结合创新！频域+特征融合新突破，让顶会投稿轻松涨点！

最近TPAMI 2024上很火的FreqFusion大家有关注吗？看了下这是种新的频率感知特征融合方法，涨点超级猛，直接覆盖语义分割、目标检测、实例分割和全景分割！

FreqFusion用到了 频域+特征融合 技术，这种技术的优势就在于能捕捉到传统时域分析难以揭示的频率特性， 显著提升数据处理的准确性和效率， 帮助我们构建出更加复杂和精细的模型，是信号处理、图像识别等任务新的、更加高效的解决思路和手段。

所以频域+特征融合也 是目前深度学习领域一个重要技术，创新性高且研究价值深远， 在顶会（比如CVPR、AAAI）上的成果也很多，想发顶会顶刊的同学可以考虑。

我这边整理了 12篇 频域+特征融合最新论文（顶会顶刊有） ，基本都有代码方便大家复现，需要参考的同学可以直接无偿获取~

扫码添加小享， 回复“ 频域特征 ”

免费获取 全部论文+开源代码

Fourier-enhanced Implicit Neural Fusion Network for Multispectral and Hyperspectral Image Fusion

方法： 论文提出了一种基于Fourier增强的隐式神经融合网络（FeINFN），结合了频域和特征融合技术，用于多光谱和高光谱图像融合任务。作者还引入了空间-频率隐式融合函数，以及使用复杂Gabor小波激活函数的空间-频率交互解码器，以促进空间和频率域特征的融合。

创新点：

• 通过傅里叶变换将隐式神经表示（INR）的潜在特征转换为频域，从而增强高频信息的表示能力。
• 提出了一种新的空间和频率隐式融合函数，旨在同时进行空间和频率域的融合。
• 在空间-频率交互解码器 (SFID) 中使用复杂的Gabor小波激活函数，以促进空间和频率域特征的融合。

Frequency spectrum is more effective for multimodal representation and fusion: A multimodal spectrum rumor detector

方法： 论文提出了一种新颖且高效的多模态谣言检测方法，即频谱表示与融合网络（FSRU），它在频域中进行特征融合以提高谣言检测的效率和准确性，利用双对比学习提高了多模态特征的辨识能力，并通过单模态频谱压缩和跨模态频谱共同选择，减少了不相关频率成分的影响。

创新点：

• FSRU 是一种新的、体系结构简单且计算效率高的方法，用于多模态谣言检测。
• 提出了一种频谱表示与融合模块，以从单模态和跨模态的角度提取隐藏在频谱成分中的谣言证据。
• FSRU 利用基于分布相似性的多模态特征聚合和两种类型的对比学习来学习跨模态特征之间的互补关系。

扫码添加小享， 回复“ 频域特征 ”

免费获取 全部论文+开源代码

MSFNet: A Multi-Scale Space-Time Frequency Fusion Network for Motor Imagery EEG Classification

方法： 论文提出了一种用于运动想象脑电图（MI-EEG）分类的多尺度时空频率融合网络（MSFNet），通过数据获取和预处理、多尺度时间卷积融合单元、多尺度频率卷积融合单元、特征融合和分类步骤，实现了高精度的MI-EEG分类。

创新点：

• 提出了一种新颖的多尺度空间频率融合网络（MSFNet），用于运动想象脑电图（MI-EEG）的分类。
• 在五个频率带（δ、θ、α、β、γ波）中进行频率特征的融合，证明了这种融合方法比单一频率特征更有效。
• 通过与现有最先进方法的比较，MSFNet在两个公共数据集（BCI IV 2a和HGD）上表现出最高的平均准确率和kappa值，证明了该模型的优越性和竞争力。