University of Pavia
PulseAugur coverage of University of Pavia — every cluster mentioning University of Pavia across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的神经符号方法提升了张量网络在数据稀疏场景下的表现
研究人员开发了一种新的神经符号正则化方法，用于秩约束张量神经网络，旨在提高在标记数据有限场景下的性能。该方法将可微分的原型规则与现有的Rank-R目标相结合，增强了模型学习类别几何的能力。在高光谱基准测试上的评估表明，特别是在使用空间分离的评估折叠时，Macro-F1分数有了显著提高，其中大部分收益归因于训练时的正则化。
-
OmniHSR模型在多光谱超分辨率任务中实现了跨传感器泛化
研究人员开发了OmniHSR，一种新颖的多光谱超分辨率方法，可在不同传感器和尺度之间实现泛化。OmniHSR不直接预测光谱值，而是预测共享频带的空间算子，使其能够在任意尺度下重建图像，并适应未见过的传感器，而无需目标域训练数据。该方法在多个数据集上展示了优于现有基线方法的性能和显著更快的推理速度。
-
新的BCG-Former模型提供帕累托最优的高光谱图像分类
研究人员开发了BCG-Former，这是一种新颖的CNN-Transformer混合模型，专为高效的高光谱图像分类而设计。该模型优先考虑准确性和计算效率，使其适用于无人机等资源受限的平台。BCG-Former引入了三项关键创新：用于自适应光谱重新校准的带上下文门控（Band-Contextual Gating），用于整合光谱和空间特征的光谱摘要令牌（spectral summary token），以及一种高效的联合表示学习方法。在多个…
-
新方法提高高光谱分类精度
研究人员开发了一种名为SGBR-HC的新型两阶段超光谱波段选择方法，旨在提高分类精度。该方法使用监督光谱排序来初始化可训练的稀疏门控，从而允许在训练过程中确定所选波段的数量，而不是预先固定。在对具有空间分离验证的标准数据集进行评估时，SGBR-HC使用大约二十个波段实现了高精度，这凸显了其排序先验和仔细评估以避免空间泄露的重要性。
-
新框架提升高光谱图像分类效率
研究人员开发了几个用于高效高光谱图像分类的新框架，旨在降低计算成本并提高性能。SpectralTrain将课程学习与PCA集成以加快训练速度，而DE-CFFN使用因子分析和架构修改来实现数据效率。MixerSENet和SS-MixNet引入了带有混合器块和注意力机制的轻量级架构，以用更少的参数和更少的标记数据实现高精度。