CN107918759A - 室内物体的自动分割识别方法、电子设备及存储介质 - Google Patents
室内物体的自动分割识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107918759A CN107918759A CN201710931122.6A CN201710931122A CN107918759A CN 107918759 A CN107918759 A CN 107918759A CN 201710931122 A CN201710931122 A CN 201710931122A CN 107918759 A CN107918759 A CN 107918759A
- Authority
- CN
- China
- Prior art keywords
- variable
- image
- region
- correlation
- function
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Abstract
本发明公开了室内物体的自动分割识别方法,包括以下步骤:构建数据库,建立马尔科夫随机场算法的最大化函数,使用支撑向量机对最大化函数量进行学习,得到最大化函数的全局最优解,完成对室内物体的自动分割,最后获取图像区域的语义标签、两个图像区域之间的相互关系。本发明还公开了一种电子设备和计算机可读存储介质。本发明引入马尔科夫随机场算法,使用支持向量机进行参数学习,从而完成对场景的自动分割,并得到关键物体的语义标签和物体之间的相互支撑关系。
Description
技术领域
本发明涉及一种室内场景解析技术领域,尤其涉及室内物体的自动分割识别方法、电子设备及存储介质。
背景技术
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来,研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割,提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别,图像搜索等等领域。
多年来,室内场景解析已经吸引了越来越多人的兴趣。现有的方法通常侧重于不同的子任务,比如将图像分割为区域、推断语义标签在特定地区,或各区域之间的支持关系,这些不同的任务通常被视为单独的任务。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供室内物体的自动分割识别方法,引入马尔科夫随机场算法,使用支持向量机进行参数学习,从而完成对场景的自动分割,并得到关键物体的语义标签和物体之间的相互支撑关系。
本发明的目的之二在于提供一种电子设备,引入马尔科夫随机场算法,使用支持向量机进行参数学习,从而完成对场景的自动分割,并得到关键物体的语义标签和物体之间的相互支撑关系。
本发明的目的之三在于提供一种计算机可读存储介质,引入马尔科夫随机场算法,使用支持向量机进行参数学习,从而完成对场景的自动分割,并得到关键物体的语义标签和物体之间的相互支撑关系。
本发明的目的之一采用如下技术方案实现:
室内物体的自动分割识别方法,包括以下步骤:
构建数据库,获取用户设定的语义标签,生成语义标签库,所述语义标签为室内场景中物体的分类属性;
建立函数,将马尔科夫随机场映射到室内场景图,通过马尔科夫随机场算法定义基本变量,生成可以最大化函数,所述基本变量包括场景选择变量、语义标签变量、相互关系变量,所述最大化函数包括特征向量、标记向量;
场景分割,支撑向量机对所述特征向量、标记向量进行学习,得到所述最大化函数的全局最优解,完成对室内物体的自动分割;
标签识别,获取图像区域的语义标签,所述语义标签为在得到全局最优解时语义标签变量的取值;
支撑关系,获取两个图像区域之间的相互关系,所述相互关系为在得到全局最优解时相互关系变量的取值。
进一步地,所述步骤建立函数具体为:
定义变量,将马尔科夫随机场映射到室内场景图,通过马尔科夫随机场算法定义基本变量,所述基本变量包括场景选择变量、语义标签变量、相互关系变量;
图像预分割,对所述室内场景图进行预分割,得到R个图像区域,引入表示标记场的参数向量wa、表示特征场的特征向量
生成最大化函数,获取所述基本变量的数学表达式,生成最大化函数,所述最大化函数包括参数向量、特征向量。
进一步地,所述步骤定义变量具体包括以下步骤:
定义场景选择变量,引入场景选择变量ai,定义场景选择变量ai的数学表达式为
定义语义标签变量,引入语义标签变量Mi,定义语义标签变量Mi的数学表达式为所述M表示所述室内场景图下所述语义标签的集合,所述K表示语义标签的分类数;
定义相互关系变量,引入相互关系变量Sij,定义相互关系变量Sij的数学表达式为所述相互关系变量Sij表示图像区域i和图像区域j的相互关系。
进一步地,所述步骤生成函数具体为:获取所述基本变量的数学表达式,生成最大化函数为
所述用于表示图像区域i是活跃区域的概率,所述用于表示所述图像区域i属于给定的预语义标签的概率,所述用于表示活跃区域集合的约束条件,所述用于表示图像区域i和图像区域j之间相互关系的概率,所述用于表示表示图像区域i和图像区域j的相互关系属于给定关系的概率。
进一步地,所述定义为:所述T为分割后的图像根据灰度直方图设定的阈值,当ai=0,
进一步地,所述定义为:所述表示每个Mi的参数向量,当ai=0,
进一步地,所述参数定义为所述γ是定义在所述Γ上的单值实函数,所述Γ定义为Г={(i,ɑ):a∈A(i),i∈S}。
进一步地,所述相互关系变量Sij=0时,图像区域i和图像区域j的关系不明确,所述相互关系变量Sij=1时,图像区域i和图像区域j为上下关系,所述相互关系变量Sij=2时,图像区域i和图像区域j为前后关系。
本发明的目的之二采用如下技术方案实现:
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行上述的室内物体的自动分割识别方法。
本发明的目的之三采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述的室内物体的自动分割识别方法。
相比现有技术,本发明的有益效果在于:
室内物体的自动分割识别方法,还涉及一种电子设备及一种计算机可读存储介质;本发明引入马尔科夫随机场算法,通过将马尔科夫随机场映射至室内场景图,生成最大化函数,使用支持向量机对最大化函数进行参数学习,得到全局最优解,从而完成对场景的自动分割,并得到关键物体的语义标签和物体之间的相互支撑关系,即本发明能一次性完成多个子任务,分割准确度高,效率高。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的室内物体的自动分割识别方法的流程示意图;
图2为本发明涉及的步骤建立函数的流程示意图;
图3为本发明涉及的第一输入图像的示意图;
图4为本发明涉及的第一输出图像的示意图;
图5为本发明涉及的第二输入图像的示意图;
图6为本发明涉及的第二输出图像的示意图;
图7为本发明涉及的第三输入图像的示意图;
图8为本发明涉及的第三输出图像的示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
室内物体的自动分割识别方法,如图1-图2所示,包括以下步骤:
构建数据库,获取用户设定的语义标签,生成语义标签库,语义标签为室内场景中物体的分类属性;
建立函数,将马尔科夫随机场映射到室内场景图,通过马尔科夫随机场算法定义基本变量,生成可以最大化函数,基本变量包括场景选择变量、语义标签变量、相互关系变量,最大化函数包括特征向量、标记向量;
场景分割,支撑向量机对特征向量、标记向量进行学习,得到最大化函数的全局最优解,完成对室内物体的自动分割;
标签识别,获取图像区域的语义标签,语义标签为在得到全局最优解时语义标签变量的取值;
支撑关系,获取两个图像区域之间的相互关系,相互关系为在得到全局最优解时相互关系变量的取值。
使用马尔科夫对室内场景图的自动分割说明如下:对于一副图像来说,每个像素点都有一个灰度值,这个灰度值可以用随机变量的实现来表示,以此类推,所有像素点灰度值的联合分布可以被一个准则所表示,这个准则就是随机场;对于图像分割问题,可以将随机场中的类标签看作是不同的区域;对于本发明来说,就是确定不同图像区域的语义标签;在生成最大化函数时,根据能量最小原则,使得最大化函数达到最大值时,表明每个像素都得到了最适宜的标签,也就意味着分割完成。
其中,如图2所示,步骤建立函数具体为:
定义变量,将马尔科夫随机场映射到室内场景图,通过马尔科夫随机场算法定义基本变量,基本变量包括场景选择变量、语义标签变量、相互关系变量;
图像预分割,对室内场景图进行预分割,得到R个图像区域,引入表示标记场的参数向量wa、表示特征场的特征向量
生成最大化函数,获取基本变量的数学表达式,生成最大化函数,最大化函数包括参数向量、特征向量。
对于标记场和特征场的说明如下:在马尔科夫随机场中,使用两个随机场来描述待分割的图像,一个是标号场,另一个是特征场,在处理过程中,以标号场为条件,用分布函数进行描述,并观测数据或特征向量的分布。
对此,马尔科夫随机场分割算法的进一步说明如下:在对图像进行预分割,得到R个图像区域,每个图像区域中又包含有多个像素,假设基本变量,并分别得到每个像素的标记场能量函数、每个像素的特征场能量函数,最终得到最大化函数。
其中,如图2所示,步骤定义变量具体包括以下步骤:
定义场景选择变量,引入场景选择变量ai,定义场景选择变量ai的数学表达式为
定义语义标签变量,引入语义标签变量Mi,定义语义标签变量Mi的数学表达式为M表示室内场景图下语义标签的集合,K表示语义标签的分类数;
定义相互关系变量,引入相互关系变量Sij,定义相互关系变量Sij的数学表达式为相互关系变量Sij表示图像区域i和图像区域j的相互关系,其中,相互关系变量Sij=0时,图像区域i和图像区域j的关系不明确,相互关系变量Sij=1时,图像区域i和图像区域j为上下关系,相互关系变量Sij=2时,图像区域i和图像区域j为前后关系。
其中,步骤生成函数具体为:获取基本变量的数学表达式,生成最大化函数为 用于表示图像区域i是活跃区域的概率,用于表示图像区域i属于给定的预语义标签的概率,用于表示活跃区域集合的约束条件,用于表示图像区域i和图像区域j之间相互关系的概率,用于表示表示图像区域i和图像区域j的相互关系属于给定关系的概率。
其中,可以定义为:T为分割后的图像根据灰度直方图设定的阈值,当ai=0,
其中,定义为: 表示每个Mi的参数向量,当ai=0,
其中,定义为:γ是定义在Γ上的单值实函数,Γ定义为Г={(i,ɑ):a∈A(i),i∈S}。
对于上述,根据能量最小化原则,在最大化函数达到最大值时,表明每个像素都得到了最适宜的语义标签,即标签场和观察场最大限度的符合,也就意味着分割完成,分割完成后的不同图像区域会使用不同的颜色进行区分。
对于支撑向量机来说,支撑向量机是一种数据挖掘算法,在图像分割中主要作为分类器的作用,其主要是基于将样本向量从原空间映射到特征空间,在高维特征空间中构造最优线性决策函数,之后利用结构风险最小化原则,引入间隔概念,支撑向量机在得到两个区域的分割线之后,在给定一个新的未知点时,能快速判断这个未知点是属于哪个区域,对于本发明来说,对于本发明来说,能够快速进行图像区域划分,并判断像素的所属区域,即得到所属区域的语义标签。
最终,在完成分割之后,即表示确定了全局最优解,此时最大化函数中的各基本变量都为一个定值,在定值为得到该全局最优解的取值,所以,在分割完成后,各图像区域的语义标签,各个图像区域之间的相互关系也便得知。
对此,为了便于理解,提供了三个通过本发明的方法进行图像分割,其中图3为本发明涉及的第一输入图像的示意图,图4为本发明涉及的第一输出图像的示意图,图5为本发明涉及的第二输入图像的示意图,图6为本发明涉及的第二输出图像的示意图,图7为本发明涉及的第三输入图像的示意图,图8为本发明涉及的第三输出图像的示意图。
一种电子设备,包括:处理器;存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行上述的室内物体的自动分割识别方法;一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述的室内物体的自动分割识别方法。
本发明提供了室内物体的自动分割识别方法,还涉及一种电子设备及一种计算机可读存储介质;本发明引入马尔科夫随机场算法,通过将马尔科夫随机场映射至室内场景图,生成最大化函数,使用支持向量机对最大化函数进行参数学习,得到全局最优解,从而完成对场景的自动分割,并得到关键物体的语义标签和物体之间的相互支撑关系,即本发明能一次性完成多个子任务,分割准确度高,效率高。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.室内物体的自动分割识别方法,其特征在于包括以下步骤:
构建数据库,获取用户设定的语义标签,生成语义标签库,所述语义标签为室内场景中物体的分类属性;
建立函数,将马尔科夫随机场映射到室内场景图,通过马尔科夫随机场算法定义基本变量,生成最大化函数,所述基本变量包括场景选择变量、语义标签变量、相互关系变量,所述最大化函数包括特征向量、标记向量;
场景分割,支撑向量机对所述特征向量、标记向量进行学习,得到所述最大化函数的全局最优解,完成对室内物体的自动分割;
标签识别,获取图像区域的语义标签,所述语义标签为在得到全局最优解时语义标签变量的取值;
支撑关系,获取两个图像区域之间的相互关系,所述相互关系为在得到全局最优解时相互关系变量的取值。
2.如权利要求1所述的室内物体的自动分割识别方法,其特征在于,所述步骤建立函数具体为:
定义变量,将马尔科夫随机场映射到室内场景图,通过马尔科夫随机场算法定义基本变量,所述基本变量包括场景选择变量、语义标签变量、相互关系变量;
图像预分割,对所述室内场景图进行预分割,得到R个图像区域,引入表示标记场的参数向量wa、表示特征场的特征向量
生成最大化函数,获取所述基本变量的数学表达式,生成最大化函数,所述最大化函数包括参数向量、特征向量。
3.如权利要求2所述的室内物体的自动分割识别方法,其特征在于,所述步骤定义变量具体包括以下步骤:
定义场景选择变量,引入场景选择变量ai,定义场景选择变量ai的数学表达式为
定义语义标签变量,引入语义标签变量Mi,定义语义标签变量Mi的数学表达式为所述M表示所述室内场景图下所述语义标签的集合,所述K表示语义标签的分类数;
定义相互关系变量,引入相互关系变量Sij,定义相互关系变量Sij的数学表达式为所述相互关系变量Sij表示图像区域i和图像区域j的相互关系。
4.如权利要求3所述的室内物体的自动分割识别方法,其特征在于,所述步骤生成函数具体为:获取所述基本变量的数学表达式,生成最大化函数为
所述用于表示图像区域i是活跃区域的概率,所述用于表示所述图像区域i属于给定的预语义标签的概率,所述用于表示活跃区域集合的约束条件,所述用于表示图像区域i和图像区域j之间相互关系的概率,所述用于表示表示图像区域i和图像区域j的相互关系属于给定关系的概率。
5.如权利要求4所述的室内物体的自动分割识别方法,其特征在于,所述定义为:所述T为分割后的图像根据灰度直方图设定的阈值,当ai=0,
6.如权利要求4所述的室内物体的自动分割识别方法,其特征在于,所述定义为:所述表示每个Mi的参数向量,当ai=0,
7.如权利要求4所述的室内物体的自动分割识别方法,其特征在于,所述参数定义为:所述γ是定义在所述Γ上的单值实函数,所述Γ定义为Г={(i,ɑ):a∈A(i),i∈S}。
8.如权利要求1所述的室内物体的自动分割识别方法,其特征在于:所述相互关系变量Sij=0时,图像区域i和图像区域j的关系不明确,所述相互关系变量Sij=1时,图像区域i和图像区域j为上下关系,所述相互关系变量Sij=2时,图像区域i和图像区域j为前后关系。
9.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931122.6A CN107918759A (zh) | 2017-10-09 | 2017-10-09 | 室内物体的自动分割识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931122.6A CN107918759A (zh) | 2017-10-09 | 2017-10-09 | 室内物体的自动分割识别方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107918759A true CN107918759A (zh) | 2018-04-17 |
Family
ID=61898873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710931122.6A Pending CN107918759A (zh) | 2017-10-09 | 2017-10-09 | 室内物体的自动分割识别方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918759A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522803A (zh) * | 2018-10-18 | 2019-03-26 | 深圳乐动机器人有限公司 | 一种室内区域划分和识别方法、装置及终端设备 |
CN110136143A (zh) * | 2019-05-16 | 2019-08-16 | 河南大学 | 基于admm算法的马氏场下多分辨率遥感图像分割方法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050722A (zh) * | 2014-06-06 | 2014-09-17 | 北京航空航天大学 | 一种图像内容驱动的室内三维场景布局与颜色迁移生成方法 |
CN104809187A (zh) * | 2015-04-20 | 2015-07-29 | 南京邮电大学 | 一种基于rgb-d数据的室内场景语义标注方法 |
CN105869178A (zh) * | 2016-04-26 | 2016-08-17 | 昆明理工大学 | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 |
-
2017
- 2017-10-09 CN CN201710931122.6A patent/CN107918759A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050722A (zh) * | 2014-06-06 | 2014-09-17 | 北京航空航天大学 | 一种图像内容驱动的室内三维场景布局与颜色迁移生成方法 |
CN104809187A (zh) * | 2015-04-20 | 2015-07-29 | 南京邮电大学 | 一种基于rgb-d数据的室内场景语义标注方法 |
CN105869178A (zh) * | 2016-04-26 | 2016-08-17 | 昆明理工大学 | 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法 |
Non-Patent Citations (1)
Title |
---|
WEI ZHUO等: "Indoor Scene Parsing with Instance Segmentation, Semantic Labeling and Support Relationship Inference", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITON(CVPR)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522803A (zh) * | 2018-10-18 | 2019-03-26 | 深圳乐动机器人有限公司 | 一种室内区域划分和识别方法、装置及终端设备 |
CN110136143A (zh) * | 2019-05-16 | 2019-08-16 | 河南大学 | 基于admm算法的马氏场下多分辨率遥感图像分割方法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN111340824B (zh) * | 2020-02-26 | 2022-07-12 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10546209B2 (en) | Machine learning method and apparatus | |
US11842487B2 (en) | Detection model training method and apparatus, computer device and storage medium | |
CN106875406B (zh) | 图像引导的视频语义对象分割方法及装置 | |
CN104778481A (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
CN110717896B (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN105678338B (zh) | 基于局部特征学习的目标跟踪方法 | |
CN107527054B (zh) | 基于多视角融合的前景自动提取方法 | |
WO2014065745A2 (en) | Biological unit identification based on supervised shape ranking | |
CN105809672A (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
JP7329041B2 (ja) | 条件付き敵対的生成ネットワークに基づいて画像を合成する方法および関連機器 | |
CN107918759A (zh) | 室内物体的自动分割识别方法、电子设备及存储介质 | |
CN112949693A (zh) | 图像分类模型的训练方法、图像分类方法、装置和设备 | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN108830222A (zh) | 一种基于信息性和代表性主动学习的微表情识别方法 | |
CN105184220A (zh) | 基于gpu的交替霍夫森林实时目标跟踪方法 | |
CN104778683A (zh) | 一种基于泛函映射的多模态图像分割方法 | |
Athanesious et al. | Deep learning based automated attendance system | |
CN107451578A (zh) | 基于体感设备的聋哑人手语机器翻译方法 | |
Lv et al. | A challenge of deep‐learning‐based object detection for hair follicle dataset | |
CN106327516B (zh) | 一种基于外观模型的学习型视觉追踪方法 | |
CN104484676B (zh) | 一种交互式古代壁画病害标识方法 | |
CN109165565A (zh) | 一种基于耦合动态马尔科夫网络的视频目标发现与分割方法 | |
CN117079103B (zh) | 一种用于神经网络训练的伪标签生成方法及系统 | |
Rui et al. | Improved color image segmentation algorithm based on GrabCut | |
CN113903083B (zh) | 行为识别方法、装置、电子设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180417 |