W!NCE:UnobtrusiveSensingofUpperFacialActionUnitswithEOG-basedEyewear文章目录W!NCE:UnobtrusiveSensingofUpperFacialActionUnitswithEOG-basedEyewear每一篇论文都需要问自己：摘要：需要解决的挑战：以往的方式基于相机的方式[6,15,37,48]接近传感器([52],[3

网图麦布二氏的人格类型量表：外向(Extrovert，E)或内向(Introvert，I)理性(Sensing，S)或直觉(Intuition，N)思考(Thinking，T)或感受(Feeling，F

《Smallobjectdetectioninremotesensingimagesbasedonattentionmechanismandmulti-scalefeaturefusion》《CotYOLO-v3》ABSTRACT由于检测目标分布密集、背景复杂等因素的影响，遥感图像中小目标较多，难以检测。为了解决遥感图像中小物体检测的难题，本文提出了一种名为CotYOLO-v3的目标检测算法。首先

传感器必须具备一定的信息处理的功能，不再是简单的采集数据的设备，是需要作为一个相对独立的感知（sensing）、存储（storge）、计算（comp

阅读笔记这是iccv2021的一篇关于遥感影像变化检测的论文。变化检测要求指出同一地方不同时刻（paired）的变化区域，即公式1。目前的方法通常使用双时相数据(pariedbitemporalimages)进行监督学习（图1a），本文提出一种使用单时相数据的方法进行监督训练（图1b），即训练时使用不同区域的图片(unpairedsingle-temporalimages)。这样，需要的工作是如何

摘要：在有限的样本和复杂的场景（季节变化、亮度变化、建筑改造等）情况下，遥感变化检测仍有很多限制，在两期影像上做差异特征的之前直接探索双时间图像之间直接交互的可行性。在本文中，我们提出了一个双分支多级跨时间网络(DMINet)来高效地推导变化检测。具体来说，通过将自我注意(SelfAtt)和交叉注意(CrossAtt)统一在一个模块中，我们提出了一个跨期联合注意(JointAtt)块来引导他们之间

每个人接收信息的认知方式分为感知S（Sensing）\直觉N(Intuition)。每个人处理信息的判断方式分为思考T

RemoteSensingChangeDetectionusingDenoisingDiffusionProbabilisticModels代码链接：https://github.com/wgcban/ddpm-cd摘要人类文明对地球系统的影响越来越强大，而地球观测是评估和减轻负面影响的宝贵工具.为此，观察地球表面精确定义的变化是至关重要的，我们提取了一种实现这一目标的有效方法.值得一提的是，我们

论文阅读笔记：《Foreground-AwareRelationNetworkforGeospatialObjectSegmentationinHighSpatialResolutionRemoteSensingImagery》论文下载地址：https://openaccess.thecvf.com/content_CVPR_2020/papers/Zheng_Foreground-Aware_R

DeepCovarianceAlignmentforDomainAdaptiveRemoteSensingImageSegmentation域自适应遥感图像分割中的深度协方差对齐0.摘要1.概述2.相关工作2.1.UDARSI分割2.2.UD中的分类对齐方法3.提出的DCA方法3.1.CFP模块3.2.协方差正规化CovarianceRegularization(CR)3.2.1.CR的动机3.2

论文阅读笔记：《SCAttNet:SemanticSegmentationNetworkwithSpatialandChannelAttentionMechanismforHigh-ResolutionRemoteSensingImages》论文下载地址：https://ieeexplore.ieee.org/document/9081937转载请注明：https://blog.csdn.net/

目录Velocitymeasurementinautomotivesensing:HowFMCWradarandlidarcanworktogether-汽车传感中的速度测量：FMCW雷达和激光雷达如何协同工作AbstractAradarmaynotprovideaclearimage,butitwillcapturetheoncomingmotionofmultiplevehiclessepar

●保留空间（Holdingthespace）●观察（Oberving）●感知（Sensing）●自然流现（Presencing）●结晶（Crys

一、cube.AI实际项目应用接篇二，前文都是采用FP-AI-SENSING1案例和配套的B-L475E-IOT01A开发板来阐述的，而实际项目中，我们都是基于自身项目硬件平台来训练模型及部署模型的，我们仅仅需要

影像匹配代码最近发表了一篇论文，现在将论文代码进行分享，希望对您的研究有帮助，禁止用于商业用途。欢迎各位前辈，同行使用本文算法进行对比、参考。如果有任何建议，问题、疑问，请联系我，我会尽快答复。预祝各位生活顺心，科研顺利！研究方向：阴影检测，影像匹配姓名：薛理邮箱：[email protected]论文题目：Remotesensingimagematchingfeaturedbytheoptima

【论文原文】：RadargrammetricDSMGenerationbySemi-GlobalMatchingandEvaluationofPenaltyFunctions论文地址：https://www.mdpi.com/2072-4292/14/8/1778博主关键词：SAR图像立体像对，数字表面性模型（DSM），半全局匹配法（SGM）摘要：SAR立体测量是生成数字表面模型（DSM）的一种有

摘要由于技术和预算的限制，单个遥感卫星的传感器往往难以同时具有高时间和高空间（HTHS）分辨率。在本文中，我们提出了一种新的生成对抗网络（MLFF-GAN）来生成融合HTHS图像。MLFF-GAN主要采用u-net类架构，其生成器由特征提取、特征融合和图像重建三个阶段组成。在特征提取与重建阶段，生成器采用编码和解码结构提取三组多层次特征（MLFs），可以解决高分辨率图像与低分辨率图像之间的巨大分辨

在Fedora上的仿真环境搭建请参考：XTDrone学习笔记一：ROS+PX4仿真平台基础配置运行步骤：cdXTDrone/sensing/slam/vslam/ORB_SLAM2./1.build.sh

写在前面    之前复现了基于yolov2的小样本目标检测的论文，经过在其他数据集（如一些包含小目标的遥感数据集），检测效果不是很好，可能是由于v2的性能的问题，v2网络本身只有一种尺度的预测特征图，相比于从v3开始的多个预测特征图，性能逊色一些。    下面就学习复现基于v3的小样本目标检测算法，github链接链接:FSODM。感觉这个代码有点冷门，可能是由于作者给的说明太少吧。环境配置   

一、中科院分区期刊分区，图源PoJCR一区，中科院二区，影响因子5.347二、投稿时间经历写在前面：投稿方向为遥感图像处理1、3.16日投稿，专栏，pendingdecision；注：MDPI下面的文章如果pendingdecision时间超过两个工作日就会比较危险。2、3.16日，投稿两小时后转为underreview；3、3.31日，编辑发邮件说找不到审稿人，要求推荐，我就在RS官网找了几个发

Generalizedfew-shotobjectdetectioninremotesensingimagesReadPaper地址：点击这里Code地址：点击这里期刊：中科院大类一区，遥感小类也是一区，2022年影响因子11.7741.Motivation1）地理空间目标具有较大的类内多样性和较小的类间可分性；2）目前很多少样本目标检测算法更多关注新类的性能，而忽略在基类的效果，即会产生遗忘灾难

上图，9月14号提交的初稿，经过一次大修和一次小修，12月30号状态为Accept，历时三个半月，刚好赶上过年。总体就是这个时间线，下面来mark一下整个写作投稿流程。21届某211就读研究生，因为本科就一直给老板打工，回想起来好像除了干活就是干活，每次开组会前两天还要通宵赶项目，所以读研决定选个佛系的导师，当时是暑假那个时间段联系的导师，他也说过可以搞自己的东西，他都能指导。我导在学院自己玩，有

参考ObjectDetectioninOpticalRemoteSensingImages:ASurveyandANewBenchmark-云+社区-腾讯云摘要：最近已作出大量努力，提出光学遥感图像中的各种目标检测方法。然而，目前对光学遥感图像中目标检测的数据集调查和基于深度学习的方法还不够完善。此外，现有的数据集大多存在一些不足之处，如图像和目标类别数量较少，图像多样性和变异性不足。这些局限性极

我的论文是关于行星目标检测的，属于遥感方面。2021.8.1投稿，状态是underreview8.2状态是underreview，收到邮件，分配给编辑了8.3出了一点小问题，让修改作者信息。（因为我官网注册账号的邮箱和论文提供的邮箱不一致，提醒大家注意，尽量一致）……（漫长的等待，大约37天）9.9pendingminorrevisions9.14编辑催稿，申请延迟两天，推迟到16号需要说明的是，

目录前言一、文章的摘要1.文章要解决的问题2.文章提出的解决方法二、文章的引言1.WSN(无线感知网)2.DRRM(差异化无线电资源管理)3.SP结构(String-pulling)三、模型与公式四、模型的求解与各种定理1.传输与传感速率的联合优化1.速度控制的最优结构2.最优高度的搜索域3.搜索域的划分4.搜索高度2.关于缓冲区容量有限的扩展情况1.模型建立2.搜索域的确定3.给定"height

论文地址：BIT论文代码地址：BIT代码1.摘要2.网络结构2.1主网络2.2语义标记模块（SemanticTokenizer）

Interferi是一种利用声干涉测量的身体手势感知技术。我们使用放置在皮肤上的超声波换能器在佩戴者体内创造声干扰图案，以复杂但有特征的方式与解剖特征相互作用。我们专注于身体的两个部位，具有强大的表达能力：手和脸。对于每一个传感器，我们构建并测试了一系列穿戴的传感器配置，我们使用这些配置来识别有用的传感器排列和机器学习特征。我们为手和脸创建了最终的原型，我们的研究结果显示，它可以支持11个和9类手

核心思想  该文提出一种基于局部线性变换（LocallyLinearTransforming，LLT）约束的特征匹配方法用于遥感图像的对齐。首先根据特征点之间的相似性，构建一个假定的匹配点集，然后从中将误匹配点筛除出去，得到最终的匹配结果。筛除误匹配点的过程，该文将其定义为一个带有隐变量的贝叶斯模型最大似然估计问题，并引入了局部线性变换约束（LLT），采用EM算法对其求解。作者研究了三种常见的变换

RemoteSensingImageSuper-resolution:ChallengesandApproaches遥感图像超分辨率的挑战和方法1摘要2遥感观测模型3遥感中的SR模型3.1基于学习的SR模型3.2基于内插的SR模型3.3频域SR模型3.4概率论SR模型4实验结果5结论参考文献遥感图像超分辨率的挑战和方法1摘要随着卫星图像处理的发展，遥感在现代社会中也越来越重要。然而，由于目前成像传

对于遥感图像的超分辨率，本文提出了一种自适应多尺度特征融合网络（AMFFN）。AMFFN可以直接从原始低分辨率图像中提取密集特征，而无需任何图像插值预处理。串联几个自适应多尺度特征过滤块（AMFE），以自适应地提取遥感图像的高频详细特征信息。AMFFN的主要贡献包括：针对遥感图像的超分辨率引入了一种自适应多尺度特征融合网络，可以自适应地提取多尺度特征信息；集成了挤压激励模块（Squeeze-and

标题遥感图像超分和目标检测的benchmark和SOTA。摘要在过去的二十年里，人们一直在研究遥感（RS）图像中的目标检测方法。在大多数情况下，用于遥感图像中小目标检测的数据集是不足的。许多研究人员使用场景分类数据集进行目标检测，这有其局限性；例如，在目标类别中，大尺寸目标的数量超过小目标。因此，它们缺乏多样性；这会进一步影响了RS图像中小目标检测器的检测性能。本文回顾了目前针对遥感图像的数据集和

之前看bonn大学CyrillStachniss教授的课基于图的SLAM中最小二乘求最优的时候提到了InformationMatrix。InformationMatrix这个概念以前用最小二乘的时候并没有看见过。所以回头来看前一章最小二乘的内容。定义LeastSquares是用在overdeterminedsystem（超定？超验？）里面的。我们的等式要比变量多。经常用于给定观测，轨迹模型参数。我

论文论文：TransformersinRemoteSensing:ASurvey论文地址：https://arxiv.org/abs/2209.01206[2209.01206]TransformersinRemoteSensing:ASurvey(arxiv.org)TransformersinRemoteSensing:ASurvey-专知论文(zhuanzhi.ai)项目地址：https:/

Title：Multi-TaskAllocationinMobileCrowdSensingwithMobilityPredictionSource：TMCAuthor：JinyiZhangandXinglinZhang1作者想解决什么问题？定义问题的性质（哪一类问题）：多任务分配问题问题（矛盾）的描述：预测用户的移动轨迹马尔科夫模型预测==【可以看一下】==不均匀泊松分布基于统计学模型存在的问题

论文链接：https://arxiv.org/pdf/2209.01206v1.pdf源码：https://github.com/VIROBO-15/Transformer-in-Remote-Sensing

FeatureSplit–Merge–EnhancementNetworkforRemoteSensingObjectDetectionI.INTRODUCTIONII.RELATEDWORKIII.METHODA.FSMModuleB.OERModuleC.OSEStrategyIV.EXPERIMENTSRemoteSensingObjectDetection)I.INTRODUCTIONCh

RemoteSensingImageChangeDetectionwithTransformers论文简介：该论文是2021年发表在ISPRS上的利用transformer做变化检测的工作。利用了LEVIR-CD数据集，下图是论文提出的BIT在该数据集上的结果。网络模型：关键点：BIT能够学习并且关联全局高层语义的上下文信息并可以反馈附加到原始特征。3个主要步骤从CNNbackbone中提取高层特

读了一篇《移动群智感知应用》陈荟慧记录一下学习内容；MobileCrowd-SensingApplication1、移动群智感知用户采集数据时的协作方式分为参与式感知（participant-sensing

Cross-spatiotemporalland-coverclassificationfromVHRremotesensingimageswithdeeplearningbaseddomainadaptation基于深度学习域适应的VHR遥感影像跨时空土地覆盖分类0.摘要1.概述2.方法2.1.整体框架2.2.生成目标风格化图像2.3.使用自集成学习时空可转换模型2.3.1.自集成模型2.3.2

关键词：Factorgraphs,localization,mapping,maximumaposterioriestimation,perception,robots,sensing,simultaneouslocaliz

若有大量数据出现说明可以开始录点4.点击setup界面下的ROSBAG，然后点击refresh会刷新节点找到points_raw按钮5.在对应的路径中找到存储的bag包激光建图1.接着上一步的操作不要改动设置，2.勾选sensing

压缩感知（CompressedSensing，CS）该理论指出：对于满足约束等距条件（RestrictedIsometryProperty，RIP）的稀疏或可压缩信号，通过低于（甚至远低于）Nyquist标准对其采样，就可足够精确地恢复出原始信号。自2007年莱斯大学的BaraniukR等人首次将压缩感知引入高分辨雷达，压缩感知理论在雷达成像中的应用受到越来越多的关注.SAR压缩感知成像既可在时域

R²-CNN:FastTinyObjectDetectioninLarge-ScaleRemoteSensingImages快速轻量的大尺度遥感图像目标检测框架论文地址：https://arxiv.org/pdf/1902.06042.pdf在大尺度遥感图像中检测小物体一直是遥感图像目标检测的具有挑战性的问题。首先，遥感图像尺寸很大，检测过程很慢很难用于实际应用。其次，遥感图像背景复杂，造成严重的

TGRS2022:RoadSegmentationforRemoteSensingImagesUsingAdversarialSpatialPyramidNetworks基于对抗性空间金字塔网络的遥感图像道路分割0.摘要1.概述2.方法2.1.背景2.2.生成器结构2.3.鉴别器架构2.4.真实图像测试3.实验3.1.数据集和实验设置3.2.鉴别器的感受野分析3.3.消融实验参考文献论文下载0.摘

TGRS2020/遥感：MultisourceDomainAdaptationforRemoteSensingUsingDeepNeuralNetworks基于深度神经网络的遥感多源域自适应0.摘要1.概述2.方法2.1.基于像素到基于面片的预测2.2.架构2.3.通过知识扩展网络进行适应2.3.1.LwF2.3.2.LFL2.4.AMDA参考文献0.摘要在将机器学习应用于遥感问题时，通常会出现多

TGRS2020/云检测：DeepMattingforCloudDetectioninRemoteSensingImages深度抠图在遥感图像云检测中的应用0.摘要1.概述2.云图像的混合能量成像模型2.1.任务一：云检测2.2.任务二：云覆盖评估2.3.任务三：云去除3.深度云抠图3.1.网络架构3.2.多任务损失3.2.1.注意力分枝3.2.2.云反射分支3.2.3.云不透明度分支3.3.应用

Deep-LearnedRegularizationandProximalOperatorforImageCompressiveSensing文章目录Deep-LearnedRegularizationandProximalOperatorforImageCompressiveSensing摘要近端梯度下降近端动量梯度下降(PMGD)自适应近端算子选择学习正则化的RRN学习近端算子的DRCAN自集

GlobalSensingandMeasurementsReuseforImageCompressedSensing文章目录GlobalSensingandMeasurementsReuseforImageCompressedSensingAbstractIntroductionRelatedworkTraditionalCompressedSensingDeepCompressedSensing

他与大家分享的主题是:“基于结构化世界模型的机器人操作和物理交互”，届时将详细讲解我们如何在机器人系统中传感器(sensing)、感知(perception)、动力学建模(dynamics)、规划控制(

深度神经网络对大量数据的丰富结构进行建模的优势已经导致了计算机视觉、自然语言处理、自动语音识别和时间序列分析的重大突破。然而，深度神经网络的性能对训练数据的大小和质量非常敏感。因此，在过去十年中，已经为监督训练生成了多个带注释的数据集(例如ImageNet[2])，推动了许多领域的进步。不幸的是，标注大规模数据集是一个极其费力、耗时且昂贵的过程。监督学习范式的这种限制严重阻碍了深度学习在现实世界场