1900的博客

遥感变化检测旨在从不同时期的遥感数据中感知地球表面的变化，并将这些变化反馈给人类。然而，大多数现有方法仅关注检测变化区域，缺乏与用户交互以识别用户期望的变化的能力。本文引入了一个名为“变化检测问答与定位（CDQAG）”的新任务，该任务通过提供可解释的文本答案和直观的视觉证据，扩展了传统变化检测任务的范围。为此，我们构建了第一个CDQAG基准数据集，称为QAG-360K，包含超过36万个问题、文本答案和对应的高质量视觉掩码三元组。

pointnet++论文和代码详解

对于分类任务，不包含上采样部分，在经过四次下采样，将点云分辨率减小到N/256之后，直接执行全局平均池化，得到一个长度为512的向量，这就是经过之前point transformer block和transition down之后提取到的点云全局特征向量，最终将这个特征向量输入到最后的MLP中，输出分类标签。假设V代表n个点，每个点xyz坐标，所以3列n行，注意力权重为nxn，那么在计算的时候就会发现，权重值是直接乘以每一个点的（就是说点向量的三个通道没有区别，直接乘以一个权重值）。

这篇文章是点云变化检测的，主要是针对城市场景。本文提出了一种对原始3D数据直接进行变化检测的方法（栅格化数据（Rasterized Data）会导致信息丢失，因此更倾向于使用原始3D数据）----Siamese KPConv网络.栅格化数据（Rasterized Data）栅格化是将点云数据转换为规则的二维或三维网格的过程。每个网格单元（称为像素或体素）包含一个或多个点的信息。在二维栅格化中，点云数据通常被投影到一个平面上，生成类似于图像的二维栅格（例如数字表面模型DSM）。

论文pointnet详解

自注意力机制

医学图像分割

伪装物体识别

swin Transformer

ResNet

目标检测R-CNN系列

Image Super-Resolution Using Deep Convolutional NetworksINTRODUCTION单一图像的超分辨率（SR，super-resolution ），旨在从单一的低分辨率图像中恢复出高分辨率的图像，是计算机视觉中的一个经典问题。这个问题本质上是不成立的（ill-posed），因为对于任何给定的低分辨率像素，都存在多种解决方案。换句话说，这是一个欠定的（underdetermined）逆向问题，其解决方案不是唯一的。这样的问题通常是通过强有力的先验信息来

显著目标检测，CPD

伪装物体检测 SINet

ViT

伪装目标检测原论文下载地址：https://arxiv.org/pdf/2102.10274.pdf我们首次对隐藏目标检测（COD）进行了系统研究，旨在识别视觉上嵌入在背景中的目标。隐藏对象与其背景之间的高度内在相似性使得COD比传统的对象检测/分割更具挑战性。为了更好地理解这项任务，我们收集了一个称为COD10K的大规模数据集，该数据集由10000幅图像组成，涵盖了78个对象类别中各种真实场景中的隐藏对象。此外，我们还提供了丰富的注释，包括对象类别、对象边界、挑战性属性、对象级标签和实例级注释。我们的C

Transformer