BriefGPT - AI 论文速递
·
PAD：自监督预训练与红外图像的 Patchwise-Scale Adapter
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究介绍了自主学习在红外图像领域的应用，提供了一个大规模红外预训练数据集，并通过对象敏感的随机 RoI 裁剪方法和面向纹理缺失的图像预处理方法解决了传统方法在红外图像上的挑战。实验证明，该方法优于其他基线模型，仅使用了 1.23M 可预训练参数。
🎯
关键要点
-
该研究介绍了自主学习在红外图像领域的应用。
-
提供了一个大规模红外预训练数据集。
-
采用对象敏感的随机 RoI 裁剪方法解决传统方法在红外图像上的挑战。
-
使用面向纹理缺失的图像预处理方法提高图像质量。
-
引入可动态学习尺度因子的分块适配器，实现预训练特征和新特征之间的灵活协调。
-
实验证明该方法在三个下游任务上优于其他基线模型。
-
该方法仅使用了 1.23M 可预训练参数。
➡️
