多视角学习用于多波长极光图像的自动分类
原文中文,约400字,阅读约需1分钟。发表于: 。该论文提出了一种基于多视角的轻量级极光多波长融合分类网络,MLCNet,通过轻量级特征提取与多尺度重构特征以及注意力特征增强模块的设计,有效改善了极光分类性能,达到了先进的分类准确度和计算效率。
该研究提出了一种多域特征关系学习网络(MD-FRN),通过学习交互式跨域特征关系,提高了稳健性,并发布了一个包含1300对可见光和红外图像的数据集VL-CMIM。
该论文提出了一种基于多视角的轻量级极光多波长融合分类网络,MLCNet,通过轻量级特征提取与多尺度重构特征以及注意力特征增强模块的设计,有效改善了极光分类性能,达到了先进的分类准确度和计算效率。
该研究提出了一种多域特征关系学习网络(MD-FRN),通过学习交互式跨域特征关系,提高了稳健性,并发布了一个包含1300对可见光和红外图像的数据集VL-CMIM。