CN107767380A - 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法 - Google Patents

一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法 Download PDF

Info

Publication number
CN107767380A
CN107767380A CN201711274671.7A CN201711274671A CN107767380A CN 107767380 A CN107767380 A CN 107767380A CN 201711274671 A CN201711274671 A CN 201711274671A CN 107767380 A CN107767380 A CN 107767380A
Authority
CN
China
Prior art keywords
convolution
visual field
image
dilation
lens image
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.)
Pending
Application number
CN201711274671.7A
Other languages
English (en)
Inventor
漆进
张通
胡顺达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201711274671.7A priority Critical patent/CN107767380A/zh
Publication of CN107767380A publication Critical patent/CN107767380A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于图像处理、计算机视觉、深度学习、图像语义分割领域，具体为一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法。该方法包括：基于空洞卷积构建高分辨率复合视野特征提取网络、语义分割网络，使用交叉熵和jaccard近似系数的复合损失函数训练，预测时的数据增强和后处理。本发明采用的全局空洞卷积能够既利用复合视野来把握足够全面的上下文信息，又保留高分辨率图像来捕获足够详实的细节信息，实现了准确的皮肤镜图像分割。

Description

一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割 方法
技术领域
本发明属于图像处理，计算机视觉，深度学习，图像语义分割领域，具体为一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法。
背景技术
近年来，深度学习在图像处理领域发挥着日益重要的作用。在图像语义分割领域的研究上，2014年，Jonathan Long提出了基于FCN(全卷积网络)的图像语义分割经典构架，在VGG网络基础上，使用反卷积和跳跃层连接实现了逐像素分类的图像语义分割方法。2016年，Liang-Chieh Chen提出的DeepLab网络将空洞卷积用于图像语义分割，在保证卷积核视野的基础上，避免了分辨率的大幅下降。
随着皮肤镜影像的大量涌入和皮肤科医生的日益短缺，自动皮肤镜图像分割在黑色素瘤等皮肤癌诊断中起着至关重要的作用。在处理大小、颜色、纹理、结构变化多样的皮损区域时，现有单一的皮肤镜分割算法仅能粗略地获取皮损区域，分割结果缺乏稳定性。这极大限制了基于皮肤镜图像的计算机自动诊断技术在医学临床中的应用。FCN、DeepLab等深度神经网络在处理自然图像时有较好的效果，将其应用到医学图像，特别是皮肤镜图像中来是当前的迫切工作。FCN采用VGG作为特征提取网络，使用了大量的下采样层来扩大卷积核的感受视野，导致图像分辨率急剧下降，分割结果往往不够精确。DeepLab采用ResNet作为特征提取网络，同时使用了下采样层、步长为2的卷积层和空洞卷积扩大卷积核的感受视野，避免了分辨率的大幅下降。但是，DeepLab中保留的下采样层、步长为2的卷积层最终导致了八倍的下采样，降低了图像的分辨率。皮肤镜图像的分割任务中，我们一方面希望充分利用复合视野来把握足够全面的上下文信息，另外一方面希望保留高分辨率图像来捕获足够详实的细节信息，这是皮肤镜图像分割问题中亟待解决的焦点。
发明内容
针对上述存在问题或不足，为了既利用复合视野来把握足够全面的上下文信息，又保留高分辨率图像来捕获足够详实的细节信息，本发明提供了一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法。
本发明采用的技术方案是：
(1)基于ResNet50和空洞卷积构建高分辨率复合视野特征提取网络。
(2)基于空洞卷积构建复合视野语义分割网络。
(3)使用(1)(2)构建的深度神经网络进行复合损失函数训练。
(4)使用(3)训练的深度神经网络进行预测，并进行预测增强和后处理。
所述步骤(1)中的高分辨率复合视野特征提取网络具体包括：
(11)ResNet50的第一个卷积层，步长由2调整为1，保证输出分辨率不下降。
(12)移除ResNet50的第一个下采样层，保证输出分辨率不下降。
(13)ResNet50的第一个block，将普通卷积调整为空洞卷积，设置dilation为2，保证卷积层视野变大的同时，输出分辨率不下降。
(14)ResNet50的第二个block，将普通卷积调整为空洞卷积，设置dilation为4，保证卷积层视野变大的同时，输出分辨率不下降。
(15)ResNet50的第三个block，将普通卷积调整为空洞卷积，设置dilation为8，保证卷积层视野变大的同时，输出分辨率不下降。
(16)ResNet50的第四个block，将普通卷积调整为空洞卷积，设置dilation为16，保证卷积层视野变大的同时，输出分辨率不下降。
所述步骤(2)中的复合视野语义分割网络具体包括：
(21)将(12)的输出特征通过dilation为18，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(22)将(12)的输出特征通过dilation为24，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(23)将(12)的输出特征通过dilation为30，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(24)将(12)的输出特征通过dilation为36，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(25)将以上步骤1、2、3、4的输出求和，通过softmax函数将网络输出归一化。
所述步骤(3)中的复合损失函数训练具体包括：
(31)输入皮肤镜图像和对应的mask图像，对皮肤镜图像做双线性下采样，调整分辨率到256×256；对mask图像做最近邻下采样，同步调整mask图像分辨率到256×256。训练过程中进行数据增强，包括旋转、翻转等彷射变换和对比度调整、光照均衡。
(32)使用随机梯度下降法进行训练，采用cross-entropy和jaccard近似系数构成的复合损失函数，计算公式如下：
cross_entropy＝-∑(ytruelogypred+(1-ytrue)log(1-ypred))
loss＝cross_entropy-log(jaccard_approximation)
所述步骤(4)中的预测增强和后处理具体包括：
(41)输入需要预测的皮肤镜图像，对皮肤镜图像做双线性下采样，调整分辨率到256×256，对该图像进行旋转，记原图为A，旋转90°后的图像为B，旋转180°后的图像为C，旋转270°后的图像为D。
(42)将(41)中生成的图像A，B，C，D输入训练好的深度神经网络，分别得到预测概率图A’，B’，C’，D’；将B’，C’，D’旋转回原来的角度，再和A’求均值得到最终的预测概率图。
(43)按0.5的阈值，由(42)中的预测概率图得到预测mask图，再进行后处理：提取最大连通区域作为前景，利用形态学填充前景中的小孔，得到最终的分割结果。
本发明的有益效果是：
本发明提出基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法，在全部的特征提取网络和语义分割网络中使用采样率不同的空洞卷积，既利用复合视野来把握足够全面的上下文信息，又保留高分辨率图像来捕获足够详实的细节信息。另外，本发明所采用的复合损失函数同时利用了交叉熵和jaccard近似系数，能让网络在训练过程中得到充分的学习。再者，预测时的数据增强和后处理能让预测结果更加平滑稳定。以上特征提高了皮肤镜图像的分割结果。
附图说明
图1是实施例的皮肤镜图像
图2是实施例的分割结果
具体实施方式
以下将结合附图对本发明进行详细描述。
本发明公开了一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法，具体实施步骤包括：
(1)基于ResNet50和空洞卷积构建高分辨率复合视野特征提取网络。
(2)基于空洞卷积构建复合视野语义分割网络。
(3)使用(1)(2)构建的深度神经网络进行复合损失函数训练。
(4)使用(3)训练的深度神经网络进行预测，并进行预测增强和后处理。
所述步骤(1)中的高分辨率复合视野特征提取网络具体包括：
(11)ResNet50的第一个卷积层，步长由2调整为1，保证输出分辨率不下降。
(12)移除ResNet50的第一个下采样层，保证输出分辨率不下降。
(13)ResNet50的第一个block，将普通卷积调整为空洞卷积，设置dilation为2，保证卷积层视野变大的同时，输出分辨率不下降。
(14)ResNet50的第二个block，将普通卷积调整为空洞卷积，设置dilation为4，保证卷积层视野变大的同时，输出分辨率不下降。
(15)ResNet50的第三个block，将普通卷积调整为空洞卷积，设置dilation为8，保证卷积层视野变大的同时，输出分辨率不下降。
(16)ResNet50的第四个block，将普通卷积调整为空洞卷积，设置dilation为16，保证卷积层视野变大的同时，输出分辨率不下降。
所述步骤(2)中的复合视野语义分割网络具体包括：
(21)将(12)的输出特征通过dilation为18，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(22)将(12)的输出特征通过dilation为24，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(23)将(12)的输出特征通过dilation为30，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(24)将(12)的输出特征通过dilation为36，卷积核为3，步长为1，滤波器数量为2的空洞卷积。
(25)将以上步骤1、2、3、4的输出求和，通过softmax函数将网络输出归一化。
所述步骤(3)中的复合损失函数训练具体包括：
(31)输入皮肤镜图像和对应的mask图像，对皮肤镜图像做双线性下采样，调整分辨率到256×256；对mask图像做最近邻下采样，同步调整mask图像分辨率到256×256。训练过程中进行数据增强，包括旋转、翻转等彷射变换和对比度调整、光照均衡。
(32)使用随机梯度下降法进行训练，采用cross-entropy和jaccard近似系数构成的复合损失函数，计算公式如下：
cross_entropy＝-∑(ytruelogypred+(1-ytrue)log(1-ypred))
loss＝cross_entropy-log(jaccard_approximation)
所述步骤(4)中的预测增强和后处理具体包括：
(41)输入需要预测的皮肤镜图像，对皮肤镜图像做双线性下采样，调整分辨率到256×256，对该图像进行旋转，记原图为A，旋转90°后的图像为B，旋转180°后的图像为C，旋转270°后的图像为D。
(42)将(41)中生成的图像A，B，C，D输入训练好的深度神经网络，分别得到预测概率图A’，B’，C’，D’；将B’，C’，D’旋转回原来的角度，再和A’求均值得到最终的预测概率图。
(43)按0.5的阈值，由(42)中的预测概率图得到预测mask图，再进行后处理：提取最大连通区域作为前景，利用形态学填充前景中的小孔，得到最终的分割结果。
皮肤镜图像如图1所示，产生的分割结果如图2所示。实验结果表明，本发明能够有效地实现皮肤镜图像分割功能。

Claims (5)

1.一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法，其特征在于，所述方法包括：
(1)基于ResNet50和空洞卷积构建高分辨率复合视野特征提取网络；
(2)基于空洞卷积构建复合视野语义分割网络；
(3)使用(1)(2)构建的深度神经网络进行复合损失函数训练；
(4)使用(3)训练的深度神经网络进行预测，并进行预测增强和后处理。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：
(11)ResNet50的第一个卷积层，步长由2调整为1，保证输出分辨率不下降；
(12)移除ResNet50的第一个下采样层，保证输出分辨率不下降；
(13)ResNet50的第一个block，将普通卷积调整为空洞卷积，设置dilation为2，保证卷积层视野变大的同时，输出分辨率不下降；
(14)ResNet50的第二个block，将普通卷积调整为空洞卷积，设置dilation为4，保证卷积层视野变大的同时，输出分辨率不下降；
(15)ResNet50的第三个block，将普通卷积调整为空洞卷积，设置dilation为8，保证卷积层视野变大的同时，输出分辨率不下降；
(16)ResNet50的第四个block，将普通卷积调整为空洞卷积，设置dilation为16，保证卷积层视野变大的同时，输出分辨率不下降。
3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：
(21)将(12)的输出特征通过dilation为18，卷积核为3，步长为1，滤波器数量为2的空洞卷积；
(22)将(12)的输出特征通过dilation为24，卷积核为3，步长为1，滤波器数量为2的空洞卷积；
(23)将(12)的输出特征通过dilation为30，卷积核为3，步长为1，滤波器数量为2的空洞卷积；
(24)将(12)的输出特征通过dilation为36，卷积核为3，步长为1，滤波器数量为2的空洞卷积；
(25)将以上步骤1、2、3、4的输出求和，通过softmax函数将网络输出归一化。
4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中具体包括：
(31)输入皮肤镜图像和对应的mask图像，对皮肤镜图像做双线性下采样，调整分辨率到256×256；对mask图像做最近邻下采样，同步调整mask图像分辨率到256×256，训练过程中进行数据增强，包括旋转、翻转等彷射变换和对比度调整、光照均衡；
(32)使用随机梯度下降法进行训练，采用cross-entropy和jaccard近似系数构成的复合损失函数，计算公式如下：
cross_entropy＝-∑(ytruelogypred+(1-ytrue)log(1-ypred))
loss＝cross_entropy-log(jaccard_approximation) 。
5.根据权利要求1所述的方法，其特征在于，所述步骤(4)中具体包括：
(41)输入需要预测的皮肤镜图像，对皮肤镜图像做双线性下采样，调整分辨率到256×256，对该图像进行旋转，记原图为A，旋转90°后的图像为B，旋转180°后的图像为C，旋转270°后的图像为D；
(42)将(41)中生成的图像A，B，C，D输入训练好的深度神经网络，分别得到预测概率图A’，B’，C’，D’；将B’，C’，D’旋转回原来的角度，再和A’求均值得到最终的预测概率图；
(43)按0.5的阈值，由(42)中的预测概率图得到预测mask图，再进行后处理：提取最大连通区域作为前景，利用形态学填充前景中的小孔，得到最终的分割结果。
CN201711274671.7A 2017-12-06 2017-12-06 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法 Pending CN107767380A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711274671.7A CN107767380A (zh) 2017-12-06 2017-12-06 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711274671.7A CN107767380A (zh) 2017-12-06 2017-12-06 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法

Publications (1)

Publication Number Publication Date
CN107767380A true CN107767380A (zh) 2018-03-06

Family

ID=61277689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711274671.7A Pending CN107767380A (zh) 2017-12-06 2017-12-06 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法

Country Status (1)

Country Link
CN (1) CN107767380A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510535A (zh) * 2018-03-14 2018-09-07 大连理工大学 一种基于深度预测和增强子网络的高质量深度估计方法
CN108629784A (zh) * 2018-05-08 2018-10-09 上海嘉奥信息科技发展有限公司 一种基于深度学习的ct图像颅内血管分割方法及系统
CN108875596A (zh) * 2018-05-30 2018-11-23 西南交通大学 一种基于dssnn神经网络的铁路场景图像语义分割方法
CN108921092A (zh) * 2018-07-02 2018-11-30 浙江工业大学 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法
CN109191471A (zh) * 2018-08-28 2019-01-11 杭州电子科技大学 基于改进U-Net网络的胰腺细胞图像分割方法
CN109493359A (zh) * 2018-11-21 2019-03-19 中山大学 一种基于深度网络的皮肤损伤图片分割方法
CN109754362A (zh) * 2018-12-24 2019-05-14 哈尔滨工程大学 一种用可旋转的边界框标注海参目标检测结果的方法
CN109993757A (zh) * 2019-04-17 2019-07-09 山东师范大学 一种视网膜图像病变区域自动分割方法及系统
CN110363210A (zh) * 2018-04-10 2019-10-22 腾讯科技（深圳）有限公司 一种图像语义分割模型的训练方法和服务器
CN110555830A (zh) * 2019-08-15 2019-12-10 浙江工业大学 基于DeepLabv3+的深度神经网络皮肤检测方法
CN111126407A (zh) * 2019-12-23 2020-05-08 昆明理工大学 一种基于单独编码网络的机械零件语义分割方法
CN111145178A (zh) * 2018-11-06 2020-05-12 电子科技大学 高分辨率遥感图像多尺度分割方法
CN111160378A (zh) * 2018-11-07 2020-05-15 电子科技大学 基于单张图像的多任务增强的深度估计系统
CN111259955A (zh) * 2020-01-15 2020-06-09 国家测绘产品质量检验测试中心 一种地理国情监测成果可靠性质检方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916444A (zh) * 2010-08-23 2010-12-15 南京信息工程大学 基于形态学和蚁群算法的医学细胞边缘检测方法
CN101976258A (zh) * 2010-11-03 2011-02-16 上海交通大学 基于对象分割和特征加权融合的视频语义提取方法
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN106886801A (zh) * 2017-04-14 2017-06-23 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
US20170243053A1 (en) * 2016-02-18 2017-08-24 Pinscreen, Inc. Real-time facial segmentation and performance capture from rgb input
CN107092870A (zh) * 2017-04-05 2017-08-25 武汉大学 一种高分辨率影像语意信息提取方法及系统
CN107203999A (zh) * 2017-04-28 2017-09-26 北京航空航天大学 一种基于全卷积神经网络的皮肤镜图像自动分割方法
CN107247958A (zh) * 2017-04-14 2017-10-13 安徽工程大学 一种基于图像识别的皮肤病特征提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916444A (zh) * 2010-08-23 2010-12-15 南京信息工程大学 基于形态学和蚁群算法的医学细胞边缘检测方法
CN101976258A (zh) * 2010-11-03 2011-02-16 上海交通大学 基于对象分割和特征加权融合的视频语义提取方法
US20170243053A1 (en) * 2016-02-18 2017-08-24 Pinscreen, Inc. Real-time facial segmentation and performance capture from rgb input
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN107092870A (zh) * 2017-04-05 2017-08-25 武汉大学 一种高分辨率影像语意信息提取方法及系统
CN106886801A (zh) * 2017-04-14 2017-06-23 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
CN107247958A (zh) * 2017-04-14 2017-10-13 安徽工程大学 一种基于图像识别的皮肤病特征提取方法
CN107203999A (zh) * 2017-04-28 2017-09-26 北京航空航天大学 一种基于全卷积神经网络的皮肤镜图像自动分割方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FISHER YU 等: "Dilated Residual Networks", 《ARXIV》 *
LIANG-CHIEH CHEN 等: "Rethinking Atrous Convolution for Semantic Image Segmentation", 《ARXIV》 *
MATT BERSETH: "Skin Lesion Analysis Towards Melanoma Detection", 《ARXIV》 *
YADING YUAN 等: "Automatic skin lesion segmentation with fully convolutional-deconvolutional networks", 《ARXIV》 *
谢凤英 等: "皮肤镜图像计算机辅助诊断技术", 《中国医学文摘·皮肤科学》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019174378A1 (zh) * 2018-03-14 2019-09-19 大连理工大学 一种基于深度预测和增强子网络的高质量深度估计方法
US11238602B2 (en) 2018-03-14 2022-02-01 Dalian University Of Technology Method for estimating high-quality depth maps based on depth prediction and enhancement subnetworks
CN108510535B (zh) * 2018-03-14 2020-04-24 大连理工大学 一种基于深度预测和增强子网络的高质量深度估计方法
CN108510535A (zh) * 2018-03-14 2018-09-07 大连理工大学 一种基于深度预测和增强子网络的高质量深度估计方法
CN110363210B (zh) * 2018-04-10 2023-05-05 腾讯科技（深圳）有限公司 一种图像语义分割模型的训练方法和服务器
CN110363210A (zh) * 2018-04-10 2019-10-22 腾讯科技（深圳）有限公司 一种图像语义分割模型的训练方法和服务器
CN108629784A (zh) * 2018-05-08 2018-10-09 上海嘉奥信息科技发展有限公司 一种基于深度学习的ct图像颅内血管分割方法及系统
CN108875596A (zh) * 2018-05-30 2018-11-23 西南交通大学 一种基于dssnn神经网络的铁路场景图像语义分割方法
CN108921092A (zh) * 2018-07-02 2018-11-30 浙江工业大学 一种基于卷积神经网络模型二次集成的黑色素瘤分类方法
CN109191471A (zh) * 2018-08-28 2019-01-11 杭州电子科技大学 基于改进U-Net网络的胰腺细胞图像分割方法
CN111145178A (zh) * 2018-11-06 2020-05-12 电子科技大学 高分辨率遥感图像多尺度分割方法
CN111160378A (zh) * 2018-11-07 2020-05-15 电子科技大学 基于单张图像的多任务增强的深度估计系统
CN109493359A (zh) * 2018-11-21 2019-03-19 中山大学 一种基于深度网络的皮肤损伤图片分割方法
CN109754362A (zh) * 2018-12-24 2019-05-14 哈尔滨工程大学 一种用可旋转的边界框标注海参目标检测结果的方法
CN109993757A (zh) * 2019-04-17 2019-07-09 山东师范大学 一种视网膜图像病变区域自动分割方法及系统
CN110555830A (zh) * 2019-08-15 2019-12-10 浙江工业大学 基于DeepLabv3+的深度神经网络皮肤检测方法
CN111126407B (zh) * 2019-12-23 2022-07-01 昆明理工大学 一种基于单独编码网络的机械零件语义分割方法
CN111126407A (zh) * 2019-12-23 2020-05-08 昆明理工大学 一种基于单独编码网络的机械零件语义分割方法
CN111259955A (zh) * 2020-01-15 2020-06-09 国家测绘产品质量检验测试中心 一种地理国情监测成果可靠性质检方法及系统
CN111259955B (zh) * 2020-01-15 2023-12-08 国家测绘产品质量检验测试中心 一种地理国情监测成果可靠性质检方法及系统

Similar Documents

Publication Publication Date Title
CN107767380A (zh) 一种基于全局空洞卷积的高分辨率复合视野皮肤镜图像分割方法
Zhang et al. Semantic image inpainting with progressive generative networks
Li et al. Low-light image enhancement via progressive-recursive network
US11551333B2 (en) Image reconstruction method and device
US11461639B2 (en) Image processing method, image processing device, and training method of neural network
CN110570353A (zh) 密集连接生成对抗网络单幅图像超分辨率重建方法
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
CN109919869A (zh) 一种图像增强方法、装置及存储介质
CN109389556A (zh) 一种多尺度空洞卷积神经网络超分辨率重构方法及装置
CN113034358B (zh) 一种超分辨率图像处理方法以及相关装置
Xiao et al. Example‐Based Colourization Via Dense Encoding Pyramids
CN110378844A (zh) 基于循环多尺度生成对抗网络的图像盲去运动模糊方法
CN110751649B (zh) 视频质量评估方法、装置、电子设备及存储介质
CN109064396A (zh) 一种基于深度成分学习网络的单幅图像超分辨率重建方法
CN106663314A (zh) 实时皮肤平滑图像增强滤波器
CN107993238A (zh) 一种基于注意力模型的头肩部分图像分割方法及装置
CN107155110A (zh) 一种基于超分辨率技术的图片压缩方法
CN110335350B (zh) 基于地形特征的虚拟地形生成方法
CN112801904B (zh) 一种基于卷积神经网络的混合退化图像增强方法
CN102915527A (zh) 基于形态学成分分析的人脸图像超分辨率重建方法
WO2023284401A1 (zh) 图像美颜处理方法、装置、存储介质与电子设备
RU2697928C1 (ru) Способ сверхразрешения изображения, имитирующего повышение детализации на основе оптической системы, выполняемый на мобильном устройстве, обладающем ограниченными ресурсами, и мобильное устройство, его реализующее
CN110533594A (zh) 模型训练方法、图像重建方法、存储介质及相关设备
CN112270366B (zh) 基于自适应多特征融合的微小目标检测方法
CN111127309A (zh) 肖像风格迁移模型训练方法、肖像风格迁移方法以及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180306

WD01 Invention patent application deemed withdrawn after publication