特征融合经典魔改方法+最新应用案例大汇总！_mambadfuse

特征融合(Feature Fusion) 是一种通过整合来自多个不同源的特征，提升模型性能的机器学习重要技术。它能够提高分类准确率，增强模型鲁棒性，减少过拟合风险，因此在提高模型的性能和泛化能力上效果显著。

为了帮助大家进一步探索特征融合新方法及应用，沃的顶会整理了18种经典特征融合创新方法和最新应用案例供大家参考，希望能给各位的学术研究提供一些帮助！

1、MambaDFuse: A Mamba-based Dual-phase Model for Multi-modality Image Fusion

一种基于Mamba的多模态图像融合双相位模型

【内容简介】作者提出了一个基于Mamba的双阶段多模态图像融合模型（MambaDFuse）。它包括三个阶段：双 Level 特征提取、双阶段特征融合和融合图像重建。层次特征提取包括卷积层和多个堆叠的Mamba块，利用CNN在视觉任务早期阶段的优秀处理能力以及Mamba在提取长距离特征上的效率。然后在特征融合阶段，浅层融合模块利用人工设计的融合规则来融合全局概览特征。

2、Multi-Scale Feature Fusion: Learning Better Semantic Segmentation for Road Pothole Detection 多尺度特征融合：为检测学习更好的语义信息

【内容简介】本文提出了一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取视觉特征，然后通过注意力模块重新加权通道特征以增强不同特征图的一致性。随后，研究者采用了一个空洞空间金字塔池化模块（由串联的空洞卷积组成，具有渐进的扩张率）来整合空间上下文信息。这有助于更好地区分坑洼和未损坏的道路区域。最后，使用研究者提出的多尺度特征融合模块融合相邻层中的特征图，这进一步减少了不同特征通道层之间的语义差距。在Pothole-600数据集上进行了大量实验，以证明提出的方法的有效性。定量比较表明，新提出的方法在RGB图像和转换后的视差图像上均达到了最先进的 (SoTA) 性能，优于三个SoTA单模态语义分割网络。

3、Robust feature aggregation network for lightweight and effective remotesensing image change detection 用于遥感图像变化检测的轻量化鲁棒特征融合网络 RFANet

【内容简介】本文提出了一种轻量级变化检测网络，称为鲁棒特征聚合网络（RFANet）。为了提高从轻量级骨干网络提取的较弱特征的表征能力，作者提出了特征增强模块（FRM）。FRM允许当前层级的特征与其他层级的特征进行密集交互和融合，从而实现细粒度细节和语义信息的互补。考虑到遥感图像中存在大量具有丰富相关性的目标，作者设计了语义分割-聚合模块（SSAM），以更好地捕获变化目标的全局语义信息。此外，作者还提出了一个包含通道交互模块（CIM）的轻量级解码器，它允许多层级细化的差异特征强调变化区域，同时抑制背景和伪变化。在四个具有挑战性的遥感图像CD数据集上进行的广泛实验表明，RFANet以更少的参数和更低的计算成本实现了具有竞争力的性能。

需要的同学关注公中号【沃的顶会】回复 “特征18”免费领取