Md Aminur Hossain
PulseAugur coverage of Md Aminur Hossain — every cluster mentioning Md Aminur Hossain across labs, papers, and developer communities, ranked by signal.
-
新型SFG-SwinSR模型提升遥感图像超分辨率
研究人员开发了一种名为SFG-SwinSR的新模型，该模型通过引入空间-频率门控前馈网络来增强遥感图像超分辨率。这种新颖的方法区分低频结构和残差细节，并进行自适应细化。在SEN2VENμS、OLI2MSI和SEN2NAIP等跨传感器基准上进行测试，SFG-SwinSR在现有基于Swin的方法上表现出持续的改进，为结构感知超分辨率提供了轻量级但有效的归纳偏置。
-
AlignJEPA框架通过预测视觉语言对齐增强遥感模型
研究人员推出AlignJEPA，一个旨在改善遥感基础模型与自然语言之间对齐的新框架。该方法采用受JEPA启发的预测对齐方法，专注于从掩码视觉标记预测文本嵌入，而不是仅仅依赖全局对比对齐。AlignJEPA采用轻量级预测对齐网络、预训练的AnySat视觉编码器和RemoteCLIP文本编码器，展示了一条提高地球观测模型语言理解能力的参数高效途径。
-
混合量子经典模型推动遥感AI发展
研究人员开发了HQ-JEPA，一种用于从跨模态遥感数据中学习表示的新型混合量子经典架构。该框架通过整合量子相似性度量和多个自监督目标，增强了联合嵌入预测架构。在GeoBench任务上进行评估，HQ-JEPA在与现有基础模型相比时表现出竞争力，突显了将量子计算原理融入遥感AI的潜力。
-
混合量子-经典网络提升遥感图像分割性能
研究人员开发了两种新的混合量子-经典神经网络架构，HQF-Net和HQ-UNet，用于遥感图像分割。HQF-Net集成了冻结的DINOv3 ViT-L/16骨干网络和U-Net结构，并融入了量子增强的跳跃连接以及带有混合专家模型的量子瓶颈。HQ-UNet设计更为紧凑，在经典U-Net的瓶颈处使用参数化量子电路，并采用非池化量子卷积模块。两种模型在基准数据集上的表现均优于经典的U-Net基线模型，表明混合方法在地球观测领域高效密集预测方面的潜力。