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.

이러한 동기를 위해 우리는 밀도가 다른 포인트 클라우드의 특징을 집계하고 의미론적 세분화 성능을 향상시키기 위해 MSSCN(Multi-Scale Feature fusion) 기반 포인트 클라우드 의미론적 세분화 네트워크를 제안합니다.

RepUnet의 시맨틱 분할 네트워크는 인코딩 계층, 디코딩 계층, 컨볼루션 재매개변수화 및 배치 정규화 기능 융합의 네 부분으로 나뉩니다.

본 논문에서는 새로운 다중 스케일 채널 인코딩 방법과 새로운 채널 관련성 특징 융합 방법으로 구성된 새로운 DECA(Dilated Efficient Channel Attention Module)를 제안합니다.

제안된 방법은 다중 스케일 특징 융합 방법을 제시하고 특징 향상을 달성하기 위해 네트워크의 탐지 계층에 효율적인 채널 주의 메커니즘을 도입했습니다.

AdaLSN은 선형 스팬 이론으로 공식화되어 다중 스케일 심층 기능 융합에 대한 초기 설명 중 하나를 제공합니다.

본 논문에서는 정보 엔트로피를 기반으로 하는 다중 스케일 심층 특징 융합 지능형 ​​결함 진단 방법을 제안한다.

또한, 특징 융합의 효율성을 향상시키기 위해 특징 피라미드 네트워크(Feature Pyramid Network, FPN)에 임베딩하여 MSAM(Multi-Scale Attention Module)을 도입합니다.

이러한 문제를 해결하기 위해 우리는 전역 기능 학습 분기, 두 개의 로컬 기능 학습 분기 및 얕은 수준으로 구성된 다중 분기 심층 네트워크 구조를 채택하는 MSAN(Multi-feature fusion) 기반 다중 규모 주의 네트워크를 제안합니다. 기능 학습 분기.

이 편지에서 우리는 원격탐사 장면 분류를 위해 원격탐사 장면 이미지의 복잡한 객체의 가중치를 강조하고 심층 특징을 집계하기 위해 SAFF(Self-Attention-Based Deep Feature fusion)라는 새로운 방법을 제안합니다.

본 논문에서는 SAFFNet이라고 하는 새로운 self-attention feature selection 모듈을 통합하여 몇 번의 원격 감지 장면 분류를 위한 다중 스케일 기능 융합 네트워크를 제안합니다.

multi-scale convolution 신경망을 기반으로 multi-scale loss function과 anti-loss function을 결합하여 이미지 특징을 종합적으로 추출하고, 이미지 특징 융합을 강화하고, 이미지 생성을 제한할 수 있는 multi-scale 잔차 네트워크를 제안합니다.

이 회로는 1 × 1 convolution 및 multi-scale convolution feature fusion을 채택하여 회로의 인식 정확도를 보장하면서 네트워크에 필요한 레이어 수를 줄입니다.

따라서 본 논문에서는 기울기 방향 히스토그램과 국부 이진 패턴 특징을 각각 추출하고 특징 융합을 수행하는 모바일 단말하의 3차원 가상 연구실을 위한 인터랙티브 제스처 특징 인식 방법을 제안한다.

로컬 바이너리 패턴 기능 융합 모듈은 다른 장애물의 경계를 추출하는 데 기여하는 RGTNet의 또 다른 주목할만한 부분입니다.

둘째, 특징 융합에 양방향 특징 피라미드 네트워크를 추가하여 마스크 품질과 작은 목표 정확도를 개선합니다.

D7에는 다중 규모 기능 융합을 허용하는 백본 네트워크로 계산 효율적인 양방향 기능 피라미드 네트워크(BiFPN)가 포함되어 있습니다.

이 문제를 해결하기 위해 배치 정규화 컨볼루션 블록 주의 모듈(BN-CBAM) 및 기능 융합 모듈을 사용하여 작은 절연체 결함에 대한 개선된 감지 네트워크를 제안합니다.

nan

그런 다음, 풍부한 국부적 특징을 융합하기 위해 특징 융합 모듈과 압축 아티팩트의 다중 스케일 정보를 포착하기 위해 왜곡 인식 모듈을 사용하는 분수 보간을 수행하기 위해 균일한 보간 서브 네트워크가 제안됩니다.

nan

더 나은 성능을 위해 MS-FCN(Multi-Scale Full Convolutional Networks)을 제안합니다. 여기서 기능 융합 모듈은 다른 길이의 시간 종속성을 가진 기능을 융합하여 장기간의 단기 종속성을 캡처합니다.

이 작업에서 우리는 LSTM 시간적 특징 학습 네트워크에서 동형 관계와 구조적 등가 관계를 융합하고 인코딩하기 위해 LSTM(Long Short-Term Memory) 기반 특징 융합 네트워크(LSTM-FFN)를 제안합니다.

웨이블릿 영역에서 고품질 이미지를 재구성하기 위해 논문에서는 다중 스케일 확장 밀도 블록을 활용하여 이미지의 다중 스케일 정보를 추출하고 특징 융합 블록을 도입하여 인코더와 디코더 사이에 적응적으로 특징을 융합합니다.

먼저 MSFFB(multi-scale feature fusion block)는 수신 필드가 다른 필터를 통해 다중 스케일 기능을 추출할 수 있습니다.

제안된 모델은 다중 스케일 예측 및 기능 융합 기술을 사용하여 전송 라인 주변에서 공통적으로 숨겨진 위험을 감지합니다.

HGAM은 로컬 및 글로벌 XAI 기술을 통합하여 DNN 기능 추출의 효율성을 평가합니다. PANet은 다중 스케일 예측 기능 맵을 생성하기 위해 고급 기능 융합을 제공합니다. CCSM은 시각화 방법에 의존하여 주어진 DNN 및 입력 SAR 이미지로 탐지 성능을 검사합니다.

그런 다음 WMD(Word Mover's Distance)와 편집 거리를 결합한 다중 기능 융합 문장 유사도 계산 방법을 제안합니다.

본 논문에서는 티베트어 문장 유사도 계산 문제를 해결하기 위해 문장 편집 거리, 문장 구조, 문장 길이, 어순, 같은 단어 간 유사도 기여도를 분석하고 티베트 문장 유사도에 대한 다중 기능 융합 모델을 설계한다. 계산, 티베트어 문장 유사도 계산을 위한 다중 기능 융합 방법을 제안합니다.

열차 대차 견인좌석 작동 상태에서 식별 과정에서 불만족스러운 특징 추출 및 낮은 진단 정확도의 문제를 목표로 OvO 다중 특징 융합 기반 역전파 신경망 모델의 최적화된 방법을 제안합니다.

표적 인식을 위한 신경망의 중요성은 우리가 운동선수 부상 추정을 위한 새로운 이중 기능 융합 신경망 모델을 제안하도록 동기를 부여합니다.

작은 타겟은 더 적은 픽셀을 차지하고 특징이 명확하지 않기 때문에 원래 네트워크 출력의 8배 다운샘플링 특징 맵을 업샘플링하고 2배 업샘플링 특징 맵을 두 번째 잔차 블록 출력 특징 맵과 스플라이스하는 것이 제안됩니다. 4배 다운샘플링 출력으로 특징 융합 타겟 검출 레이어를 설정합니다.

이 방법은 먼저 Yolo V3의 네트워크 구조를 최적화하고 Darknet-53 블록의 두 번째 잔차 블록과 세 번째 잔차 블록 사이에 새로운 작은 표적 친화적인 4-폴드 다운 샘플링 잔차를 추가하여 작은 탐지 정확도를 향상시키는 것입니다. 표적; 원래 네트워크에서 출력된 8-폴드 다운 샘플링 기능 맵에 대해 2-폴드 업 샘플링을 수행하고 새로 추가된 세 번째 잔차 블록에 의해 출력된 기능 맵으로 2-폴드 업 샘플링 기능 맵을 수행합니다. Splicing, 기능 빌드 출력이 4배 다운 샘플링되는 융합 표적 탐지 계층.

추가 성능 개선을 위해 다중 스케일 기능 융합을 달성하기 위해 건너뛰기 연결이 있는 수정된 인코더-디코더 설계에 모듈을 포함합니다.

디코더는 심층 시맨틱 특징을 코드워드로 사용하여 특징 맵의 업샘플을 안내하고 다중 규모 특징 융합을 달성하는 전체적 안내 아키텍처를 사용합니다.

특징 추출 단계에서 MSPA는 다중 스케일 너비 인식 및 피라미드 인식 잔차 블록을 설계하여 골격 네트워크가 다중 스케일 로컬 기능을 더 잘 추출하고 네트워크 교육의 어려움을 줄이며 이미지의 의미 정보를 더 잘 얻기 위해 , 채널 주의 메커니즘은 흐릿한 이미지의 깊은 특징을 수정하는 데 사용됩니다. 기능 융합 단계에서 점진적 채널 및 공간 주의 네트워크(PCSA)는 수용 필드를 향상시키고 다중 수준 의미 정보를 선택적으로 통합하고 점진적 방법에서 기능 간의 비-로컬 연결을 향상하도록 설계되었습니다.

그런 다음, 특징 추출 단계 이후에 추가된 특징 융합 필터는 실제 대상 특징을 유지하면서 재밍 특징을 억제하는 데 활용됩니다.

본 논문에서는 무인 자동차 앞에서 차량 감지의 정확도와 견고성을 향상시키기 위해 다중 기능 융합과 CNN(Convolutional Neural Network)을 결합한 캐스케이드 차량 감지 방법을 제안합니다.

이 문제를 해결하기 위해 헬멧 인식률을 향상시키기 위해 다중 기능 융합과 SVM(Support Vector Machine)을 결합한 헬멧 감지 방법이 제안됩니다.

이 논문에서는 얼굴 표정 인식을 위해 2D와 3D 얼굴에서 추출한 특징을 융합하기 위한 새롭고 효율적인 직교화 유도 특징 융합 네트워크, 즉 OGF$^2$Net을 제시합니다.

이를 극복하기 위해 시공간 순환 신경망과 특징 융합을 이용한 영상 표정 인식 방법이 제안되었다.

높은 정밀도로 자동 터널 표면 결함 감지를 달성하기 위해 Faster RCNN(Faster Region-based Convolutional Neural Network)을 기반으로 하는 다층 기능 융합 네트워크를 제안합니다.

결함 검출의 정확도를 향상시키기 위해 표면 결함 검출을 위한 심층 특징 융합을 기반으로 하는 픽셀 수준 분할 네트워크를 제안했습니다.