Classification of Findings with Localized Lesions in Fundoscopic Images using a Regionally Guided CNN
VUNO Inc.（VUNO公司）；Seoul National University College of Medicine（首尔大学医学院）；Seoul National University Bundang Hospital（首尔大学盆唐医院）
眼科医生经常检查眼底镜图像以发现异常病变并做出诊断。最近卷积神经网络的成功局限于诊断少数疾病，而没有适当的病变定位。在本文中，我们提出了一种有效的注释方法定位病变和CNN架构，可以分类一个单独的发现，并在同一时间定位病变。此外，我们引入了一个新的损失函数，以指导网络学习有意义的模式与指导的区域注释。在实验中，我们证明了我们的网络比广泛使用的网络表现得更好，引导损失有助于实现高达4.1%的AUROC和卓越的定位能力。
2018-11-02 cs.CV
Click Here: Human-Localized Keypoints as Guidance for Viewpoint Estimation
University of Michigan（密歇根大学）
我们激励和解决单目视点估计任务的人在回路中的变体，其中一个语义对象关键点的位置和类在测试时可用。为了利用关键点信息，我们设计了一种称为Click-Here CNN（CH-CNN）的卷积神经网络，它将关键点信息与处理图像的层的激活相集成。它将关键点信息转换为2D地图，可用于更重地加权图像某些部分的特征。这些空间特征的加权和与全局图像特征相结合，以向预测层提供相关信息。为了训练我们的网络，我们在数千个CAD模型上收集了一个新的3D关键点注释数据集，并综合渲染了数百万张具有2D关键点信息的图像。在PASCAL 3D+的测试实例中，我们的模型实现了90.7%的平均类准确率，而最先进的基线仅获得了85.7%的平均类准确率，证明了我们对人在回路推理的论点。
2017-08-04 cs.CV
Exploring Inter-frequency Guidance of Image for Lightweight Gaussian Denoising
Xiaomi Camera（小米相机）
图像去噪在许多成像或计算机视觉相关领域中至关重要。随着卷积神经网络在计算机视觉领域表现出强大的应用能力，基于CNN的图像去噪方法也在不断提高。虽然基于CNN的图像去噪方法在这方面取得了很好的效果，但目前大多数基于CNN的图像去噪方法都试图直接学习从噪声图像到干净图像的映射，缺乏对图像和噪声的先验知识的明确探索。自然图像服从倒幂定律，即图像的低频带往往占据大部分能量。因此，在加性高斯白噪声（AGWN）恶化的条件下，低频带往往比高频带保持更高的PSNR。考虑到不同频带的空间形态一致性，可以使用更逼真的低频带作为指导，以细化污染更严重的高频带。基于这一思想，我们提出了一种新的网络架构表示为IGNet，以细化频带从低到高，在一个渐进的方式。该方法首先利用离散小波变换（DWT）迭代地将特征映射分解为高频子带和低频子带，然后利用每个低频子带特征对高频子带特征进行细化。最后，由解码器处理细化的特征图以恢复干净的结果。通过这种设计，利用了更多的频率间先验和信息，因此可以减轻模型的大小，同时仍然保持有竞争力的结果。在多个公开数据集上的实验表明，该模型具有轻量级的结构，与其他最先进的方法相比，具有竞争力的性能。
2021-12-22 cs.CV eess.IV
When CNN Meet with ViT: Towards Semi-Supervised Learning for Multi-Class Medical Image Semantic Segmentation
University of Oxford（牛津大学）；Imperial College London（伦敦帝国学院）
针对医学图像分割标注稀缺问题，提出一种结合CNN与ViT的半监督框架，通过伪标签双视图协同训练和一致性感知引导，在公共基准上取得最先进性能。
2024-02-08 cs.CV eess.IV
Interactively Transferring CNN Patterns for Part Localization
University of California, Los Angeles（加州大学洛杉矶分校）
在单次/多次学习的情况下，没有足够监督的传统端到端学习策略通常不足以从噪声信号中学习正确的模式。因此，给定一个预先训练用于对象分类的CNN，本文提出了一种方法，该方法首先将隐藏在CNN内部的知识汇总到潜在激活模式的字典中，然后通过人工交互手动组装与目标部件相关的潜在模式来构建一个新的部件定位模型。我们使用很少（例如，三）语义对象部分的注释，以从conv层检索某些潜在模式来表示目标部分。然后，我们将这些潜在模式可视化，并要求用户进一步删除不正确的模式，以改进零件表示。在人工交互的指导下，该方法在实验中表现出了优越的零件定位性能。
2017-11-22 cs.CV
SkinMamba: A Precision Skin Lesion Segmentation Architecture with Cross-Scale Global State Modeling and Frequency Boundary Guidance
College of Artificial Intelligence, Nanjing Agricultural University（南京农业大学人工智能学院）；State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
针对Transformer二次复杂度限制及皮肤病变分割的尺寸、边界难题，提出结合Mamba与CNN的SkinMamba架构，通过SRSSB和FBGM模块实现精准分割，在两个公开数据集上表现出强竞争力。
2024-09-17 cs.CV eess.IV
UnsMOT: Unified Framework for Unsupervised Multi-Object Tracking with Geometric Topology Guidance
Posts and Telecommunications Institute of Technology（邮政电信技术学院）；VinAI Research（VinAI研究院）
提出UnsMOT，一种结合外观、运动与几何信息的无监督多目标跟踪框架，通过图神经网络学习几何嵌入，并在HOTA、IDF1和MOTA指标上超越现有方法。
2023-09-03 cs.AI cs.CV
BGM: Building a Dynamic Guidance Map without Visual Images for Trajectory Prediction
Huazhong University of Science and Technology（华中科技大学）
视觉图像通常包含环境的信息上下文，从而帮助预测代理的行为。然而，由于它们各自固定的语义，很难对Agent的实际行为施加动态的影响。针对这一问题，本文提出了一种确定性模型BGM来构造一个指导图来表示动态语义，避免了用视觉图像来反映不同时期Agent活动的差异。我们首先记录所有代理人的活动在场景中的一段时间内接近当前构建一个指导地图，然后将其馈送到一个上下文CNN，以获得他们的上下文特征。我们采用历史轨迹编码器提取轨迹特征，然后将其与上下文特征相结合，作为基于社会能量的轨迹解码器的输入，从而获得符合社会规则的预测。实验表明，BGM在两个广泛使用的ETH和UCY数据集上实现了最先进的预测精度，并处理更复杂的场景。
2020-10-08 cs.CV
Signal Strength and Noise Drive Feature Preference in CNN Image Classifiers
Wesleyan University（卫斯理大学）
卷积神经网络（CNN）图像分类器中的特征偏好是其决策过程中不可或缺的一部分，虽然该主题已经得到了很好的研究，但仍然没有在基础层面上得到理解。我们测试了一系列任务相关的特征属性（包括形状，纹理和颜色）与不同程度的信号和噪声在高度控制的CNN图像分类实验使用合成数据集，以确定特征偏好。我们发现，CNN更喜欢信号强度更强、噪声更低的特征，而不管特征是纹理、形状还是颜色。这为任务相关特征偏好的预测模型提供了指导，展示了通过仔细控制实验设置可以避免的机器模型中的偏差路径，并建议应该重新审视人类和机器如何在视觉分类任务中偏好任务相关特征的比较。在\url{https://github.com/mwolff31/signal_preference}中可以找到本文中再现实验的代码。
2022-01-19 cs.CV cs.LG
Revitalizing CNN Attentions via Transformers in Self-Supervised Visual Representation Learning
The University of Hong Kong（香港大学）；Tencent AI Lab（腾讯人工智能实验室）；University of Oxford（牛津大学）
自监督视觉表示学习（SSL）的研究提高了编码器的骨干，以区分没有标签的训练样本。虽然通过SSL的CNN编码器实现了与通过监督学习的编码器相当的识别性能，但它们的网络注意力尚未得到进一步改进。受在识别场景中有效探索视觉注意力的Transformers的启发，我们提出了一个CNN注意力恢复（CARE）框架，以训练由SSL中的Transformers引导的注意力集中的CNN编码器。所提出的CARE框架由CNN流（C-stream）和Transformer流（T-stream）组成，其中每个流包含两个分支。C-stream遵循现有的SSL框架，具有两个CNN编码器，两个投影仪和一个预测器。T-stream包含两个Transformers，两个projector和一个predictor。T-Stream连接到CNN编码器，并与其余的C-Stream并行。在训练过程中，我们同时在两个流中执行SSL，并使用T流输出来监督C流。来自CNN编码器的特征在T流中被调制以用于视觉注意力增强，并且变得适合于SSL场景。我们使用这些调制特征来监督C流，以学习专注的CNN编码器。为此，我们以Transformers为指导，重振CNN的关注。几个标准的视觉识别基准，包括图像分类，目标检测和语义分割的实验表明，所提出的CARE框架提高了CNN编码器骨干的最先进的性能。
2021-10-11 cs.CV cs.LG
Generalizing Geometry-Guided Mamba as a Plug-and-Play Context Module for CNN-based Semantic Segmentation
Tamkang University（淡江大学）
将几何引导的Mamba（G-Mamba）作为即插即用的上下文聚合模块，替代六种CNN分割网络的上下文头，在Cityscapes上以少量额外计算量获得一致的mIoU提升。
2026-09-30 cs.CV
2DMCG:2DMambawith Change Flow Guidance for Change Detection in Remote Sensing
Engineering Research Center of Intelligent Technology for Healthcare, Ministry of Education, Jiangnan University（江南大学教育部智慧医疗技术工程研究中心）；School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机学院）
本文提出基于Vision Mamba变体的高效框架2DMCG，通过2DMamba编码器、通道并行扫描策略和特征变化流解码方法，解决遥感变化检测中的空间信息丢失与特征不对齐问题，在LEVIR-CD+和WHU-CD基准上表现优越。
2025-03-01 cs.CV
SegT: A Novel Separated Edge-guidance Transformer Network for Polyp Segmentation
Shaoxing University（绍兴文理学院）；University of Oxford（牛津大学）
针对息肉分割中全局信息导致局部特征丢失及边缘难以确定的问题，提出分离边缘引导Transformer网络，通过分离器和边缘引导模块增强边缘理解，并在五个公开数据集上取得最先进性能。
2023-06-19 cs.CV
Integrated Grad-CAM: Sensitivity-Aware Visual Explanation of Deep Convolutional Networks via Integrated Gradient-Based Scoring
University of Toronto（多伦多大学）；LG AI Research（LG人工智能研究院）
可视化由卷积神经网络（CNN）捕获的特征是在许多图像识别应用中解释由这些模型做出的预测的常规方法之一。Grad-CAM是一种流行的解决方案，它通过结合从模型中获得的激活图来提供这种可视化。然而，在这种方法中部署的平均基于梯度的项低估了模型发现的表示对其预测的贡献。为了解决这个问题，我们引入了一个解决方案来解决这个问题，通过计算梯度CAM中基于梯度的项的路径积分。我们进行了全面的分析，以证明我们的方法在测量提取的表示对CNN的预测的重要性方面所取得的改进，这有助于我们的方法在对象定位和模型解释方面的管理。
2021-02-15 cs.CV
Hi-Fi: Hierarchical Feature Integration for Skeleton Detection
Nankai University（南开大学）；Shanghai University（上海大学）
在自然图像中，物体骨架的尺度（厚度）在物体和物体部分之间可能会有很大的变化，这使得物体骨架检测成为一个具有挑战性的问题。我们提出了一种新的卷积神经网络（CNN）架构，通过引入一种新的分层特征集成机制，命名为Hi-Fi，以解决骨架检测问题。所提出的基于CNN的方法具有强大的多尺度特征集成能力，该能力本质上从更深的层捕获高级语义，以及从更浅的层捕获低级细节。%通过分层集成不同的CNN特征级别和双向指导，我们的方法（1）能够在不同级别的特征之间进行相互细化，（2）具有捕获丰富对象上下文和高分辨率细节的强大能力。实验结果表明，我们的方法显着优于国家的最先进的方法，有效地融合功能，从非常不同的尺度，证明了一个相当大的性能提高几个基准。
2018-08-07 cs.CV
Online Tracking by Learning Discriminative Saliency Map with Convolutional Neural Network
POSTECH（浦项科技大学）；INRIA（法国国家信息与自动化研究所）
提出了一种利用卷积神经网络（CNN）学习判别显著图的在线视觉跟踪算法。给定一个在离线的大规模图像库上预先训练的CNN，我们的算法将网络隐藏层的输出作为特征描述符，因为它们在各种一般的视觉识别问题中表现出出色的表示性能。这些特征用于使用在线支持向量机（SVM）学习区分性目标外观模型。此外，在SVM的指导下，通过反向传播CNN特征构建目标特定的显著图，并基于显著图生成的外观模型获得每帧的最终跟踪结果。由于显著图有效地可视化了目标的空间结构，提高了目标定位精度，使我们能够实现像素级的目标分割。我们验证了我们的跟踪算法的有效性，通过广泛的实验上具有挑战性的基准，我们的方法说明了出色的性能相比，国家的最先进的跟踪算法。
2015-02-24 cs.CV
ThyCLIPNet: A BiomedCLIP-Guided Lightweight Attention-Enhanced DeepLabV3+ Framework for Robust Thyroid Nodule Segmentation
United International University（联合国际大学）；Eötvös Loránd University（厄特沃什·罗兰大学）；BRAC University（BRAC大学）
ThyCLIPNet提出一种轻量级语义引导的编码器-解码器框架，结合BiomedCLIP视觉引导与多尺度CNN，在多个甲状腺超声数据集上实现稳健高效的分割。
2026-10-06 cs.CV
Quasiconformal model with CNN features for large deformation image registration
Georgia Institute of Technology（佐治亚理工学院）；Massachusetts Institute of Technology（麻省理工学院）；National Institute of Mental Health（美国国家精神卫生研究所）；The Chinese University of Hong Kong（香港中文大学）
图像配准在过去的几十年里得到了广泛的研究，在科学、工程和医学中有着广泛的应用。大变形图像配准的传统数学模型大多依赖于指定的标志点，这通常需要繁琐的人工标记，并且容易出错。近年来，对使用机器学习进行图像配准的兴趣激增。提出了一种融合拟共形理论和卷积神经网络（CNN）的大变形图像配准新方法。更具体地说，我们提出了一个准共形能量模型与一个新的保真度项，结合使用预先训练的CNN提取的特征，从而使我们能够获得有意义的注册结果，而无需任何指导规定的地标。此外，与许多先前的图像配准方法，我们的方法的双射性是由准共形理论保证。实验结果证明了该方法的有效性。更广泛地说，我们的工作揭示了如何将严格的数学理论和实用的机器学习方法相结合，以开发性能更好的计算方法。
2021-06-28 cs.CG cs.CV cs.LG
Deep Discriminative Representation Learning with Attention Map for Scene Classification
Institute of Electronics, Chinese Academy of Sciences（中国科学院电子学研究所）；Key Laboratory of Network Information System Technology (NIST), Institute of Electronics, Chinese Academy of Sciences（中国科学院电子学研究所网络信息系统技术重点实验室）；School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院）
遥感图像场景分类的强鉴别特征是计算机视觉的一个具有挑战性的问题。在过去，大多数分类方法都是基于手工制作的特征。然而，最近的遥感场景分类方法是基于卷积神经网络（CNN）。学习这些CNN模型时的实际做法是只使用原始RGB补丁作为输入，并在大量标记数据（ImageNet）上进行训练。在本文中，我们展示了类激活图（CAM）编码的CNN模型，代号为DDRL-AM，使用原始RGB补丁和基于注意力图的类信息进行训练，为标准RGB深度模型提供补充信息。据我们所知，我们是第一个研究注意力信息编码CNN的人。此外，为了提高辨别力，我们进一步采用了最近开发的对象函数称为“中心损失”，这已被证明是非常有用的人脸识别。最后，我们的框架以端到端的方式为模型提供注意力指导。在两个基准数据集上的大量实验表明，我们的方法匹配或超过其他方法的性能。
2019-02-21 cs.CV cs.LG
UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction
School of Computer Science (National Pilot Software Engineering School), Beijing University Of Posts and Telecommunications（计算机学院（国家级试点软件工程学院），北京邮电大学）；School of Cyber Science and Technology, Shenzhen Campus, Sun Yat-sen University（网络科学与技术学院，中山大学深圳校区）
UAGLNet通过合作CNN-Transformer架构和不确定性聚合解码器，提升遥感图像中建筑物提取的准确性和鲁棒性。
2025-12-15 cs.CV
Performance Study of YOLOv5 and Faster R-CNN for Autonomous Navigation around Non-Cooperative Targets
Florida Institute of Technology（佛罗里达理工学院）；Energy Management Aerospace（能源管理航空航天公司）
围绕非合作空间物体的自主导航和路径规划是一种在轨服务和空间碎片清除系统的赋能技术。导航任务包括确定目标物体的运动，识别适合抓取的目标物体特征，以及识别碰撞危险和其他禁止区域。有了这方面的知识，追踪航天器就可以被引导到捕获地点，而不会损坏目标物体，也不会因覆盖太阳能电池阵列或通信天线而不适当地影响服务目标的操作。自主实现目标识别、表征和特征识别的一种方式是通过使用人工智能算法。本文讨论了如何将摄像机和机器学习算法相结合来实现相对导航任务。使用佛罗里达理工学院ORION实验室编队飞行模拟中获得的实验数据测试了两种基于深度学习的目标检测算法的性能，即更快的基于区域的卷积神经网络（R-CNN）和You Only Look Once（YOLOv 5）。模拟场景改变目标物体的偏航运动、追逐者接近轨迹和照明条件，以便在广泛的现实和性能限制情况下测试算法。分析的数据包括平均精度度量，以比较对象检测器的性能。本文讨论了实现特征识别算法的途径，并将其集成到航天器制导、导航和控制系统中。
2023-01-22 cs.CV cs.RO
Grid-Preserving Knowledge Distillation: Transferring Convolutional Inductive Bias to Vision Transformers under Data Scarcity
本文提出iBKD蒸馏框架，在数据稀缺场景下通过保留网格的核心模块向ViT迁移卷积归纳偏置，在多基准上优于相关方法且优势随数据减少而扩大。
2026-08-14 cs.CV
A Text Attention Network for Spatial Deformation Robust Scene Text Image Super-resolution
The Hong Kong Polytechnic University（香港理工大学）；OPPO Research（OPPO研究院）
场景文本图像超分辨率的目的是提高低分辨率图像中文本的分辨率和可读性。虽然深度卷积神经网络（CNN）已经取得了显着的改善，它仍然很难重建高分辨率的图像空间变形的文本，特别是旋转和曲线形状的。这是因为当前基于CNN的方法采用基于局部的操作，这对于处理由变形引起的变化是无效的。在本文中，我们提出了一个基于CNN的文本注意网络（TATT）来解决这个问题。首先通过文本识别模块提取文本的语义作为文本的先验信息。然后，我们设计了一个新的基于transformer的模块，它利用全局注意力机制，发挥文本的语义指导之前的文本重建过程。此外，我们提出了一个文本结构的一致性损失，以改善的视觉外观，通过施加结构的一致性重建的规则和变形的文本。在TextZoom基准数据集上的实验表明，该算法不仅在PSNR/SSIM指标上达到了最佳性能，而且在后续文本识别任务中显著提高了识别精度，尤其是对于多方向和弯曲形状的文本实例。代码可在https://github.com/mjq11302010044/TATT上获得。
2022-03-18 cs.CV
Adaptive Guidance Learning for Camouflaged Object Detection
Nanjing University（南京大学）；Nankai University（南开大学）；G42
针对伪装目标检测中辅助线索依赖定制设计、适应性不足的问题，本文提出端到端 AGLNet，通过 AIG、HFC 和 RD 模块自适应融合多类额外线索，并在三个基准上显著超过 20 种近期方法。
2024-05-07 cs.CV
Landmark Guidance Independent Spatio-channel Attention and Complementary Context Information based Facial Expression Recognition
在现实世界场景中识别面部表情的最近趋势是在本地部署基于注意力的卷积神经网络（CNN）以表示面部区域的重要性，并将其与全局面部特征和/或其他补充上下文信息相结合以获得性能增益。然而，在存在遮挡和姿态变化的情况下，不同的通道不同地响应，并且进一步地，通道的响应强度跨空间位置而不同。此外，现代面部表情识别（FER）架构依赖于外部来源，如地标检测器来定义注意力。地标探测器的故障将对FER产生级联影响。此外，没有强调输入以计算补充上下文信息的特征的相关性。利用上述观察结果，在这项工作中提出了一种端到端的FER架构，该架构通过新颖的空间通道注意力网络（SCAN）获得每个空间位置的每个通道的局部和全局注意力，而无需从地标检测器中寻求任何信息。SCAN由补充上下文信息（CCI）分支补充。此外，使用有效的信道注意力（ECA），输入到CCI的特征的相关性也参加。所提出的架构的表示学习是强大的闭塞和姿态变化。在实验室和野外数据集（AffectNet，FERPlus，RAF-DB，FED-RO，SFEW，CK+，Oulu-CASIA和JAFFE）上证明了所提出模型的鲁棒性和优越性能，以及几个构建的类似COVID-19场景中蒙面面孔的面罩数据集。代码可在https://github.com/1980x/SCAN-CCI-FER上公开获取
2020-07-25 cs.CV
Anatomical-Guided Attention Enhances Unsupervised PET Image Denoising Performance
Hamamatsu Photonics K. K.（滨松光子学株式会社）；Hamamatsu University School of Medicine（滨松医科大学）
尽管监督卷积神经网络（CNN）在对正电子发射断层成像（PET）图像进行去噪方面通常优于传统的替代方案，但它们需要许多低质量和高质量的参考PET图像对。本文提出了一种基于解剖信息引导注意机制的无监督三维PET图像去噪方法。提出的磁共振引导深度解码器（MR-GDD）通过引入编码器-解码器和深度解码器子网络，更有效地利用MR引导图像的空间细节和语义特征。此外，引导图像的特定形状和图案不影响去噪的PET图像，因为引导图像通过注意门输入到网络。在[ $^{18}$ F]氟代-2-脱氧-D-葡萄糖（FDG）的蒙特卡罗模拟中，所提出的方法获得了最高的峰信噪比和结构相似性（27.92 $\pm$ 0.44 dB/0.886 $\pm$ 0.007），与高斯滤波相比（26.68 $\pm$ 0.10 dB/0.807 $\pm$ 0.004），图像引导滤波（27.40 $\pm$ 0.11 dB/0.849 $\pm$ 0.003），深度图像先验（DIP）（24.22 $\pm$ 0.43 dB/0.737 $\pm$ 0.017）和MR-DIP（27.65 $\pm$ 0.42 dB/0.879 $\pm$ 0.007）。此外，我们通过实验可视化了优化过程的行为，这在无监督的基于CNN的恢复问题中通常是未知的。对于临床前（使用[ $^{18}$ F]FDG和[ $^{11}$ C]雷氯必利）和临床…
2021-09-08 cs.CV cs.LG physics.med-ph
Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification
Queensland University of Technology（昆士兰科技大学）
针对胃肠道内窥镜分类模型资源需求高的问题，本文提出基于多头注意力特征融合的多教师关系蒸馏框架，在KVASIR-V2和Hyper-KVASIR上获得仅51.8k参数的高效轻量模型。
2023-08-17 cs.CV
Visual Explanation via Similar Feature Activation for Metric Learning
Griffith University（格里菲斯大学）；Shaanxi University of Science and Technology（陕西科技大学）
本文提出了一种名为SFAM的可视化解释方法，用于度量学习模型中通过相似特征激活来提供可解释性视觉解释。
2025-12-29 cs.CV
MENTOR: Human Perception-Guided Pretraining for Increased Generalization
University of Notre Dame（内布拉斯加大学）
本文提出 MENTOR 预训练方法，通过两阶段训练将人类感知数据融入 CNN：先训练自编码器学习人类显著性图，再利用编码器结合分类层进行常规训练，有效提升了模型在多种异常检测任务中的泛化能力。
2025-04-26 cs.CV
ABC: Attention with Bilinear Correlation for Infrared Small Target Detection
Nanjing University of Science and Technology（南京理工大学）
红外小目标检测在预警、救援、制导等方面有着广泛的应用。然而，基于CNN的深度学习方法在分割红外小目标（IRST）时效果不佳，缺乏清晰的轮廓和纹理特征，而基于Transformer的方法由于缺乏卷积诱导偏差也难以取得显著的效果。为了解决这些问题，我们提出了一个新的模型称为注意力与双线性相关（ABC），这是基于Transformer架构，并包括一个卷积线性融合Transformer（CLFT）模块与一个新的注意力机制的特征提取和融合，有效地增强目标特征和抑制噪声。此外，我们的模型还包括一个位于网络深层的u形卷积扩张卷积（UCDC）模块，它利用更深层次特征的较小分辨率来获得更精细的语义信息。在公共数据集上的实验结果表明，我们的方法达到了最先进的性能。代码可在https://github.com/PANPEIWEN/ABC上获得
2023-03-18 cs.CV
Guided Feature Selection for Deep Visual Odometry
Peking University（北京大学）；Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；Beijing Changcheng Aviation Measurement and Control Institute（北京长城航空测控技术研究所）
我们提出了一种新的端到端的视觉里程计架构与指导特征选择的基础上深度卷积递归神经网络。不同于目前的单目视觉里程计方法，我们的方法是建立在直觉上，功能有助于区分不同的运动模式。具体来说，我们提出了一个双分支递归网络，分别利用当前的卷积神经网络（CNN）的特征表示和递归神经网络（RNN）的图像序列推理学习旋转和平移。为了提高特征选择的能力，我们进一步引入了一个有效的上下文感知的指导机制，迫使每个分支提取相关信息，为特定的运动模式明确。实验表明，在流行的KITTI和ICL_NUIM基准测试中，我们的方法在解耦和联合相机姿态恢复方面都优于当前最先进的基于模型和基于学习的方法。
2018-11-25 cs.CV cs.RO
Supervised Dimensionality Reduction Revisited: Why LDA on Frozen CNN Features Deserves a Second Look
independent researchers（独立研究人员）
本文重新审视了在冻结特征上使用LDA进行监督降维的有效性，发现其在粗粒度任务中提升准确率，但在细粒度任务中表现不佳，揭示了LDA在不同任务场景下的适用边界。
2026-05-10 cs.AI cs.CV cs.LG
