Feature Fusion
기능 융합

이 기사에서는 얼굴 감지를 위해 일종의 개선된 합성곱 신경망 알고리즘 DFS(특징 융합 및 분할 감독 감지)를 사용하고 YCrCb 타원 피부색 모델을 마스크 인식에 사용합니다.

본 논문은 IMFE-Net이라는 주간 및 야간 흐릿한 장면을 위한 종단간 컨볼루션 신경망(CNN) 기반의 개선된 다중 기능 융합 접근 방식을 대기 산란 모델의 관점에서 제시합니다. 안개가 없는 이미지.

둘째, 특징 피라미드 네트워크와 같은 모델의 점진적 특징 융합은 세부 특징의 늦은 융합으로 인해 날카로운 경계 감지의 효율성을 잃습니다.

BAFPN은 Adaptive Spatial Feature Fusion을 구현하여 YOLOv4를 기반으로 정확한 객체 감지 네트워크를 구성하는 새로운 양방향 기능 피라미드 네트워크입니다.

그런 다음 이 논문에서 제안하는 새로운 심층 신경망인 EWFAN(Efficient Weighted Feature Fusion and Attention Network)을 사용하여 항공기를 감지합니다.

기능 융합 프로세스는 해당 네트워크의 레이어로 심층 신경망에 통합됩니다.

특히 네트워크가 경계 영역에 더 많은 주의를 기울일 수 있도록 EDM(Edge Detection Module)을 개발합니다. 깊이 맵에서 콘텐츠 불연속성을 추출하기 위해 깊이 기능 융합 모듈(DFFM)을 제시합니다. 텍스처 불연속성을 나타내기 위해 다중 수용 필드 기능을 융합하는 다중 영역 기능 추출 모듈(MFEM)을 소개합니다.

네트워크는 특징 추출 모듈, 특징 융합 모듈 및 이미지 재구성 모듈로 구성됩니다.

먼저 U-Net 네트워크를 사용하여 채널 차원에서 특징 이미지를 스티칭하여 특징 융합을 달성하는 핵 이미지를 분할하고 건너뛰기 구조를 사용하여 하위 및 상위 수준 특징을 결합합니다.

두 경로의 끝에서 두 경로의 고급 기능 맵을 병합하는 기능 융합 모듈을 설계합니다.

본 연구에서는 정확한 건물 변화 지수 생성을 위해 원격탐사 영상에서 직접 2D 특징을 추출하는 것과 DIM(Dense Image Matching) 생성 3D 포인트 클라우드로 추출한 3D 특징 모두에서 다중 특징 융합의 적용 가능성을 조사합니다.

둘째, 새로운 다중 스케일 공간 컨텍스트 향상 모듈은 원격 감지 이미지에서 물체의 대규모 변형 문제를 해결하고 물체 간의 장거리 공간 관계를 캡처하는 기능 융합을 개선하기 위해 도입되었습니다.

이 기사에서 우리는 Disport 데이터베이스에서 본질적으로 무질서한 단백질의 무질서한 영역을 예측하기 위해 지원 벡터 머신을 기반으로 하는 다중 기능 융합 모델을 구성했습니다.

이 연구에서 고안된 강력한 기능과 약한 기능의 기능 융합 전략을 사용하여 다중 확률 지원 벡터 머신은 LS 및 텍스처 기능을 통합한 다음 병합되어 앙상블 모델 EPSVM을 형성합니다.

이 문제를 해결하기 위해 본 논문에서는 다중 기능 융합 및 MFNL-Net(Non-Local Channel Attention Mechanism) 기반의 SAR 선박 탐지 방법을 제안합니다.

첫 번째는 채널 주의 메커니즘에 의해 스펙트럼 및 DSM 정보에서 특징을 선택적으로 수집하고 더 결합하여 고품질 융합 특징을 얻을 수 있는 주의 기반 특징 융합 모듈을 설계한다는 것입니다.

구체적으로 인간의 자세에 대한 전반적인 정보를 포착할 뿐만 아니라, 인체 부위의 위치 정보와 상세 정보를 보유하고 있는 다중 스케일 특징 정보를 획득하는 특징 융합 모듈을 설계한다.

하나는 가변 수용 필드(VRF-CBAM)가 있는 컨볼루션 블록 주의 모듈이 도입된 다중 스케일 기능의 교차 단계 융합(CSFA-모래시계)과 2단계 모래시계 구조 균형을 통한 스택 주의 모래시계 백본입니다. 네트워크 깊이와 기능 융합이 핵심적인 역할을 합니다.

기존의 잡음 제거 방법에는 이러한 종류의 잡음에 대한 몇 가지 제한 사항이 있다는 점을 고려하여 본 논문에서는 새로운 MS-DCFF(Multi-Scale Dense Connection Feature fusion) 잡음 제거 컨볼루션 신경망을 제시합니다.

본 논문에서는 항공 이미지에서 소형 차량을 감지하는 능력을 향상시키기 위해 Feature Fusion Deep-Projection Convolution Neural Network를 제안합니다.

구체적으로 EDENet은 FEN(Feature Extraction Network), FFN(Feature Fusion Network), DHN(Double-Head Network) 및 ADFN(Adaptive Density Fusion Network)으로 구성됩니다.

너무 작은 담배꽁초 표적과 불분명한 특징의 문제를 목표로, 이 논문은 원래 SSD 네트워크를 개선하고, 특징 추출 네트워크로 resnet-50을 사용하고, CARAFE 오퍼레이터와 주의 메커니즘을 기반으로 하는 특징 융합 모듈을 통합합니다.

그런 다음 후속 네트워크를 기반으로 서로 다른 축척의 기능 맵을 스케일링하고 잔차 매핑 및 심층 기능 융합 작업을 수행하고 낮은 수준의 위치 정보와 높은 수준의 의미 정보를 효과적으로 결합하여 다른 규모의 새로운 기능 맵을 얻습니다. .

스크래치의 특징을 강조하고 노이즈를 약화시키기 위해 이중 주의 메커니즘을 사용하여 높은 수준의 의미론적 특징과 낮은 수준의 세부 특징을 조밀하게 융합하는 주의 특징 융합 블록(AFB)이 제안됩니다.

이 논문에서 우리는 초음파(미국) B 모드 이미지와 중요한 간 섬유증 인식을 위한 Nakagami 매개변수 맵에서 특징을 추출하고 통합하기 위해 다중 기능 융합(DCNN-MFF)이 있는 심층 컨볼루션 신경망(DCNN)을 제안합니다.

DCNN(Deep Convolutional Neural Networks)은 기능 융합의 문제에 직면해 있습니다. 동시에 높은 수준의 추상 기능과 낮은 수준의 공간 기능의 융합은 대상 개체 간의 경계에서 분류 정확도를 향상시킬 수 있습니다.

그런 다음 이미지에서 작은 대상의 기능을 최대한 활용하기 위해 목 부분은 SPPnet과 PANnet의 조합을 사용하여 멀티 스케일 기능 융합 작업의 이 부분을 완성합니다.

모델의 효율성을 더욱 높이기 위해 이미지의 의미 정보와 공간 정보를 최대한 활용하는 특징 융합 모듈을 제안합니다.

본 논문에서는 소형 물체 감지를 위해 SSD보다 성능을 향상시킬 수 있는 새로운 기능 융합 모듈을 갖춘 향상된 SSD인 DDSSD(Dilation and Deconvolution Single Shot Multibox Detector)를 제안했습니다.

둘째, AFFM(Attention Feature Fusion Module)을 YOLOv5에 추가하여 작은 물체 감지의 정확도를 개선합니다.

본 논문에서는 딥 피처 퓨전을 기반으로 웹 페이지를 분류하는 딥 러닝 모델을 제안합니다.

결과 따라서 DDI 예측을 위한 지식 그래프에서 약물 분자 구조와 약물의 의미 정보의 결합 효과를 효과적으로 탐색하기 위해 MUFFIN이라는 다중 스케일 기능 융합 딥 러닝 모델을 제안합니다.

본 논문에서는 비디오 프레임 간의 시간적 일관성을 고려하여 광학적 흐름-특징 융합 기반 비디오 객체 검출 방법을 제안한다.

철도에서 이러한 객체를 감지하기 위해 우리는 DFF-Net(Differential Feature fusion Convolutional Neural Network)을 사용하는 객체 감지 방법을 제안했습니다.

이 극도로 어려운 작업의 과제를 해결하기 위해 제안된 3D IFPN은 3가지 유형의 기능 향상 모듈이 장착된 심층 컨볼루션 신경망의 하위 및 상위 계층 내 보완 정보를 최대한 활용합니다. ASFF) 모듈, SLFR(단일 수준 기능 개선) 모듈 및 MLFR(다중 수준 기능 개선) 모듈입니다.

본 논문에서는 상위 수준의 특징 맵의 의미 정보와 얕은 특징 맵의 위치 정보를 최대한 활용하고 로컬 특징과 전역 종속성을 적응적으로 통합하는 DAFF-Net(Dual Attention Feature Fusion Network)을 제안합니다.

본 논문에서는 변전소 장면에 대한 적응적 차이 임계값을 기반으로 하는 Feature Fusion Faster SSD(Triple F-SSD) 개인 물체 감지 알고리즘을 제안합니다.

이 문제를 해결하기 위해 다중 스케일 특징 융합 및 프라임 샘플 주의를 기반으로 하는 2단계 CNN 객체 감지 알고리즘을 제안했습니다.

깊이별 분리 가능한 컨볼루션, 공간 피라미드 풀링 및 기능 융합은 피라미드 장면 파싱 모바일 네트워크의 온보드 컴퓨팅 시간을 줄이기 위해 사용됩니다.

우리의 알고리즘 모델은 비대칭 인코더-디코더 구조로 두 부분으로 구성됩니다. 첫 번째 부분은 이중 경로 고속 다운샘플링 모듈과 가벼운 3단계 특징 추출기로 구성된 경량 인코더입니다. 두 번째 부분은 비대칭 복호 분류기이며, 상호 주의 기능 융합 모듈, 경량 ​​아트러스 공간 피라미드 풀링 모듈 및 분류기로 구성됩니다.

초분광 이미지 분류의 정확도를 더욱 향상시키고 모델 복잡성을 줄이기 위해 본 논문에서는 구별되는 초분광 특징을 포착하기 위한 비대칭 좌표 주의 분광-공간 특징 융합 네트워크(ACAS2F2N)를 제안합니다.

본 논문에서는 초분광 영상 분류를 위한 특징 융합 및 다층 그래디언트 부스팅 결정 트리 모델(FF-DT)을 제안합니다.

둘째, 적절한 특징 추출 및 특징 융합 전략을 통해 회귀 영역의 다중 소스 데이터의 상위 수준 정보를 융합하여 다른 토지 피복을 구별합니다.

Feature fusion은 낮은 수준의 정보와 높은 수준의 정보를 통합하여 재구성 오류를 줄입니다.

그런 다음 다중 스케일 기능 융합 모듈이 디코더와 정보 풀의 다중 스케일 기능을 융합하기 위해 적용됩니다.

한편, 고수준 컨텍스트의 이점을 활용하기 위해 의미론적 경로의 다중 스케일 기능을 융합하여 TCP에 주입하는 기능 융합 유닛(FFU)을 제안합니다.

기존의 머신 러닝 기반 감정 인식 기술이 수동 특징 추출에 너무 의존한다는 단점을 극복하기 위해 3D 특징 융합 및 CAE(Convolutional Autoencoder) 기반의 EEG 감정 인식 알고리즘을 제안합니다.

본 연구에서는 LSM에서 신뢰도가 더 높은 feature fusion 기반 CNN 모델을 탐색하기 위해 channel-expanded pre-trained CNN과 전통적인 기계 학습 모델(CPCNN-ML)을 기반으로 한 앙상블 모델을 제안합니다.

약점을 극복하기 위해 우리 연구는 객체 감지 분야의 딥 러닝 개발을 결합하고 네트워크 구조 단순화, 다중 스케일 기능 융합 감지 개선, 클러스터링을 통한 후보 프레임의 차원 최적화 및 최적화를 포함하는 YOLOV3 네트워크를 경량화합니다. 손실 기능을 통해 객체 감지 네트워크는 모바일 장치에서 정확도가 보장되고 배경 환경 및 기타 요인이 시각적 추적 등록 기술에 미치는 영향을 줄일 수 있습니다.

이를 위해 본 연구에서는 다층 전역 특성을 활용하여 모든 결함 영역에 대해 동시에 하수관 결함 감지 및 미세 분류를 위한 객체 감지 네트워크 기능을 부여하는 새로운 2단계 학습 기반 방법을 도입합니다. 융합 기술.

이 연구에서 우리는 다중 레벨 기능 융합과 영역 채널 주의(ODMC)를 결합한 새로운 객체 감지 방법을 제안합니다.

이 문제를 해결하기 위해 얕은 특징 융합 및 의미 정보 향상(FFSI) 기반의 새로운 객체 감지 방법을 제안합니다.

이러한 맥락에서, 전처리, 심층 특징 추출, 심층 특징 융합, 전이 학습의 4가지 단계를 포함하는 심층 전이 학습에 기반한 다중 기능 융합 방법이 제시됩니다.

이러한 문제를 해결하기 위해 본 논문에서는 심층 특징 추출과 업샘플링 특징 융합이라는 두 가지 측면에서 개선된 MFANet(Multi-level Feature Aggregation Network)을 제안합니다.

첫째, 개선된 멀티스케일 네트워크 및 기능 융합(IMSNet-F)을 기반으로 하는 새로운 데이터 기반 공구 결함 진단 방법을 제안하여 공구 마모 상태를 인식하고 분류합니다.

이 논문에서는 상태 불일치가 시계열 특징 추출, 특징 융합 및 매니폴드 학습에 의한 차원 축소에 미치는 영향을 제거하기 위한 신호 분석과 비정상 식별을 위한 클러스터링 기반 이상값 탐지를 포함하는 신호 기반 결함 진단 방법을 제시합니다. 신호 기능.

SFEL(Shallow Feature Extraction Layer)은 원본 이미지에서 얕은 특징을 추출하고, 이는 이미지 재구성을 위한 전역 특징을 학습하기 위해 GDFF(Global Dense Feature fusion) 네트워크에 대한 입력으로 사용됩니다.

네트워크는 얕은 특징 추출, 반복적으로 쌓인 다중 MARAG(Multi-Scale Aggregated Residual Attention Groups), MLFFB(다중 특징 융합 블록) 및 재구성 부분으로 구성됩니다.