Atrous Spatial Pyramid Pooling
PulseAugur coverage of Atrous Spatial Pyramid Pooling — every cluster mentioning Atrous Spatial Pyramid Pooling across labs, papers, and developer communities, ranked by signal.
-
新的UBLLIE框架统一了背光和低光图像增强
研究人员推出了一种新颖的无监督框架UBLLIE，旨在增强背光和低光图像。该方法不需要配对的真实数据，而是利用CLIP引导的提示学习进行语义监督。该框架采用带有空洞空间金字塔池化的U-Net骨干网络来捕获多尺度上下文，从而实现对不均匀照明的自适应校正。在各种数据集上的实验表明，UBLLIE在保真度、感知质量和泛化能力方面优于现有的监督和无监督技术，同时也强调了改进背光图像增强基准测试的必要性。
-
深度学习模型EA-RMENet提高了无线电地图预测的准确性
研究人员开发了EA-RMENet，一个用于准确高效无线电地图估计的深度学习模型。该模型采用U-Net框架，配备EfficientNetB5编码器、注意力门控跳跃连接和空洞空间金字塔池化，以提高特征抑制和多尺度上下文捕获能力。在RadioMapSeer3D数据集上，EA-RMENet实现了0.0334的测试预测RMSE，每样本的推理时间仅为0.022秒。它还在ICASSP 2023无线电地图预测挑战赛中获得第三名，RMSE为0.0406…
-
AI框架HREM-Net推进电解槽部件分割以应用于氢能技术
研究人员开发了一种名为HREM-Net的新型深度学习框架，以改进用于可持续氢能技术的电解槽部件的语义分割。这种双分支方法集成了高光谱成像（HSI）和RGB数据，以克服视觉相似性、光谱重叠和类别不平衡等挑战。HREM-Net集成了高效通道注意力（Efficient Channel Attention）和坐标注意力（Coordinate Attention）等先进模块，在自定义数据集上实现了高准确率和mIoU分数，展示了其在预测性维护和回…
-
SAM3引导框架在数据有限的情况下增强无人机目标分割
研究人员开发了一种新颖的框架，用于改进无人机（UAV）目标分割，特别是在标注数据有限的情况下。该方法利用Segment Anything Model 3（SAM3）生成伪标签，然后使用这些伪标签来训练一个名为IPS-Seg的轻量级分割网络。该框架采用两阶段过程：首先生成粗略的掩码，然后在局部图像块上进行细化，以获得更精确的对象边界。实验表明，该方法有效地平衡了分割精度和计算效率，突显了大型基础模型在低标签环境中训练专用视觉网络的效用。