本文提出了一种高效的ViT块——LSRFormer，作为即插即用模块附加在CNN之后，以补充全局信息，构建了ConvLSR-Net模型。该模型在四个遥感图像分割基准测试中取得了SOTA结果，并表现出较强的鲁棒性...

用于密集图像预测的频率感知特征融合这篇论文来源:TPAMI 2024，本研究将信号或图像从时域转换到频域，用于提取高频特征。

Pest-ConFormer通过融合CNN与Transformer的优势，结合多尺度特征聚合和弱监督学习，显著提升了细粒度害虫分类性能，但计算复杂度较高。未来工作可围绕轻量化、小目标优化和数据增强展开。

DBCLNet通过双分支协作和特征级联设计，显著提升了多类别农作物病害的识别性能，并在模型复杂度与精度间取得平衡。未来可进一步优化特征提取策略，并扩展至更复杂场景验证实用性。

FreqFormer通过频域注意力机制有效结合高频细节与低频全局信息，显著提升了遥感图像语义分割的精度。实验表明其在复杂场景中具有更强的判别能力，为地物分类和地理空间分析提供了新的解决方案。

在Scikit-Learn中使用KNN（K最近邻算法），代码体现了机器学习项目的典型工作流：数据准备→特征工程→模型训练→参数调优→性能评估。特别值得注意的是对数据分布保持（stratify）、特征标准化...