2025深度学习发论文&模型涨点之——特征融合

特征融合是指将多个特征向量或特征图合并为一个更强大的特征表示的过程。这些特征可以来自同一数据源的不同层次（如浅层特征和深层特征），也可以来自不同的数据源（如图像、文本、音频等多模态数据）。通过融合这些特征，可以充分利用不同特征的优势，提升模型的性能。

• 空间融合：将不同层次的特征图在空间维度上进行融合，例如通过上采样或下采样使特征图尺寸一致后相加或拼接。

• 通道融合：将不同层次的特征图在通道维度上进行融合，例如通过卷积操作将不同通道的特征进行加权求和。

• 时间融合：在时间序列数据中，将不同时刻的特征进行融合，例如通过循环神经网络（RNN）或Transformer。

小编整理了一些特征融合【论文】合集，以下放出部分，全部论文PDF版皆可领取。

需要的同学

回复“特征融合”即可全部领取

论文精选

论文1：

HiFuse: Hierarchical Multi-Scale Feature Fusion Network for Medical Image Classification

HiFuse：用于医学图像分类的层次多尺度特征融合网络

方法

• 三分支层次结构：提出HiFuse网络，包含局部特征块、全局特征块和层次特征融合块（HFF块），分别用于提取局部空间特征和全局语义信息，并在不同层次上进行特征融合。

  局部特征块：使用3×3深度卷积提取局部特征，通过线性层和激活函数进行跨通道信息交互。

  全局特征块：引入窗口多头自注意力（W-MSA）模块，有效减少计算量，提取全局语义信息。

  

创新点

• 融合CNN和Transformer的优势：通过并行框架结合局部和全局特征块，高效提取不同尺度的特征，避免了深度网络的梯度消失和特征信息丢失问题。

  自适应特征融合：HFF块能够自适应地融合不同层次的局部和全局特征，显著提高了模型对医学图像分类任务的性能。

  性能提升：在ISIC2018、Covid-19和Kvasir数据集上，HiFuse模型的准确率分别比基线提高了7.6%、21.5%和10.4%，并且在多个数据集上优于其他先进模型。

  

论文2：

Multi-interactive Feature Learning and a Full-time Multi-modality Benchmark for Image Fusion and Segmentation

多交互特征学习和全天候多模态基准用于图像融合与分割

方法

• SegMiF架构：提出SegMiF，一个包含融合子网络和分割子网络的级联结构，通过中间特征的交互提升两个任务的性能。

  层次交互注意力（HIA）：建立HIA块，通过语义/模态多头注意力机制，保留内在模态特征并增强语义特征。

  动态权重因子：引入动态权重因子自动调整每个任务的权重，平衡特征交互并避免繁琐的调整。

  

创新点

• 联合优化：将图像融合和分割任务联合优化，生成视觉上吸引人的融合图像和准确的场景解析。

  层次交互注意力：通过HIA块实现融合网络和分割网络之间的细粒度特征交互，显著提升了分割性能。

  动态权重因子：自动学习每个任务的最优参数，避免了手动调整权重的复杂性。

  

论文3：

SecondPose: SE(3)-Consistent Dual-Stream Feature Fusion for Category-Level Pose Estimation

SecondPose：用于类别级姿态估计的SE(3)一致的双流特征融合

方法

• 双流特征融合：将对象特定的几何特征与DINOv2提供的语义类别先验进行融合。

  几何特征提取：提取成对距离和成对角度两种SE(3)不变几何特征，通过层次化聚合编码局部到全局的对象结构信息。

  SE(3)一致融合：将几何特征与DINOv2特征对齐，建立在SE(3)变换下一致的对象表示。

  

创新点

• 首次融合：首次将对象特定的层次几何特征与DINOv2语义特征直接融合用于类别级姿态估计。

  SE(3)一致性：提出的双流特征融合策略生成了在SE(3)变换下一致的对象表示，更适合下游姿态估计任务。

  性能提升：在NOCS-REAL275数据集上，SecondPose在所有指标上都大幅超过了现有的SOTA方法，例如在5°2cm指标上比VI-Net提高了6.2%。

  

---

论文4：

Time-space-frequency feature Fusion for 3-channel motor imagery classification

三通道运动想象分类的时间-空间-频率特征融合

方法

• 时间-频率表示：使用连续小波变换（CWT）将EEG信号转换为时间-频率谱图。

  时间-频率特征提取：通过轻量级网络TSFF-img提取时间-频率谱图的特征。

  时间-空间特征提取：使用LMDA-Net提取时间序列EEG信号的时间-空间特征。

  

创新点

• 多模态特征融合：提出了时间-空间-频率特征融合网络TSFF-Net，有效补偿了单模态特征提取网络的不足。

  轻量级网络设计：TSFF-img网络结构轻量级且浅层，更适合从EEG时间-频率谱图中提取特征。

  性能提升：在BCI4-2A和BCI4-2B数据集上，TSFF-Net的分类准确率超过了现有的SOTA方法，例如在BCI4-2A的二分类任务中，TSFF-Net的平均准确率达到了85.1%。

  

小编整理了特征融合论文代码合集

需要的同学

回复“特征融合”即可全部领取