动态特征融合！热点BUFF拉满，顶会一投一个准！

Ai墨芯111

已于 2025-02-21 18:58:40 修改

阅读量925

点赞数 13

文章标签：人工智能聚类迁移学习 cnn 神经网络

于 2025-02-21 15:46:54 首次发布

本文链接：https://blog.youkuaiyun.com/Aimoxin111/article/details/145779332

版权

2025深度学习发论文&模型涨点之——动态特征融合

动态特征融合（Dynamic Feature Fusion，DFF）是一种深度学习中的特征融合技术，旨在通过动态学习调整每个特征的重要性，并将它们融合在一起以获得更准确的结果。

小编整理了一些动态特征融合【论文】合集，以下放出部分，全部论文PDF版皆可领取。

需要的同学

回复“111”即可全部领取

论文精选

论文1：

Dynamic Feature Fusion for Semantic Edge Detection

语义边缘检测中的动态特征融合

方法

创新点

动态权重学习：首次提出基于输入内容动态学习融合权重的方法，显著提高了边缘检测的准确性和锐度（在Cityscapes数据集上，与固定权重融合方法相比，平均F-measure提升了约9.4%）。
位置自适应融合：通过位置自适应权重学习器，为每个位置定制融合权重，进一步提升了边缘检测的性能（与位置不变权重融合相比，平均F-measure提升了约2.7%）。
归一化处理：通过特征归一化，解决了多尺度特征幅度差异问题，提升了融合效果（在Cityscapes数据集上，归一化处理使平均F-measure提升了约0.3%）。

论文2：

E2ENet Dynamic Sparse Feature Fusion for Accurate and Efficient 3D Medical Image Segmentation

E2ENet：动态稀疏特征融合用于准确高效的3D医学图像分割

方法

创新点

动态稀疏特征融合：通过自适应选择重要特征并过滤冗余特征，显著减少了计算和内存开销（在AMOS-CT数据集上，与nnUNet相比，参数数量减少了69%，FLOPs减少了29%）。
受限深度偏移策略：通过在3D卷积中引入受限深度偏移，实现了与3D卷积相当的分割精度，同时保持了2D卷积的计算效率。
性能与效率的平衡：在多个3D医学图像分割挑战中，E2ENet在保持高精度的同时，显著降低了模型大小和计算复杂度（在BTCV挑战中，mDice达到90.1%，参数数量减少了69%，FLOPs减少了29%）。

论文3：

FusionMamba Dynamic Feature Enhancement for Multimodal Image Fusion with Mamba

FusionMamba：基于Mamba的多模态图像融合中的动态特征增强

方法

创新点

改进的Mamba模型：通过动态卷积和通道注意力，显著提升了Mamba模型的特征提取能力和局部特征增强（在CT-MRI融合任务中，VIF指标提升了约0.17）。
动态特征增强：通过DFEM模块，自适应地增强纹理细节和模态间差异信息，提升了融合图像的视觉效果（在PET-MRI融合任务中，MS-SSIM指标提升了约0.03）。
跨模态融合：通过CMFM模块，有效挖掘不同模态之间的相关性，抑制冗余信息，提升了融合精度（在SPECT-MRI融合任务中，FMI指标提升了约0.01）。

论文4：

Ground-Fusion A Low-cost Ground SLAM System Robust to Corner Cases

Ground-Fusion：一种对角案例鲁棒的低成本地面SLAM系统

方法

创新点

自适应初始化：通过三种初始化方法（静止、视觉和动态），在不同场景下实现快速且鲁棒的初始化（在静止场景Static1中，初始化时间仅需1.42秒，ATE RMSE为0.01米）。
传感器异常处理：通过检测和处理轮式异常、视觉故障和GNSS退化，显著提升了系统的鲁棒性（在轮式异常序列Anomaly中，ATE RMSE从0.78米降低到0.07米）。
计算效率：通过紧耦合多传感器数据，避免了传统方法中的尺度问题，提升了定位精度和计算效率（在Office3序列中，ATE RMSE为0.14米，比其他方法更优）。