Cross Spectral and Spatial Scale Non-local Attention-Based Unsupervised Pansharpening Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pansharpening means fusing the low spatial resolution multispectral image (LRMSI) and the panchromatic (PAN) image to get the high resolution multispectral image (HRMSI). Due to the powerful feature learning ability of the deep-learning (DL), DL-based unsupervised fusion methods have been developed explosively. However, most of the fusion methods are difficult to fully explore and utilize the correct spatial and spectral correlation between the LRMSI, HRMSI, and PAN images. In addition, the CNN-dominated fusion framework is limited by its local feature learning without exploring the global feature dependency to further enhance the image feature. Therefore, to fully exploit the correct correlations between LRMSI, HRMSI, and PAN images and to explore the global feature dependency, we designed a cross-scale unsupervised fusion network (CSFNet). This network is composed of two cross spectral and spatial scale's nonlocal attention blocks to effectively fuse the LRMSI and PAN image features. And the fusion strategy is implemented by mapping the computed nonlocal similarity from the low resolution scale to the high resolution scale and outputs the reconstructed HRMSI feature. The experimental results on two datasets show that it achieves state-of-the-art performance compared to other fusion methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle