Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Mar 15, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

1.2K

通过共弦相似度交叉注意力融合几何和语义特征,用于远程传感场景分类.

Xuefei Xu1, Chengjun Xu2,3

  • 1School of Information Engineering, Shanghai Dianji University, Shanghai 201306, China.

Sensors (Basel, Switzerland)
|March 14, 2026
PubMed
概括

本研究介绍了CBCAM-LGM,这是一个高分辨率遥感图像场景分类的高效框架. 它通过自适应地融合多层次特征来实现最先进的准确性,并显著降低了复杂性.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Stock Forecasting Based on Informational Complexity Representation: A Framework of Wavelet Entropy, Multiscale Entropy, and Dual-Branch Network.

Entropy (Basel, Switzerland)·2026
Same author

Towards Lightweight and Multi-Scale Scene Classification: A Lie Group-Guided Deep Learning Network with Collaborative Attention.

Journal of imaging·2026
Same author

A Multi-Scale Object Detection Network with Integrated Spatial-Channel Collaborative Attention for Remote Sensing Images.

Sensors (Basel, Switzerland)·2026
查看所有相关文章

科学领域:

  • 地球观测 地球观测
  • 计算机视觉 计算机视觉
  • 人工智能的人工智能

背景情况:

  • 高分辨率遥感图像场景分类 (HRRSI-SC) 对地球表面信息至关重要,但面临诸如背景干扰和特征模糊性等挑战.
  • 卷积神经网络 (CNN) 难以处理远程依赖,而视觉转换器 (ViT) 是计算密集型的,可能缺乏本地特征建模.
  • 现有的方法往往无法有效地平衡全球和本地特征提取,导致HRRSI-SC.的性能不足最佳.

研究的目的:

  • 为HRRSI-SC.提出一个高效和准确的跨层次特征互补分类框架,CBCAM-LGM,用于HRRSI-SC.
  • 通过实现多颗粒度特征的自适应融合来解决CNN和ViT的局限性.
  • 为了减少计算复杂性,同时保持高分类准确性.

主要方法:

  • 一个新的跨层次双向互补注意模块 (CBCAM) 用于使用交叉查询注意力的自适应特征融合.
  • 通过全球平均汇聚来减少冗余性的多颗粒度特征的蒸.
  • 具有参数共享的并行扩展卷积,以有效地捕获多尺度的上下文信息.

主要成果:

  • 在AID数据集上实现了97.81%的最先进的分类准确度,超过了ViT-B-16的1.63%.
  • 将计算复杂度降低到1.21个GMAC,只有11237万个参数 (87%的减少).
关键词:
李集团 李集团 李集团一个跨层次的注意力.双分支网络是双分支网络的组成部分.多层次的核聚变.遥感场景分类 遥感场景分类

相关实验视频

Last Updated: Mar 15, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

1.2K
  • 在捕获多尺度上下文信息和处理特征模糊性方面表现出卓越的性能.

    • 结论:

    • 拟议的CBCAM-LGM框架为HRRSI-SC提供了一个高效和高度准确的解决方案.
    • 跨层次的特征互补方法有效平衡全球和本地特征提取.
    • 该模型在遥感图像分析的准确性,参数效率和计算成本方面取得了重大进展.