DLA-MatchNet for Few-Shot Remote Sensing Image Scene Classification论文思维导图

论文下载：https://arxiv.org/pdf/2006.07826v2.pdf Abstract 在本文中，我们处理遥感图像上的目标检测问题。以前的方法已经发展了许多基于深度卷积的遥感图像目标检测方法，在检测性能和效率方面取得了显著的成就。然而，目前基于CNN的方法大多需要大量带注释的样本来训练深层神经网络，并且对看不见的对象类别的泛化能力往往有限。在本文中，我们介绍了一种基于少样本学习的遥感图像目标检测方法，该数据集中只为不可见的目标类别提供了几个带注释的样本。更具体地说，我们的模型包含三个主

Few-shot YOLOv3: Few-shot Object Detection on Optical Remote Sensing Images论文学习以及复现

多模态融合可以应用于情感分析、身份验证、行为识别等多个领域，实现更精确的预测和判断。这其中，特征融合是多模态数据处理的核心环节，它不仅能够提高模型的性能，还能够增强数据的表达力，让模型能够更好地理解和处理现实世界中的复杂问题。因此，为帮助同学们深入了解该方向，获得论文灵感，本文介绍，并附上每种方法的，开源代码也整理了，方便各位理解并实践。论文与代码需要的同学看文末。

论文阅读：GPS-Net：Graph Property Sensing Network for Scene Graph Generation(CVPR20)+对focal loss的一些理解

“一张图片胜过千言万语”，远远超单纯分类。如果独立观察，图像的许多斑块可能与分类完全无关。这可能会降低大量的few-shot学习算法的效率，算法的数据有限，并且高度依赖于图像patch的比较。为了解决这个问题，我们提出了一种类感知补丁嵌入自适应(CPEA)方法来学习图像补丁的“类感知嵌入”。 CPEA的关键思想是将补丁嵌入与类感知嵌入相结合，使它们与类相关。此外，我们定义了跨图像的类相关补丁嵌入之间的密集分数矩阵，在此基础上量化成对图像之间的相似度。 CPEA将贴片嵌入按类别进行集中从而使贴片嵌入与类别相关

PANet:基于原型对齐的Few Shot图像语义分割（ICCV19） 摘要 本文从度量学习的角度来解决Few Shot Segmentation问题，提出一种新的原型对齐网络来更好地利用支持集信息。PANet从嵌入空间内的一些支持图像中学习特定类的原型表示，然后通过将每个像素与学习到的原型进行匹配，对查询图像进行分割。 通过非参数度量学习，PANet提供了代表每个语义类的高质量原型，这些原型同时还存在对不同类的判别信息。此外，PANet还引入了一种支持和查询之间的原型对齐正则化。在此基础上，PANet充分

2021年：1.Haokui Zhang, Chengrong Gong,Yunpeng Bai, Zongwen Bai,Ying Li*,3D-ANAS: 3D Asymmetric Neural Architecture Search for Fast Hyperspectral Image Classification，IEEE Transactions on Geoscience and...

针对大场景点云来说，如果采用点卷积那样的算法（PointConv，PointCNN，KPConv等）或者PointNet++等，他们都是利用FPS（最远点采样）的方法，虽然这种采样方法可以使用比较少量的点并且极大地保留的点云的结构，但是他们采样的时间非常的慢，就像我之前有篇博客介绍一样，它没有RS采样的速度，所以对大场景点云来说，目前只有随机采样（RS）才够快。今天介绍的这篇文章是DLA-Net，它是针对大场景建筑点云学习的双重局部注意特征，其实它的网络结构和RandLA-Net很像，都是先进行局部特征编码

论文：Deep Layer Aggregation Giithub：https://github.com/ucbdrive/dla 论文基于更加紧密连接的思想，提出了DLA网络结构。该结构是iterative deep aggregation (IDA) 和 hierarchical deep aggregation (HDA)的融合。 IDA主要关注分辨率和尺度的特征，HAD主要...

论文：Remote Sensing Image Scene Classification 代码 Md. Arafat Hussain, Emon Kumar Dey* github上的  Remote Sensing Image Scene Classification Using Deep Learning    Here we classified scene images of ...

由于遥感影像的特殊性，遥感影像检索仍然是一个具有挑战性的话题。遥感图像包含各种不同的语义对象，这显然使检索任务复杂化。在本文中，我们提出了一种图像检索流程，该流程使用了细心的局部卷积特征，并使用局部聚集描述符向量（VLAD）对其进行了聚集，以生成全局描述符。我们研究各种系统参数，例如乘法和加法注意力机制和描述符维数。我们提出了一种不需要外部输入的查询扩展方法。实验表明，即使不进行训练，局部卷积特征和全局表示也优于其他系统。经过系统调整之后，我们可以获得最先进的或具有竞争力的结果。此外，我们观察到，我们的查询

度量学习2（基于对比学习）

引言简介 目前深度学习应用日趋广泛，而卷积神经网络（CNN）作为一种针对图像处理及其有效的网络框架在图像分类领域表现出了良好的性能与准确率。但是对于高光谱图像分类问题CNN也出现了一些问题。 它们主要包括： 1.同一类别的像素可能具有不同的光谱特征，不同类别的像素又可能具有相同的光谱特征，因此仅利用光谱特征很难区分不同像素代表的类别。 2.不能利用高光谱图像当中充足的空间信息与光谱信息。 3.不能...

题目：A Novel Adversarial Based Hyperspectraland Multispectral Image Fusion 期刊：remote sensing 年份：2019 作者：Xukun Luo , Jihao Yin ,, Xiaoyan Luo and Xiuping Jia 摘要:为了重建高空间分辨率和高光谱分辨率的图像，最常用的方法之一就是将高...

CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo

小样本学习是希望模型可以自己学会如何去学习知识。模型从support set中学习知识，使用query set中的样本检验学习知识的效果。

Abstract: 基于卷积神经网络(CNN)的方法近年来在航空场景分类领域占据主导地位。虽然取得了显著的成功，但基于cnn的方法存在过多的参数，并依赖于大量的训练数据。在本工作中，我们将小样本学习引入到航拍场景分类问题中。小样本学习的目的是学习一个基于基本集的模型，该模型仅使用少量的标记样本就能快速适应novel-set 中未见的类别。为此，我们提出了一种用于航拍场景图像小样本分类的元学习方法。首先，我们在所有基本类别上训练一个特征提取器来学习输入的表示。然后在元训练阶段，利用带有可学习尺度(scale)

摘要 我们解决了视频中的异常检测问题。目标是通过专门从正常视频中学习来自动识别异常行为。大多数现有方法通常需要大量数据，并且泛化能力有限。他们通常需要在目标场景的大量视频上进行训练，才能在该场景中取得良好的效果。在本文中，我们提出了一个新的少镜头场景自适应异常检测问题，以解决以往方法的局限性。我们的目标是学会在以前看不见的只有几帧的场景中检测异常。这个新问题的可靠解决方案在现实世界的应用中将有巨大的潜力，因为为每个目标场景收集大量数据是昂贵的。我们提出了一种基于元学习的方法来解决这个新问题；大量实验结果证