多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无...多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无法充分利用所提供的丰富多样的信息,从而影响最终变化检测结果的准确性和精度。针对这些问题,提出一种交互式多编码器和多解码器网络,该网络利用交互式编码器来提取局部和全局特征,交互式编码器由卷积神经网络(convolutional neural network,CNN)和Transformer组成,并通过特征通信模块增强它们的交互。全局和局部差异解码器分别处理来自双时相图像的局部和全局特征,专注于特定类型的差异特征。最后,设计了空间-通道差异融合模块在空间和通道维度上自适应地融合局部和全局解码器获取的差异特征,以增强相关变化。与现有基于MESD网络的先进方法(ChangeForm)相比,该文所提算法在LEVIR-CD、WHU-CD和DESIF-CD数据集上分别获得了1.14%、5.68%和6.5%的F1分数提升。展开更多
文摘多编码器和单解码器(multi encoder and single decoder,MESD)架构在变化检测中取得了成功,但在编码过程中平衡全局和局部特征方面面临挑战,导致特征表示不足。此外,这些方法通常依赖于单一解码器来解释来自多个编码器的信息,这可能无法充分利用所提供的丰富多样的信息,从而影响最终变化检测结果的准确性和精度。针对这些问题,提出一种交互式多编码器和多解码器网络,该网络利用交互式编码器来提取局部和全局特征,交互式编码器由卷积神经网络(convolutional neural network,CNN)和Transformer组成,并通过特征通信模块增强它们的交互。全局和局部差异解码器分别处理来自双时相图像的局部和全局特征,专注于特定类型的差异特征。最后,设计了空间-通道差异融合模块在空间和通道维度上自适应地融合局部和全局解码器获取的差异特征,以增强相关变化。与现有基于MESD网络的先进方法(ChangeForm)相比,该文所提算法在LEVIR-CD、WHU-CD和DESIF-CD数据集上分别获得了1.14%、5.68%和6.5%的F1分数提升。
文摘多行为推荐(multi-behavior recommendation,MBR)在互联网平台中愈发重要,但现有方法仍面临两大挑战:a)无法刻画用户不同行为下的复杂兴趣偏好;b)难以建模不同行为间的相互关系。基于此,提出一种对比学习增强的多行为超图神经网络模型(multi-behavior hypergraph neural network model enhanced with contrastive lear-ning,MBHCL),在建模用户复杂多类型交互的同时,结合对比学习捕获行为间共性与差异,以获取更优嵌入表示,缓解冷启动与数据稀疏问题。具体地,MBHCL首先构建用户-项目多行为交互超图,以刻画用户对项目不同维度的偏好;其次设计三个对比任务整合单行为表示,通过捕捉行为间的共性与差异获取全面用户兴趣偏好。最终,MBHCL在四个真实场景数据集上进行对比实验。结果表明,在Tmall和BeiBei数据集上,HIT和NDCG指标有至少4.8%的提升,在Kuairand和Yelp数据集上,HIT和NDCG指标至少提升3.6%,并通过消融实验验证了各模块的有效性,同时显著改善了冷启动用户推荐效果。
