HypeLCNN概述 该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中） 使用Tensorflow 1.x开发（在1.10至1.15版上测试）。 该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。 主要特点： 支持超参数估计 基于插件的神经网络实现（通过NNModel接口） 基于插件的数据集集成（通过DataLoader接口） 培训的数据有效实现（基于内存的有效/基于内存/记录的） 能够在经典机器学习方法中使用数据集集成 神经网络的培训，分类和指标集成 胶囊网络和神经网络的示例实现 基于CPU / GPU / TPU（进行中）的培训 基于GAN的数据增强器集成 交叉折叠验证支持 源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践 注意：数据集文件太

在使用深度学习模型研究遥感影像地物分类问题时,某些地物的遥感影像可用于训练的样本很少。同时,多样化的遥感影像获取方式产生了大量不同空间分辨率的多模态遥感影像。融合这些多模态遥感影像,弥补样本量少导致分类精度低的缺陷,是小样本的遥感影像高精度分类领域中亟待解决的问题。针对上述问题,提出了考虑两种空间分辨率遥感影像相关关系的融合分类方法。首先,使用两个并行的深度学习网络分别提取两种空间分辨率影像的高层特征;其次,将提取到的高层特征通过融合方法进行融合;最后,得到融合后的高层特征作为输入,训练整个融合分类模型。实验表明,不同融合策略的分类精度不同,本文提出的基于高层特征级别的融合策略可以有效提高分类精度。

"多模态特征融合的遥感图像语义分割网络" 本文介绍了一种多模态特征融合的遥感图像语义分割网络，称为MMFNet。该网络能够融合 IRRG(Infrared、Red、Green)图像和 DSM(Digital Surface Model)图像，提取融合后的特征，并使用残差解码块(Residual Decoding Block, RDB)和复合空洞空间金字塔(Complex Atrous Spatial Pyramid Pooling, CASPP)模块提取跳跃连接的多尺度特征。 MMFNet 网络的架构主要包含以下几个部分： 1. 编码器：使用双输入流的方式同时提取 IRRG 图像的光谱特征和 DSM 图像的高度特征。 2. 解码器：使用残差解码块(Residual Decoding Block, RDB)提取融合后的特征，并使用密集连接的方式加强特征的传播和复用。 3. 复合空洞空间金字塔(Complex Atrous Spatial Pyramid Pooling, CASPP)模块：提取跳跃连接的多尺度特征。 实验结果表明，MMFNet 网络在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的 Vaihingen 和 Potsdam 数据集上取得了 90.44%和 90.70%的全局精确度，相比较与 DeepLabV3+、OCRNet 等通用分割网络和 CEVO、UFMG_4 等同数据集专用分割网络具有更高的分割精确度。 本文的贡献在于： 1. 提出了多模态特征融合的遥感图像语义分割网络，能够融合 IRRG 图像和 DSM 图像，提高了遥感图像语义分割的精确度。 2. 引入了残差解码块(Residual Decoding Block, RDB)和复合空洞空间金字塔(Complex Atrous Spatial Pyramid Pooling, CASPP)模块，提高了网络的表达能力和泛化能力。 本文提出了一个多模态特征融合的遥感图像语义分割网络，能够提高遥感图像语义分割的精确度和泛化能力，有助于国土资源规划、智慧城市等领域的应用。

针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果表明:本文方法的提取精度优于经典全卷积神经网络模型,准确率达到了98%以上,有效保留了道路的完整性及其边缘的细节信息。

自己整理的YOLO模型的各种改进文献 包括添加注意力模块 改进骨干网络 改进特征融合 改进输出层等

现有的微博情感分析方法已经注意到了微博文本与图片之间的互补作用，但较少注意用户情感表达的差异和微博内容中除文字之外的特征，为此提出一种多特征融合的图文微博情感分析方法。首先构建文本情感分类模型，将对情感具有很好指示作用的内容特征和用户特征与微博句子进行融合， 然后构造了基于参数迁移和微调的图片情感分类模型。最后设计特征层和决策层融合的方法，将文本和图片情感分类模型进行融合。实验结果表明，内容特征和用户特征有效增强了模型捕捉情感语义的能力，并在多项性能指标上都取得了很好的效果， 构建的图文情感分类模型和融合方法可获得更好的性能。

提出了一种特征权值与尺度自适应的核相关跟踪算法。提取目标搜索区域的方向梯度直方图（HOG）特征和颜色名（CN）特征进行自适应权值融合，通过融合特征的相关滤波响应图的峰值找到目标位置；利用权值较大特征的相关滤波响应图的峰值和峰值旁瓣比的乘积作为尺度评估依据，对目标尺度进行粗略估计和精确估计，从而得到目标的最佳尺度。通过在目标跟踪标准（OTB-2013）数据集上的仿真实验，结果表明相比核相关滤波跟踪算法以及其他5种跟踪算法，所提算法在跟踪精度和成功率方面都有明显提高，跟踪精度为0.799，成功率为0.723，能较好地适应目标尺度的变化。

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

近年来，恶意软件呈现出爆发式增长势头，新型恶意样本携带变异性和多态性，通过多态、加壳、混淆等方式规避传统恶意代码检测方法。基于大规模恶意样本，设计了一种安全、高效的恶意软件分类的方法，通过提取可执行文件字节视图、汇编视图、PE 视图3个方面的静态特征，并利用特征融合和分类器集成学习2种方式，提高模型的泛化能力，实现了特征与分类器之间的互补，实验证明，在样本上取得了稳定的F1-score（93.56%）。

注意特征融合 用于“注意特征融合”的MXNet / Gluon代码 到目前为止，此仓库中有什么： ImageNet的代码，训练有素的模型和训练日志 PS： 如果您是我们提交的论文的审稿人，请注意，当前实现的准确性比本文中的准确性要高一些，因为它是一个带有很多技巧的新实现。 如果您是我的学位论文评估专家，发现论文与这个repo的数字有些出入，那是因为在论文提交后我又将代码重新实现一遍遍，添加了AutoAugment，Labelinging这些技巧，因此目前这个repo中的分类准确率会比论文中的数字高一些，还请见谅。 更改日志： 2020-10-08：通过一整套技巧重新实现图像分类代码 2020-09-29：上载所提交论文的图像分类代码和训练有素的模型 去做： 在ImageNet上运行AFF-ResNeXt-50和AFF-ResNet-50 在新的训练模型上更新Grad-CAM结果 重新实