜病变分级进行从粗到细的分类。 Artificial Intelligence in Medicine Volume 108, August 2020, 101936 亮点 首次提出了一个分层的从粗到细的糖尿病视网膜病变（DR）网络（CF-DRNet），该网络可以利用卷积神
[论文笔记]Coarse-to-fine Semantic Segmentation from Image-level Labels
静如脱兔(⋌▀¯▀)=☞动如脱兔的博客
05-24 1879
DFPN论文笔记:Coarse-to-fine Semantic Segmentation from Image-level LabelsAbstractIntroductionContributionRelated WorkProposed Approach方法概述生成coarse maskcoarse mask增强mask迭代优化扩展应用Experiments Abstract 为减轻人工标注的压力，本文提出一种仅含图像级标签的迭代的coarse-to-fine(由粗到细)的语义分割框架 首先通过CNN
EfficientLO论文阅读
m0_63629923的博客
11-13 167
研0，前段时间开组会老师提到可以写blog记录自己的所想，所以刚开始尝试写blog，希望自己日后能坚持。
Class-wise Dynamic Graph Convolution for Semantic Segmentation（ECCV 2020）详解
Lil Wing
03-07 1954
论文地址：https://arxiv.org/pdf/2007.09690.pdf 一、背景        近年来语义分割出现了很多利用上下文信息，也就是context information的一个方法，最具代表性的主要包括几种，作者总结的第一种是利用空洞卷积的ASPP模块的deeplab系列，第二种是利用金字塔池化的PSPNet，还有就是自注意力机制，代表工作包括DANet，CCNet，OCNet等等。 二、动机  &nb
CVPR2022《Cascade Transformers for End-to-End Person Search》
weixin_43994864的博客
03-22 4174
论文链接：https://arxiv.org/pdf/2203.09642.pdf 代码链接：https://github.com/Kitware/COAT 1. 挑战 已有的工作面临着三个主要挑战： 在特征学习方面，人脸检测和ReID之间存在着冲突。人检测的目的是学习在人群中泛化的特征，以将人与背景区分开，而ReID的目的是学习在人群中不泛化但能将人彼此区分开来的特征。 显著的尺度或姿态变化增加了身份识别的难度。简单的特征融合策略可能会在特征嵌入中引入额外的背景噪声，导致ReID性能较差 背景目标或.
【图像压缩】多层超先验模型 《Coarse-to-Fine Hyper-Prior Modeling for Learned Image Compression》
hahalidaxin的专栏
06-11 1977
绪论 基于超先验和空间上下文的模型在建模长期依赖方面有局限性，不能很好地榨干图像中的空间冗余度。本文提出一个多层超先验模型，并使用由粗到细的框架，以进一步减少空间冗余。
【图像拼接】论文精读：Coarse-to-fine Seam Estimation for Image Stitching
最新发布
畅游计算机视觉的海洋
12-29 2万+
接缝切割和接缝驱动技术已被证明可以有效地处理图像拼接中的不完美图像序列。通常，接缝驱动是利用接缝切割根据预定义的接缝质量度量从一个或多个有限对齐假设中找到最佳接缝。然而，大多数方法中的质量指标被定义为在不考虑像素之间的相关性和方差的情况下测量接缝上像素的平均性能。这可能会导致具有最小度量的接缝在人类感知中不是最优的（感知不一致）。在本文中，我们提出了一种新颖的从粗到细的接缝估计方法，该方法以不同的方式应用评估。对于接缝上的像素，我们开发了一种补丁点评估算法，更多地关注它们的相关性和变化。然后使用评估重新计算
【计算机视觉 | 图像分割】arxiv 计算机视觉关于图像分割的学术速递（7 月 24 日论文合集）
wzk4869的博客
07-24 242
【计算机视觉 | 图像分割】arxiv 计算机视觉关于图像分割的学术速递（7 月 24 日论文合集）
详细解读：Image-to-Markup Generation with Coarse-to-Fine Attention中的Row Encoder
04-03
在Image-to-Markup Generation with Coarse-to-Fine Attention这篇论文中，Row Encoder是指文本序列编码器的一部分，它的作用是将标注文本序列中的单词按照行的结构进行编码。具体来说，Row Encoder接收标注文本序列，将文本序列中的每个单词表示为一个向量，并将同一行的单词向量拼接成一个行向量。这样，Row Encoder就将标注文本序列中的每一行都编码成了一个行向量序列。 Row Encoder使用了双向长短时记忆网络（Bi-LSTM）作为编码器，通过前向和后向LSTM网络分别对输入的单词序列进行建模，得到每个单词的向量表示。然后，将同一行的单词向量拼接成一个行向量，作为该行的表示。最终，Row Encoder将所有行的向量拼接起来，得到整个标注文本序列的编码表示。 值得注意的是，Row Encoder的输出作为后续的注意力机制的输入，用于指导模型在图像中寻找与当前行相对应的区域。同时，Row Encoder还与另一个编码器——图像特征编码器进行交互，共同指导模型生成标注文本序列。在整个模型中，Row Encoder起到了将标注文本序列中的行结构信息编码成向量表示的作用，为后续的生成过程提供了重要的指导。
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
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