CN106447658A - 基于全局和局部卷积网络的显著性目标检测方法 - Google Patents
基于全局和局部卷积网络的显著性目标检测方法 Download PDFInfo
- Publication number
- CN106447658A CN106447658A CN201610850610.XA CN201610850610A CN106447658A CN 106447658 A CN106447658 A CN 106447658A CN 201610850610 A CN201610850610 A CN 201610850610A CN 106447658 A CN106447658 A CN 106447658A
- Authority
- CN
- China
- Prior art keywords
- network
- conspicuousness
- fcn
- training
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于全局和局部卷积网络的显著性目标检测方法,首先,使用FCN全卷积网络进行深层语义信息的提取,输入图像不需要固定尺寸,进行端对端的预测,减少训练的复杂度。使用局部CNN卷积网络,提取局部特征对FCN得到粗糙检测结果进行精度优化。本发明能准确高效的提取图像中的语义信息,有利于复杂场景中显著性目标检测准确率的提高。
Description
技术领域
本发明属于显著性目标检测的技术领域,具体涉及一种基于全局和局部卷积网络的显著性目标检测方法。
背景技术
现有的显著性目标检测方法主要是局部或全局的自底向上数据驱动型方法,利用颜色对比度、背景先验信息、纹理信息等计算显著图。这些方法主要有两个缺点:一是依赖于人工选定的特征,往往会导致图像本身含有的许多信息被忽略;二是显著性先验信息只通过简单的启发式结合,并没有明确的最优组合方法,使得在复杂场景中的检测结果不够准确。
利用深度神经网络自主提取图像特征能有效地解决以上问题。文献“DeepNetworks for Saliency Detection via Local Estimate and Global Search”中利用深度卷积网络提取特征进行显著性检测,局部评价利用每个超像素块为中心的51*51的图像块作为输入进行图像块级的分类,训练数据量较大;全局评价基于人为选择的特征,所以得到的全局特征并不能完全代表数据的深层信息,在复杂场景中效果不佳。与图像级理解任务不同,显著性检测要得到图像像素级别的分类。文献“Fully convolutional neuralnetworks for semantic segmentation”中提出了一种全卷积网络,对“Very deepconvolutional networks for large-scale image recognition”中提出的VGG-16模型进行改进,得到像素级的端对端的预测,降低了训练的复杂性,并且能够准确的提取图像中的深层语义信息,在本发明中利用全局全卷积网络(Fully Convolutional Network,FCN)进行显著性目标粗检测,再利用局部卷积网络(Convolutional Neural Network,CNN)进行精细检测。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于全局和局部卷积网络的显著性目标检测方法,提高复杂场景中显著性检测的高效性和准确性。
技术方案
一种基于全局和局部卷积网络的显著性目标检测方法,其特征在于步骤如下:
步骤1、构建FCN全卷积网络:将VGG-16模型中的全连接层移除,加入双线性插值层作为反卷积层,对最后一个卷积层的特征图进行上采样,使最后一个卷积层的特征图恢复到与输入图像相同的尺寸,从而对每个像素都产生一个显著性的二分类预测;
步骤2、对FCN全卷积网络进行训练:以ImageNet上训练好的VGG-16模型参数基础上进行调优,以人工标注了图中显著目标的显著性标注图作为训练的监督信息;训练时以平方和函数作为代价函数,对网络中的卷积层和反卷积层的系数使用BP算法进行调整;随机选取适量的非训练样本作为验证集,以防止训练过拟合现象的发生;
步骤3:训练终止后,利用训练好的FCN全卷积网络对待测样本进行检测,对每个像素点进行显著或非显著的二分类,得到端对端的预测,作为全局显著性检测结果;
构建局部CNN网络,利用VGG-16模型结构进行图像块级的分类;
利用简单线性迭代聚类Simple Linear Iterative Clustering,SLIC方法对显著性标注图的图像像素点进行超像素聚类,再对超像素聚类结果进行图分割,得到区域分割结果;
步骤4、训练步骤3构建的局部CNN网络:对区域分割得到的每个区域,以区域中心像素点为中心选取一个矩形图像块;将此图像块对应的FCN显著性检测结果和HSV颜色空间变换结果作为局部CNN网络的输入数据,以图像块对应的显著性标注图中,显著的像素点所占图块总像素数的比例确定该图像块显著性标签,并通过BP算法修正局部CNN网络的参数;
步骤5:以训练好的FCN全卷机网络对待测图像进行卷积操作得到初步的显著性分类结果;
对待测图像利用简单线性迭代聚类Simple Linear Iterative Clustering,SLIC方法对显著性标注图的图像像素点进行超像素聚类,再对超像素聚类结果进行图分割,得到区域分割结果;
对待测图像进行HSV颜色空间变换,得到颜色变换之后的图;
步骤6:对待测图像进行区域分割,以FCN检测结果和HSV颜色空间变换结果作为输入特征,经过局部CNN网络对每个区域进行二分类,将显著分类的概率作为区域显著性预测值。
有益效果
本发明提出的一种基于全局和局部卷积网络的显著性目标检测方法,首先,使用FCN全卷积网络进行深层语义信息的提取,输入图像不需要固定尺寸,进行端对端的预测,减少训练的复杂度。使用局部CNN卷积网络,提取局部特征对FCN得到粗糙检测结果进行精度优化。本发明能准确高效的提取图像中的语义信息,有利于复杂场景中显著性目标检测准确率的提高。
附图说明
图1是基于全局和局部卷积网络的显著性目标检测流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
步骤1、构建FCN网络结构
FCN网络结构是由十三个卷积层和五个池化层以及两个反卷积层组成,在本模型在经过ImageNet预训练的VGG-16模型上进行调优。移除VGG-16模型中的全连接层,加入两层双线性差值层作为反卷积层。第一个反卷积层进行4倍的插值,第二个反卷积层进行8倍的插值,将网络输出结果扩大到与原始图像同样的尺寸;设置分类类别为两类,对每个像素点进行二分类。
步骤2、训练网络结构
将训练样本送入网络依据逻辑回归分类器的输出对图像中每个像素点进行分类,将显著性标注图直接作为训练的监督信号,计算网络分类结果与训练样本监督信号的误差,使用反向传播算法对模型进行训练,对逻辑回归模型以及卷积核和偏置进行调整。由于训练样本量较大,采用分批次进行训练,每一批次称作一个batch。计算误差时,定义代价函数c为平方和函数:其中,m表示batch的大小,一般取20-100个,ti表示第i个图像对应的监督信号,zi表示经网络运算后输出第i个图像的检测结果。
使用误差的反向传播算法对模型进行调优,计算代价函数c对卷积核W及偏置b的偏导数,然后对卷积核和偏置进行调整:其中η1,η2为学习率,在本实施例中η1=0.0001,η2=0.0002。在每一次训练完成后,求得验证集样本的误差。在本发明中,选取训练终止条件为:当验证集的误差开始从由逐渐减小变成逐渐增大时,认为整个网络已经开始过拟合,此时即可停止训练。
步骤3、全局显著性检测及局部CNN网络训练数据预处理
利用全局FCN进行显著性检测,训练终止后,利用训练好的FCN网络对待测样本Im*n进行检测,m,n对应图像的长和宽。对每个像素点进行显著或非显著的二分类,得到粗糙的显著性检测结果Sm*n;
构建局部CNN网络,局部CNN网络采用VGG-16模型的结构,设置网络的输入为大小为227*227*4*batchsize,网络输出大小为2*batchsize,batchsize为每批次处理图像块的个数;
区域分割,首先采用SLIC对图像Im*n进行超像素聚类,再对超像素聚类结果进行图分割,得到区域分割结果{R1,R2,...,RN},N为区域分割的个数。
步骤4、训练局部CNN网络
对区域分割得到的每个区域Ri,i∈[1,N]得到其外接矩形Im*n(xmin:xmax,ymin:ymax),(xmin,ymin)、(xmax,ymin)、(xmin,ymax)、(xmax,ymax)为矩形的四个顶点,选取图像块Ci为Im*n(xmin-40:xmax+39,ymin-40:ymax+39),将图像块Ci对应的FCN显著性检测结果和HSV颜色空间变换结果作为Ri的训练输入特征。计算区域Ri中显著像素点所占的比例θ,设置显著性阈值th=0.75,若θ>th,则区域对应的标签为显著区域,否则为非显著区域。类似FCN网络训练过程对CNN网络进行训练。
步骤5、全局显著性检测及局部CNN网络数据预处理
以训练好的FCN全卷机网络对待测图像进行卷积操作得到初步的显著性分类结果;
对待测图像利用简单线性迭代聚类Simple Linear Iterative Clustering,SLIC方法对显著性标注图的图像像素点进行超像素聚类,再对超像素聚类结果进行图分割(Graph Cuts),得到区域分割结果;
对待测图像进行HSV颜色空间变换,得到颜色变换之后的图。
步骤6、显著性检测
对测试图像进行区域分割,以FCN检测结果和HSV颜色空间变换结果作为输入特征,经过局部CNN网络对每个区域进行二分类,将显著分类的概率作为区域显著性预测值。
Claims (1)
1.一种基于全局和局部卷积网络的显著性目标检测方法,其特征在于步骤如下:
步骤1、构建FCN全卷积网络:将VGG-16模型中的全连接层移除,加入双线性插值层作为反卷积层,对最后一个卷积层的特征图进行上采样,使最后一个卷积层的特征图恢复到与输入图像相同的尺寸,从而对每个像素都产生一个显著性的二分类预测;
步骤2、对FCN全卷积网络进行训练:以ImageNet上训练好的VGG-16模型参数基础上进行调优,以人工标注了图中显著目标的显著性标注图作为训练的监督信息;训练时以平方和函数作为代价函数,对网络中的卷积层和反卷积层的系数使用BP算法进行调整;随机选取适量的非训练样本作为验证集,以防止训练过拟合现象的发生;
步骤3:训练终止后,利用训练好的FCN全卷积网络对待测样本进行检测,对每个像素点进行显著或非显著的二分类,得到端对端的预测,作为全局显著性检测结果;
构建局部CNN网络,利用VGG-16模型结构进行图像块级的分类;
利用简单线性迭代聚类Simple Linear Iterative Clustering,SLIC方法对显著性标注图的图像像素点进行超像素聚类,再对超像素聚类结果进行图分割,得到区域分割结果;
步骤4、训练步骤3构建的局部CNN网络:对区域分割得到的每个区域,以区域中心像素点为中心选取一个矩形图像块;将此图像块对应的FCN显著性检测结果和HSV颜色空间变换结果作为局部CNN网络的输入数据,以图像块对应的显著性标注图中,显著的像素点所占图块总像素数的比例确定该图像块显著性标签,并通过BP算法修正局部CNN网络的参数;
步骤5:以训练好的FCN全卷机网络对待测图像进行卷积操作得到初步的显著性分类结果;
对待测图像利用简单线性迭代聚类Simple Linear Iterative Clustering, SLIC方法对显著性标注图的图像像素点进行超像素聚类,再对超像素聚类结果进行图分割,得到区域分割结果;
对待测图像进行HSV颜色空间变换,得到颜色变换之后的图;
步骤6:对待测图像进行区域分割,以FCN检测结果和HSV颜色空间变换结果作为输入特征,经过局部CNN网络对每个区域进行二分类,将显著分类的概率作为区域显著性预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610850610.XA CN106447658B (zh) | 2016-09-26 | 2016-09-26 | 基于全局和局部卷积网络的显著性目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610850610.XA CN106447658B (zh) | 2016-09-26 | 2016-09-26 | 基于全局和局部卷积网络的显著性目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447658A true CN106447658A (zh) | 2017-02-22 |
CN106447658B CN106447658B (zh) | 2019-06-21 |
Family
ID=58169472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610850610.XA Active CN106447658B (zh) | 2016-09-26 | 2016-09-26 | 基于全局和局部卷积网络的显著性目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447658B (zh) |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107016415A (zh) * | 2017-04-12 | 2017-08-04 | 合肥工业大学 | 一种基于全卷积网络的彩色图像色彩语义分类方法 |
CN107169498A (zh) * | 2017-05-17 | 2017-09-15 | 河海大学 | 一种融合局部和全局稀疏的图像显著性检测方法 |
CN107169954A (zh) * | 2017-04-18 | 2017-09-15 | 华南理工大学 | 一种基于并行卷积神经网络的图像显著性检测方法 |
CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107239797A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 基于全卷积神经网络的极化sar地物分类方法 |
CN107239565A (zh) * | 2017-06-14 | 2017-10-10 | 电子科技大学 | 一种基于显著性区域的图像检索方法 |
CN107292875A (zh) * | 2017-06-29 | 2017-10-24 | 西安建筑科技大学 | 一种基于全局‑局部特征融合的显著性检测方法 |
CN107341798A (zh) * | 2017-07-06 | 2017-11-10 | 西安电子科技大学 | 基于全局‑局部SPP Net的高分辨SAR图像变化检测方法 |
CN107392246A (zh) * | 2017-07-20 | 2017-11-24 | 电子科技大学 | 一种基于特征模型到背景模型距离的背景建模方法 |
CN107402947A (zh) * | 2017-03-29 | 2017-11-28 | 北京粉笔未来科技有限公司 | 图片检索模型建立方法和装置、图片检索方法和装置 |
CN107423747A (zh) * | 2017-04-13 | 2017-12-01 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络的显著性目标检测方法 |
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
CN107516316A (zh) * | 2017-07-19 | 2017-12-26 | 郑州禅图智能科技有限公司 | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN107545263A (zh) * | 2017-08-02 | 2018-01-05 | 清华大学 | 一种物体检测方法及装置 |
CN107679539A (zh) * | 2017-09-18 | 2018-02-09 | 浙江大学 | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 |
CN107784308A (zh) * | 2017-10-09 | 2018-03-09 | 哈尔滨工业大学 | 基于链式多尺度全卷积网络的显著性目标检测方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108009629A (zh) * | 2017-11-20 | 2018-05-08 | 天津大学 | 一种基于全卷积台标分割网络的台标分割方法 |
CN108229455A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
CN108256527A (zh) * | 2018-01-23 | 2018-07-06 | 深圳市唯特视科技有限公司 | 一种基于端到端全卷积网络的皮肤病变多类语义分割方法 |
CN108256562A (zh) * | 2018-01-09 | 2018-07-06 | 深圳大学 | 基于弱监督时空级联神经网络的显著目标检测方法及系统 |
CN108320286A (zh) * | 2018-02-28 | 2018-07-24 | 苏州大学 | 图像显著性检测方法、系统、设备及计算机可读存储介质 |
CN108470172A (zh) * | 2017-02-23 | 2018-08-31 | 阿里巴巴集团控股有限公司 | 一种文本信息识别方法及装置 |
CN108629789A (zh) * | 2018-05-14 | 2018-10-09 | 华南理工大学 | 一种基于VggNet的显著目标检测方法 |
WO2018188270A1 (zh) * | 2017-04-14 | 2018-10-18 | 北京图森未来科技有限公司 | 一种图像语义分割方法及装置 |
CN108805866A (zh) * | 2018-05-23 | 2018-11-13 | 兰州理工大学 | 基于四元数小波变换深度视感知的图像注视点检测方法 |
CN109146886A (zh) * | 2018-08-19 | 2019-01-04 | 沈阳农业大学 | 一种基于深度密度的rgbd图像语义分割优化方法 |
CN109325385A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 目标检测和区域分割方法、装置和计算机可读存储介质 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
CN109583349A (zh) * | 2018-11-22 | 2019-04-05 | 北京市首都公路发展集团有限公司 | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 |
CN109697460A (zh) * | 2018-12-05 | 2019-04-30 | 华中科技大学 | 对象检测模型训练方法、目标对象检测方法 |
CN109784183A (zh) * | 2018-12-17 | 2019-05-21 | 西北工业大学 | 基于级联卷积网络和光流的视频显著性目标检测方法 |
CN109977970A (zh) * | 2019-03-27 | 2019-07-05 | 浙江水利水电学院 | 基于图像显著性检测的水工复杂场景下人物识别方法 |
WO2019136623A1 (en) * | 2018-01-10 | 2019-07-18 | Nokia Technologies Oy | Apparatus and method for semantic segmentation with convolutional neural network |
CN110313017A (zh) * | 2017-03-28 | 2019-10-08 | 赫尔实验室有限公司 | 基于对象组件来对输入数据进行分类的机器视觉方法 |
CN110390363A (zh) * | 2019-07-29 | 2019-10-29 | 上海海事大学 | 一种图像描述方法 |
CN110490212A (zh) * | 2019-02-26 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN110633595A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种利用双线性插值的目标检测方法和装置 |
CN110942095A (zh) * | 2019-11-27 | 2020-03-31 | 中国科学院自动化研究所 | 显著物体区域检测方法及系统 |
CN111435448A (zh) * | 2019-01-11 | 2020-07-21 | 中国科学院半导体研究所 | 图像显著性物体检测方法、装置、设备及介质 |
CN112043260A (zh) * | 2020-09-16 | 2020-12-08 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
CN112598646A (zh) * | 2020-12-23 | 2021-04-02 | 山东产研鲲云人工智能研究院有限公司 | 电容缺陷检测方法、装置、电子设备及存储介质 |
CN113239981A (zh) * | 2021-04-23 | 2021-08-10 | 中国科学院大学 | 局部特征耦合全局表征的图像分类方法 |
CN116823680A (zh) * | 2023-08-30 | 2023-09-29 | 深圳科力远数智能源技术有限公司 | 一种基于级联神经网络的混储电池识别去模糊方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590319A (zh) * | 2015-12-18 | 2016-05-18 | 华南理工大学 | 一种深度学习的图像显著性区域检测方法 |
CN105701508A (zh) * | 2016-01-12 | 2016-06-22 | 西安交通大学 | 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法 |
-
2016
- 2016-09-26 CN CN201610850610.XA patent/CN106447658B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590319A (zh) * | 2015-12-18 | 2016-05-18 | 华南理工大学 | 一种深度学习的图像显著性区域检测方法 |
CN105701508A (zh) * | 2016-01-12 | 2016-06-22 | 西安交通大学 | 基于多级卷积神经网络的全局-局部优化模型及显著性检测算法 |
Non-Patent Citations (1)
Title |
---|
YOUBAO TANG ET.AL: "Saliency Detection via Combining Region-Level and Pixel-Level Predictions with CNNs", 《COMPUTER VISION–ECCV 2016》 * |
Cited By (79)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470172A (zh) * | 2017-02-23 | 2018-08-31 | 阿里巴巴集团控股有限公司 | 一种文本信息识别方法及装置 |
CN108229455A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
US11321593B2 (en) | 2017-02-23 | 2022-05-03 | Beijing Sensetime Technology Development Co., Ltd | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device |
CN108470172B (zh) * | 2017-02-23 | 2021-06-11 | 阿里巴巴集团控股有限公司 | 一种文本信息识别方法及装置 |
CN108229455B (zh) * | 2017-02-23 | 2020-10-16 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107016677B (zh) * | 2017-03-24 | 2020-01-17 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN110313017A (zh) * | 2017-03-28 | 2019-10-08 | 赫尔实验室有限公司 | 基于对象组件来对输入数据进行分类的机器视觉方法 |
CN110313017B (zh) * | 2017-03-28 | 2023-06-20 | 赫尔实验室有限公司 | 基于对象组件来对输入数据进行分类的机器视觉方法 |
CN107402947B (zh) * | 2017-03-29 | 2020-12-08 | 北京猿力教育科技有限公司 | 图片检索模型建立方法和装置、图片检索方法和装置 |
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107402947A (zh) * | 2017-03-29 | 2017-11-28 | 北京粉笔未来科技有限公司 | 图片检索模型建立方法和装置、图片检索方法和装置 |
CN107016681B (zh) * | 2017-03-29 | 2023-08-25 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107016415B (zh) * | 2017-04-12 | 2019-07-19 | 合肥工业大学 | 一种基于全卷积网络的彩色图像色彩语义分类方法 |
CN107016415A (zh) * | 2017-04-12 | 2017-08-04 | 合肥工业大学 | 一种基于全卷积网络的彩色图像色彩语义分类方法 |
CN107423747A (zh) * | 2017-04-13 | 2017-12-01 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络的显著性目标检测方法 |
CN107423747B (zh) * | 2017-04-13 | 2019-09-20 | 中国人民解放军国防科学技术大学 | 一种基于深度卷积网络的显著性目标检测方法 |
US11875511B2 (en) | 2017-04-14 | 2024-01-16 | Beijing Tusen Zhitu Technology Co., Ltd. | Method and device for semantic segmentation of image |
WO2018188270A1 (zh) * | 2017-04-14 | 2018-10-18 | 北京图森未来科技有限公司 | 一种图像语义分割方法及装置 |
US11205271B2 (en) | 2017-04-14 | 2021-12-21 | Beijing Tusen Zhitu Technology Co., Ltd. | Method and device for semantic segmentation of image |
CN107169954A (zh) * | 2017-04-18 | 2017-09-15 | 华南理工大学 | 一种基于并行卷积神经网络的图像显著性检测方法 |
CN107169498B (zh) * | 2017-05-17 | 2019-10-15 | 河海大学 | 一种融合局部和全局稀疏的图像显著性检测方法 |
CN107169498A (zh) * | 2017-05-17 | 2017-09-15 | 河海大学 | 一种融合局部和全局稀疏的图像显著性检测方法 |
CN107239797A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 基于全卷积神经网络的极化sar地物分类方法 |
CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
CN107229918A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种基于全卷积神经网络的sar图像目标检测方法 |
CN107239565B (zh) * | 2017-06-14 | 2020-03-24 | 电子科技大学 | 一种基于显著性区域的图像检索方法 |
CN107239565A (zh) * | 2017-06-14 | 2017-10-10 | 电子科技大学 | 一种基于显著性区域的图像检索方法 |
CN107292875A (zh) * | 2017-06-29 | 2017-10-24 | 西安建筑科技大学 | 一种基于全局‑局部特征融合的显著性检测方法 |
CN107341798A (zh) * | 2017-07-06 | 2017-11-10 | 西安电子科技大学 | 基于全局‑局部SPP Net的高分辨SAR图像变化检测方法 |
CN107516316A (zh) * | 2017-07-19 | 2017-12-26 | 郑州禅图智能科技有限公司 | 一种在fcn中引入聚焦机制对静态人体图像进行分割的方法 |
CN107392246A (zh) * | 2017-07-20 | 2017-11-24 | 电子科技大学 | 一种基于特征模型到背景模型距离的背景建模方法 |
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
CN109325385A (zh) * | 2017-07-31 | 2019-02-12 | 株式会社理光 | 目标检测和区域分割方法、装置和计算机可读存储介质 |
CN107545263B (zh) * | 2017-08-02 | 2020-12-15 | 清华大学 | 一种物体检测方法及装置 |
CN107545263A (zh) * | 2017-08-02 | 2018-01-05 | 清华大学 | 一种物体检测方法及装置 |
CN107527352B (zh) * | 2017-08-09 | 2020-07-07 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN107527352A (zh) * | 2017-08-09 | 2017-12-29 | 中国电子科技集团公司第五十四研究所 | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 |
CN107679539B (zh) * | 2017-09-18 | 2019-12-10 | 浙江大学 | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 |
CN107679539A (zh) * | 2017-09-18 | 2018-02-09 | 浙江大学 | 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法 |
CN107784308A (zh) * | 2017-10-09 | 2018-03-09 | 哈尔滨工业大学 | 基于链式多尺度全卷积网络的显著性目标检测方法 |
CN107784308B (zh) * | 2017-10-09 | 2020-04-03 | 哈尔滨工业大学 | 基于链式多尺度全卷积网络的显著性目标检测方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
CN108009629A (zh) * | 2017-11-20 | 2018-05-08 | 天津大学 | 一种基于全卷积台标分割网络的台标分割方法 |
CN107833220B (zh) * | 2017-11-28 | 2021-06-11 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108256562A (zh) * | 2018-01-09 | 2018-07-06 | 深圳大学 | 基于弱监督时空级联神经网络的显著目标检测方法及系统 |
WO2019136623A1 (en) * | 2018-01-10 | 2019-07-18 | Nokia Technologies Oy | Apparatus and method for semantic segmentation with convolutional neural network |
CN108256527A (zh) * | 2018-01-23 | 2018-07-06 | 深圳市唯特视科技有限公司 | 一种基于端到端全卷积网络的皮肤病变多类语义分割方法 |
CN108320286A (zh) * | 2018-02-28 | 2018-07-24 | 苏州大学 | 图像显著性检测方法、系统、设备及计算机可读存储介质 |
CN108629789A (zh) * | 2018-05-14 | 2018-10-09 | 华南理工大学 | 一种基于VggNet的显著目标检测方法 |
CN108805866B (zh) * | 2018-05-23 | 2022-03-25 | 兰州理工大学 | 基于四元数小波变换深度视感知的图像注视点检测方法 |
CN108805866A (zh) * | 2018-05-23 | 2018-11-13 | 兰州理工大学 | 基于四元数小波变换深度视感知的图像注视点检测方法 |
CN110633595A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种利用双线性插值的目标检测方法和装置 |
CN110633595B (zh) * | 2018-06-21 | 2022-12-02 | 北京京东尚科信息技术有限公司 | 一种利用双线性插值的目标检测方法和装置 |
CN109146886B (zh) * | 2018-08-19 | 2022-02-11 | 沈阳农业大学 | 一种基于深度密度的rgbd图像语义分割优化方法 |
CN109146886A (zh) * | 2018-08-19 | 2019-01-04 | 沈阳农业大学 | 一种基于深度密度的rgbd图像语义分割优化方法 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
CN109448361B (zh) * | 2018-09-18 | 2021-10-19 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
CN109583349A (zh) * | 2018-11-22 | 2019-04-05 | 北京市首都公路发展集团有限公司 | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 |
CN109697460A (zh) * | 2018-12-05 | 2019-04-30 | 华中科技大学 | 对象检测模型训练方法、目标对象检测方法 |
CN109697460B (zh) * | 2018-12-05 | 2021-06-29 | 华中科技大学 | 对象检测模型训练方法、目标对象检测方法 |
US11640678B2 (en) | 2018-12-05 | 2023-05-02 | Tencent Technology (Shenzhen) Company Limited | Method for training object detection model and target object detection method |
CN109784183B (zh) * | 2018-12-17 | 2022-07-19 | 西北工业大学 | 基于级联卷积网络和光流的视频显著性目标检测方法 |
CN109784183A (zh) * | 2018-12-17 | 2019-05-21 | 西北工业大学 | 基于级联卷积网络和光流的视频显著性目标检测方法 |
CN111435448B (zh) * | 2019-01-11 | 2024-03-05 | 中国科学院半导体研究所 | 图像显著性物体检测方法、装置、设备及介质 |
CN111435448A (zh) * | 2019-01-11 | 2020-07-21 | 中国科学院半导体研究所 | 图像显著性物体检测方法、装置、设备及介质 |
CN110490212B (zh) * | 2019-02-26 | 2022-11-08 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN110490212A (zh) * | 2019-02-26 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 钼靶影像处理设备、方法和装置 |
CN109977970A (zh) * | 2019-03-27 | 2019-07-05 | 浙江水利水电学院 | 基于图像显著性检测的水工复杂场景下人物识别方法 |
CN110390363A (zh) * | 2019-07-29 | 2019-10-29 | 上海海事大学 | 一种图像描述方法 |
CN110942095A (zh) * | 2019-11-27 | 2020-03-31 | 中国科学院自动化研究所 | 显著物体区域检测方法及系统 |
CN112043260B (zh) * | 2020-09-16 | 2022-11-15 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
CN112043260A (zh) * | 2020-09-16 | 2020-12-08 | 杭州师范大学 | 基于局部模式变换的心电图分类方法 |
CN112598646A (zh) * | 2020-12-23 | 2021-04-02 | 山东产研鲲云人工智能研究院有限公司 | 电容缺陷检测方法、装置、电子设备及存储介质 |
CN112598646B (zh) * | 2020-12-23 | 2024-06-11 | 山东产研鲲云人工智能研究院有限公司 | 电容缺陷检测方法、装置、电子设备及存储介质 |
CN113239981A (zh) * | 2021-04-23 | 2021-08-10 | 中国科学院大学 | 局部特征耦合全局表征的图像分类方法 |
CN116823680A (zh) * | 2023-08-30 | 2023-09-29 | 深圳科力远数智能源技术有限公司 | 一种基于级联神经网络的混储电池识别去模糊方法 |
CN116823680B (zh) * | 2023-08-30 | 2023-12-01 | 深圳科力远数智能源技术有限公司 | 一种基于级联神经网络的混储电池识别去模糊方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106447658B (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
CN105741316B (zh) | 基于深度学习和多尺度相关滤波的鲁棒目标跟踪方法 | |
CN105069779B (zh) | 一种建筑陶瓷表面花纹图案质量检测方法 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN103810503B (zh) | 一种基于深度学习的自然图像中显著区域的检测方法 | |
CN103984959A (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN108629338A (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN112750106B (zh) | 一种基于非完备标记的深度学习的核染色细胞计数方法、计算机设备、存储介质 | |
CN109815867A (zh) | 一种人群密度估计和人流量统计方法 | |
CN108280397A (zh) | 基于深度卷积神经网络的人体图像头发检测方法 | |
CN110009095A (zh) | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 | |
CN105447522A (zh) | 一种复杂图像文字识别系统 | |
CN108647682A (zh) | 一种基于区域卷积神经网络模型的品牌Logo检测与识别方法 | |
CN110378239A (zh) | 一种基于深度学习的实时交通标志检测方法 | |
CN107766890A (zh) | 一种细粒度识别中判别性图块学习的改进方法 | |
CN110032952B (zh) | 一种基于深度学习的道路边界点检测方法 | |
CN107194938A (zh) | 基于深度卷积神经网络的图像轮廓检测方法 | |
CN106778650A (zh) | 基于多类型信息融合的场景自适应行人检测方法和系统 | |
CN111160205A (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
CN107301376A (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN102184404A (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
CN112036419A (zh) | 一种基于VGG-Attention模型的SAR图像部件解译方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200313 Address after: 400021 2403, 24 / F, No.11, seventh branch road, Panxi, Jiangbei District, Chongqing Patentee after: Chongqing Commercial Service Technology Co.,Ltd. Address before: 710072 Xi'an friendship West Road, Shaanxi, No. 127 Patentee before: Northwestern Polytechnical University |