1. Toy模板网首页
  2. >Toy博客

论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection

1年前作者：醋酸洋红就是我分类：Toy博客阅读(6)违法举报

这篇具有很好参考价值的文章主要介绍了论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

基本信息

期刊 CVPR
年份 2023
论文地址 https://arxiv.org/pdf/2303.09030.pdf
代码地址 https://github.com/zcablii/LSKNet

标题

遥感目标检测的大选择核网络

目前存在的问题

相对较少的工作考虑到强大的先验知识存在于遥感图像。航空图像通常是用高分辨率的鸟瞰图拍摄的。特别是，航拍图像中的大多数物体可能体积较小，仅从它们的外观很难识别。相反，这些物体的成功识别往往依赖于它们的上下文，因为周围的环境可以提供关于它们的形状、方向和其他特征的有价值的线索。

  1. 遥感图像中目标的精确检测往往需要广泛的上下文信息。
  2. 不同对象类型所需的上下文信息的范围是非常不同的。

改进

大核卷积
卷积核大小和膨大率的增加保证了感受野的快速扩展。我们设置了膨胀率的上界，以保证膨胀卷积不会在特征图之间引入间隙。例如，我们可以将一个大的内核分解为2或3个深度卷积，如表2所示，它们的理论感受野分别为23和29。

优点：

  1. 它显式地生成多个具有各种大型接受域的特性，这使得以后的内核选择更加容易。
  2. 顺序分解比简单地应用单个更大的内核更有效。我们的分解比标准的大卷积核大大减少了参数的数量

空间核选择
在不同尺度上从大卷积核中空间选择特征映射

首先，我们将不同感受野范围的不同核的特征进行串联，然后采用基于通道的平均和最大池化方法有效地提取空间关系，将空间融合的特征进行串联，并使用卷积层将融合的特征(2通道)转换为N个空间注意图，对于每个空间注意图̂SAi，使用一个sigmoid激活函数，对分解后的每个大核分别获得单个空间选择掩码，将分解后的大核序列中的特征按其对应的空间选择掩模加权，再经卷积层融合得到注意特征S

网络结构

论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection,论文阅读,论文阅读,目标检测,人工智能
论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection,论文阅读,论文阅读,目标检测,人工智能

另一个写的好的参考

网址文章来源地址https://www.toymoban.com/news/detail-717371.html

到了这里，关于论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处： 如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：
领支付宝红包赞助服务器费用

相关文章

  • 自监督论文阅读笔记 RingMo: A Remote Sensing Foundation Model with Masked Image Modeling

    自监督论文阅读笔记 RingMo: A Remote Sensing Foundation Model with Masked Image Modeling

            深度学习方法促进了遥感 (RS) 图像解释的快速发展。最广泛使用的训练范式是利用 ImageNet 预训练模型来处理指定任务的 RS 数据。然而，存在  自然场景与RS场景之间的领域差距 ，以及 RS模型泛化能力差 等问题。开发 具有通用 RS 特征表示的基础模型 是有意义的。

    2024年02月16日
    浏览(9)
  • [论文阅读]Coordinate Attention for Efficient Mobile Network Design

    [论文阅读]Coordinate Attention for Efficient Mobile Network Design

      最近关于移动网络设计的研究已经证明了通道注意力(例如， the Squeeze-and-Excitation attention)对于提高模型的性能有显著的效果，但它们通常忽略了位置信息，而位置信息对于生成空间选择性注意图非常重要。在本文中，我们提出了一种新的移动网络注意力机制，将位置信息

    2024年02月07日
    浏览(12)
  • 【论文阅读】Augmented Transformer network for MRI brain tumor segmentation

    【论文阅读】Augmented Transformer network for MRI brain tumor segmentation

    Zhang M, Liu D, Sun Q, et al. Augmented transformer network for MRI brain tumor segmentation[J]. Journal of King Saud University-Computer and Information Sciences, 2024: 101917. [开源] IF 6.9 SCIE JCI 1.58 Q1 计算机科学2区 【核心思想】 本文提出了一种新型的MRI脑肿瘤分割方法，称为增强型transformer 网络（AugTransU-Net），

    2024年01月23日
    浏览(13)
  • 论文阅读——MAT: Mask-Aware Transformer for Large Hole Image Inpainting

    论文阅读——MAT: Mask-Aware Transformer for Large Hole Image Inpainting

    原文链接： 2022 CVPR 2022 MAT: Mask-Aware Transformer for Large Hole Image Inpainting  [pdf]   [code] 本文创新点： 开发了一种新颖的修复框架 MAT，是第一个能够直接处理高分辨率图像的基于 transformer 的修复系统。 提出了一种新的多头自注意力 (MSA) 变体，称为多头上下文注意力 (MCA)，只使用

    2024年02月08日
    浏览(7)

  • 论文阅读：Making Large Language Models A Better Foundation For Dense Retrieval

    论文链接 密集检索需要学习区分性文本嵌入来表示查询和文档之间的语义关系。考虑到大型语言模型在语义理解方面的强大能力，它可能受益于大型语言模型的使用。然而，LLM是由文本生成任务预先训练的，其工作模式与将文本表示为嵌入完全不同。因此，必须研究如何正确

    2024年01月21日
    浏览(11)
  • Lightening Network for Low-Light Image Enhancement 论文阅读笔记

    Lightening Network for Low-Light Image Enhancement 论文阅读笔记

    这是2022年TIP期刊的一篇有监督暗图增强的文章 网络结构如图所示： LBP的网络结构如下： 有点绕，其基于的理论如下。就是说，普通的暗图增强就只是走下图的L1红箭头，从暗图估计一个亮图。但是其实这个亮图和真实的亮图还是有一些差距，怎么弥补呢，可以再进一步学习

    2024年02月16日
    浏览(9)
  • 【论文阅读笔记】PraNet: Parallel Reverse Attention Network for Polyp Segmentation

    【论文阅读笔记】PraNet: Parallel Reverse Attention Network for Polyp Segmentation

    PraNet: Parallel Reverse Attention Network for Polyp Segmentation PraNet：用于息肉分割的并行反向注意力网络 2020年发表在MICCAI Paper Code 结肠镜检查是检测结直肠息肉的有效技术，结直肠息肉与结直肠癌高度相关。在临床实践中，从结肠镜图像中分割息肉是非常重要的，因为它为诊断和手术

    2024年01月20日
    浏览(15)
  • 论文解读：BIT | Remote Sensing Image Change Detection with Transformers

    论文解读：BIT | Remote Sensing Image Change Detection with Transformers

    论文解读：BIT | Remote Sensing Image Change Detection with Transformers 论文地址：https://arxiv.org/pdf/2103.00208.pdf 项目地址：https://github.com/justchenhao/BIT_CD 现代变化检测（CD）凭借其强大的深度卷积识别能力取得了显著的成功。然而，由于场景中物体的复杂性，高分辨率遥感CD仍然具有挑战性

    2024年02月04日
    浏览(6)
  • 论文阅读 - Non-Local Spatial Propagation Network for Depth Completion

    论文阅读 - Non-Local Spatial Propagation Network for Depth Completion

    本文提出了一种非局部的空间传播网络用于深度图补全，简称为NLSPN。 （1）为什么需要深度图补全？ 在AR、无人机控制、自动驾驶和运动规划等应用当中，需要知道物体的稠密深度信息。现有的大部分深度传感器，如雷达、RGB-D相机等，可以提供RGB图片和准确的稀疏深度图，

    2024年02月19日
    浏览(10)
  • [论文阅读笔记] TRACE: A Comprehensive Benchmark for Continual Learning In Large Language Models

    [论文阅读笔记] TRACE: A Comprehensive Benchmark for Continual Learning In Large Language Models

    TRACE: A Comprehensive Benchmark for Continual Learning In Large Language Models arXiv2023 复旦大学 Benchmark、Continual Learing、LLMs 已经对齐过的大模型 (Aligned LLMs )能力很强，但持续学习能力缺乏关注； 目前CL的benchmark对于顶尖的LLMs来说过于简单，并且在指令微调存在model的potential exposure。(这里的

    2024年01月18日
    浏览(20)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包，优惠每天领

二维码1

领取红包

二维码2

领红包