涨点神器!30种特征提取魔改方法
特征提取是计算机视觉领域经久不衰的研究热点,不论是SLAM、SFM、三维重建等重要应用的底层都是建立在特征点跨图像可靠地提取和匹配之上。
深度学习中的特征提取是指通过神经网络自动地学习出数据的高层次抽象表示。在传统机器学习中,特征工程是需要手动设计并选择特定的特征来描述数据,而这往往是一项非常耗时且需要专业知识的工作。
深度学习进行特征提取的优势在于,它能够根据数据本身学习出最有用、最具区分力的特征,并且可以处理大规模、高维度的原始数据,从而获得更好的性能和更高的准确率。
这次我整理了深度学习融合魔改+30种特征提取方法论文大合集,
论文合集获取方式如下:
添加课程回复"深度学习"
深度学习特征融合魔改方法(因篇幅有限,仅展示前10篇)
1.金字塔池化
代表论文:Feature pyramid networks for object detection
2.反卷积、跳跃连接、多尺度模型等
代表论文:Deconvolutional Single Shot Detector
FSSD: Feature Fusion Single Shot Multibox Detector
3.双流特征融合
代表论文:Large-scale Contrastive Language-Audio Pretraining with Feature Fusion and Keyword-to-CaptionAugmentation
4.自适应特征融合
代表论文:Domain Generalization for Activity Recognition via Adaptive Feature Fusion
5.复合多分支特征融合
代表论文:Compound Multi-branch Feature Fusion for Real Image Restoration
这次我整理了深度学习融合魔改+30种特征提取方法论文大合集,
论文合集获取方式如下:
添加课程回复"深度学习"
6.特征求外积+展开之后过MLP:
代表论文:Tensor fusion network for multimodal sentiment analysis
7.Autoencoder和GAN相关
代表论文:Adaptive fusion techniques for multimodal data
8.典型相关分析
代表论文:Deep Feature Fusion for VHR Remote Sensing Scene Classification
9.加权求和(注意力机制、self-attention、门控机制等
代表论文:CentralNet: a Multilayer Approach for Multimodal Fusion
10构图,然后采用图神经网络
代表论文:Multi-modal Knowledge Graphs for Recommender Systems
这次我整理了深度学习融合魔改+30种特征提取方法论文大合集,
论文合集获取方式如下:
添加课程回复"深度学习"
基于检测器的模型
1.先检测后描述
Zippypoint: Fast interest point detection, description, and matching through mixed precision discretization
2.联合检测与描述
Sfd2: Semantic-guided feature detection and description
3.描述后检测
Shared coupling-bridge for weakly supervised local feature learning
4.基于图的方法
Gluestick: Robust image matching by sticking points and lines together
这次我整理了深度学习融合魔改+30种特征提取方法论文大合集,
论文合集获取方式如下:
添加课程回复"深度学习"
无检测器模型
1.基于CNN的方法深度之眼整理
Deepmatcher: a deep transformer-based network for robust and accurate local feature matching
2.基于Transformer的方法
Gradient-semantic com pensation for incremental semantic segmentation
3.基于Patch的方法
Structured epipolar matcher for local feature matching
这次我整理了深度学习融合魔改+30种特征提取方法论文大合集,
论文合集获取方式如下:
添加课程回复"深度学习"
微信扫码关注该文公众号作者