V
主页
20240703【遥感图像解译】邓良剑:Recent Advances in Lightweight Learning for Remote Sensing …
发布人
报告嘉宾:邓良剑 (电子科技大学) 报告时间:2024年7月3日 (星期三)晚上20:30 (北京时间) 报告题目:Recent Advances in Lightweight Learning for Remote Sensing Pansharpening 报告人简介: 电子科技大学数学科学学院研究员、博导、校百人。长期从事应用数学和人工智能领域的交叉研究,主要研究方向为:图像融合、机器学习、变分图像建模和算法等。分别于2010年和2016年获得电子科技大学理学学士和理学博士学位。曾作为联合培养博士生在美国凯斯西储大学学习一年,赴香港浸会大学进行博士后研究工作一年。曾在对方资助下短期访问剑桥大学牛顿数学科学研究所、香港浸会大学。主持国家自然科学基金项目2项、省部级项目1项,作为研究骨干参与国家重点研发等国家级项目多项。近五年,以第一或通讯作者身份在SIAM J. Imag. Sci.、Int. J. Comput. Vis.、Info. Fusion、IEEE汇刊发表期刊论文30余篇,在CCF-A类学术会议(ICML/NeurIPS/CVPR/ICCV/ACMMM/AAAI/IJCAI)发表论文10余篇。曾获四川省数学会应用数学一等奖 (独立)等奖励。担任多个SCI期刊编委/客座编辑。主持/参与多个省级/校级教改项目,指导多名本科生在上述期刊和会议第一作者发表学术论文。 个人主页: https://liangjiandeng.github.io/ 报告摘要: The problem of remote sensing image pansharpening is a fundamental issue in the interpretation of remote sensing images. It primarily involves the effective fusion of high-resolution panchromatic images with low-resolution multispectral images to ultimately obtain multispectral images with high spatial resolution. Currently, deep learning methods trained on big data offer excellent approaches to pansharpening, but they often result in a large quantity of network parameters and computational load. This report mainly introduces two lightweight learning strategies, grounded in a thorough analysis of the mathematical principles of convolutional neural networks. The first strategy involves proposing two novel types of lightweight convolution, namely the spanned convolution (SpanConv) and the Gaussian perturbed convolution (LGPConv). The second strategy achieves rapid online training and inference through a simple zero-shot semi-supervised learning method. These related methods have been validated on multiple datasets for remote sensing image pansharpening and are believed to be extendable to other image tasks.
打开封面
下载高清视频
观看高清视频
视频下载器
20240605【Prompt Learning in Vision】刘东方:Prompt Tuning as Sustainable Fast Learner
20230830【视频分割的研究进展】杨宗鑫:Segment and Track Anything
20221221【遥感图像智能理解与应用】孙显:大规模遥感图像多任务学习方法探索与应用
20240828【医学多模态分析与研究:从传统模型到大模型的演变】Panel
20240522【计算机辅助诊疗:过去,现在和未来】骆路阳:Understanding and Learning from Imperfect Medical
【VALSE2024】0505 谢凌曦《APR:视觉通用人工智能》
20240717【面向事件相机的物体检测与跟踪】王逍:Visual Object Tracking using an Event Camera
20231220【遥感数据处理的研究进展和未来展望】张洪艳:SinoLC-1:中国首幅1米分辨率土地覆盖图
20231220【遥感数据处理的研究进展和未来展望】贾森:高光谱遥感图像信息解译
20240731【多模态研究进展】徐偲:面向低质多模态数据的深度学习
20230607【开放世界的感知:探索可迁移与可持续学习之路】巩东:Continual Learning and Memory Augmentation……
20201125 耳聪目明:多模态认知计算的未来
20210707【预训练大模型 :大势所趋or昙花一现?】Panel
20240103【大模型的可信之道:挑战、发展与机遇】Panel
20240424【空天智能感知】邹征夏:基于虚实混合增强的复杂场景感知与推演
20220113 VALSE Student Webinar【论文写作那些事儿】Panel
20240110【图数据小样本学习】姚权铭:Few-shot learning from biomedical networks
20240529【可控的视觉内容生成】刘希慧:Towards Controllable and Compositional Visual Content ……
20240612【可信基础模型】韩波:Exploring Trustworthy Foundation Models under Imperfect Data
【VALSE2024】0506《Workshop :面向移动端的AI图像增强》
20240117【学术新人“修炼手册”】Panel
20211004【VALSE短教程】《Adversarial Attack and Defense》特邀讲师:王奕森助理教授
【VALSE2023】0611《Workshop :围绕手机的计算影像学》
20240103【大模型的可信之道:挑战、发展与机遇】Haohan WANG:Guardian of Trust in Language Models: Aut
【VALSE2024】0505 杨易《特邀报告:混合模型驱动的内容生成与具身智能》
20240731【多模态研究进展】张晓堃:浅谈多模态会话推荐系统
【VALSE2024】0505 马月昕《特邀报告:三维场景理解的前世、今生与未来》
20220309【让机器看懂视频:视频分割与目标追踪】杨宗鑫:视频理解中的多目标联合分割
20230906【多模态行人重识别的研究进展与未来】叶茫:多模态行人重识别进展与挑战
20220113 VALSE Student Webinar【论文写作那些事儿】王玫:科研路上的心得与体会
20240814【多模态医学图像处理及医学大模型的发展近况】Panel
20220316【基于领域知识的机器学习在医学影像分析中的应用】秦璟:Rethink Deep Learning Models for Medical……
20220105【标签噪声学习专题论坛】Panel
20240612【可信基础模型】刘扬:Large Language Model Unlearning
20240529【可控的视觉内容生成】陈铠:Geometric-Controllable Visual Generation: A Systematic ……
20220505【VALSE短教程】《因果发现与因果性学习》特邀讲师:蔡瑞初教授
20220323【我要找到你:2D/3D物体检测和定位】陈挺:Pix2seq: A Language Modeling Framework for……
20240417【视频生成与理解】罗平:Efficient Diffusion Transformer for Image and Video Generat…
【VALSE2024】0506《Tutorial:开放词汇视觉感知论坛》
【VALSE2024】0505 施柏鑫《APR:神经形态相机视觉计算》