CN107993238A - 一种基于注意力模型的头肩部分图像分割方法及装置 - Google Patents
一种基于注意力模型的头肩部分图像分割方法及装置 Download PDFInfo
- Publication number
- CN107993238A CN107993238A CN201711375814.3A CN201711375814A CN107993238A CN 107993238 A CN107993238 A CN 107993238A CN 201711375814 A CN201711375814 A CN 201711375814A CN 107993238 A CN107993238 A CN 107993238A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- picture
- head
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005192 partition Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000013480 data collection Methods 0.000 claims abstract description 6
- 238000011049 filling Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 16
- 230000007935 neutral effect Effects 0.000 claims description 15
- 238000003475 lamination Methods 0.000 claims description 9
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000000638 solvent extraction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06T7/12—Edge-based segmentation
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06T2207/10004—Still image; Photographic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于注意力模型的头肩部分图像分割方法，包括以下步骤：步骤一、获取用于训练的图片数据集，并对图片进行标注；步骤二、对训练样本进行数据拓充，得到的数据集；步骤三、设计神经网络结构，将步骤二得到的数据集作为训练样本，进行网络训练；步骤四、提取网络模型；步骤五、待测试的图片进行人脸区域检测，得到二维图谱；并将原图以及得到的二维图谱输入到步骤四提取的网络模型进行前向计算，通过端到端的提取方式将待测试图片中的头肩部分图像分割出来，得到分割结果图。本发明实现了端到端自动化的头肩分割算法，解决了传统前景提取问题中面临的需要预先人为标记的问题。
Description
技术领域
本发明涉及图像分割技术领域，尤其涉及一种基于注意力模型的头肩部分图像分割方法。
背景技术
头肩分割是特定任务下的一种前景提取技术。前景提取(matting)，是计算机图像处理中的一个操作，目的是把一幅图像中人们感兴趣的区域提取出来，以便更换背景或做其他操作。但是确定一个像素属于前景还是背景却是一个病态的问题，这无疑给前景提取带来了巨大的挑战。
前景提取将图像归为3类：确定的前景、确定的背景和未知区域，未知区域中的像素既受到前景像素的影响，也受到背景像素的影响。所以，对于未知像素中一个像素p(x,y)，其颜色可以表示为：
C＝αF+(1-α)B
F表示(x,y)处前景的颜色，B表示(x,y)处背景的颜色。α可以理解为前景的透明度，取值范围0到1之间。该问题是已知1个方程，来求3个未知数。显而易见，这是一个病态的问题，不存在一个确定的解，这无疑给前景提取带来了巨大的挑战。
现在一般的解决方案有：
1、由用户先标记trimap图或stroke图，再通过概率、统计等方法来计算α、F和B，从而最终提取出前景。
2、先分割得到三分图或二分图再经过微调的到最终的matte。
随着数字图像的发展，使用抠图技术合成更有意义的图片吸引了越来越多的用户需求。随着多媒体、网络的快速发展，影视特效，表情包制作，视频聊天、网络直播、搞怪视频等各个领域对智能抠图的需求越来越强烈。但是如何让计算机自动得将人物精准得提取出来，一直是当前待解决的难题。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于注意力模型的头肩部分图像分割方法及装置。
为了解决以上技术问题，本发明采用的技术方案是：一种基于注意力模型的头肩部分图像分割方法，包括以下步骤：
步骤一、获取用于训练的图片数据集，并对图片进行标注；
步骤二、对训练样本进行数据拓充，得到的数据集；
步骤三、设计神经网络结构，将步骤二得到的数据集作为训练样本，进行网络训练；
步骤四、待测试的图片进行人脸区域检测，得到二维图谱；并将原图以及得到的二维图谱输入步骤三训练后的网络模型进行前向计算，通过端到端的提取方式将待测试图片中的头肩部分图像分割出来，得到分割结果图。
进一步地，上述图像分割方法，还包括以下步骤：步骤五、对步骤四得到的分割结果图运用导向滤波对细节进行优化。
进一步地，所述步骤一中的标注的方法为：手动勾勒人物边缘，得到三分图；将原图和三分图两张图作为输入，使用KNN算法得到其蒙版图；同时，对原图的人脸区域进行定位，将头部区域赋值为1，其他区域赋值为0，存储为灰度图像。
进一步地，步骤二中的数据拓充方法为：对已经标注好的图片进行背景切换；和对已经标注好的图片进行变化光照、增加遮挡以及添加噪声。
进一步地，步骤三中的神经网络为轻量级分割网络，在网络中以人物的脸部关键信息为注意力进行网络模型建模，所述神经网络包括6个依次级联的卷积网络基本单元，每个单元由依次连接的卷积层、局部响应归一化层、修正线性激活层、卷积层之间的残差连接、反卷积层和裁剪层组成。
进一步地，步骤五具体为，利用原图对分割结果进行滤波处理。通过原图G对网络得到的二类分割结果图P进行滤波处理，使得最后的输出图像大体上与目标图像P相似，即二分类黑白图像，但是纹理部分与引导图G相似的分割结果图，即细化出边缘纹理，使得分割边缘的细节信息更加清晰。
本发明的内容还保留一种头肩部分图像分割装置，其特征在于，包括：
一个或多个计算机可读介质，其上具有多个模块、源图像储存库、目标图像储存库；
处理单元，其可操作地耦合到计算机可读介质，所述处理单元适于执行包括以下所述的模块：
图像输入模块，用于输入原始图像；
人脸识别模块，用于对待测试的图片进行人脸区域检测，得到二维图谱；
图像分割模块，用于基于训练好的神经网络对原始图像和二维图谱进行处理，以得到各个像素是头肩部分的分割结果图。
进一步地，神经网络的训练方法为：获取用于训练的图片数据集，并对图片进行标注；对训练样本进行数据拓充；设计神经网络结构，将拓充后的数据集作为训练样本，进行网络训练。
进一步地，神经网络为轻量级分割网络，在网络中以人物的脸部关键信息为注意力进行网络模型建模，所述神经网络包括6个依次级联的卷积网络基本单元，每个单元由依次连接的卷积层、局部响应归一化层、修正线性激活层、卷积层之间的残差连接、反卷积层和裁剪层组成。
进一步地，处理单元还包括：滤波模块，用于通过原图对得到的分割结果图进行滤波处理，对前景区域进行细节优化。
本发明的有益效果为：
(1)本发明实现了端到端自动化的头肩分割功能，解决了传统前景提取问题中面临的需要预先人为标记的问题。
(2)采用注意力模型机制对人物头肩分割任务加入了人脸信息进行引导，增强了分割结果中人物头肩区域置信度，同时有利于网络更好得理解头肩分割任务，加快了网络模型的收敛速度。
(3)缩减网络结构实现了轻量级的基于注意力模型的分割网络，同时实现了人体肢干部分的分割，能够同时分割出多个人物的头肩分割以及对人物整体的分割。
附图说明
图1为基于注意力模型的自动头肩分割算法结构图。
图2为基于注意力模型的自动头肩分割算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1-2所示的一种基于注意力模型的自动头肩分割方法，其整体步骤如下：
(1)数据准备：
在网上爬取大小合适高清的人物半身图片，具体方法为使用爬图工具根据“美女”“自拍”“家庭”“明星”“老人”等关键字从网上下载大量人物图片，从图片中筛选出符合要求的高清图片，用于模型得训练及测试。
对得到的数据集进行前景背景标注。标注内容包括：将图片中人物信息标记为前景，其余信息标记为背景。使用软件将人物边缘勾勒出来，即在原图手动绘制未知区域得到三分图。将原图和三分图两张图作为输入，使用KNN算法得到其蒙版图，最后用PS对效果不好的地方进行微调。
另外需要将人物的脸部区域标记出来，用于构建注意力模型。人脸区域的选定使用IPLFaceAligement(中科视拓的人脸特征点定位器)对人脸81个特征点进行定位，将头部区域赋值为1，其他区域赋值为0，存储为灰度图像。
(2)训练数据拓充
训练样本的复杂性、多样性是影响算法适应性以及精度的主要因素，因此在控制数据成本的情况下，我们需要对训练样本进行数据增广已达到算法最优结果。对训练样本进行数据拓充，通过换背景的方式，对已经标注好的图片进行背景切换，增加一些更加复杂的背景的训练样本；通过对图片进行变化光照、增加遮挡以及添加噪声的方式对数据进行拓充。通过这种训练样本拓充的方式，增加该技术对不同背景以及不同光照情况下的鲁棒性。
(3)深度模型的网络调节
网络结构的设计为基于注意模型的轻量级分割网络。网络包括6个依次级联的卷积网络基本单元，每个单元由依次连接的卷积层、局部响应归一化层、修正线性激活层、卷积层之间的残差连接、反卷积层和裁剪层组成；
卷积层利用卷积核在图像上滑动，对图像进行卷积操作，提取输入图像特征，得到较为粗略的特征图；
局部响应归一化层采用3像素*3像素的卷积核在特征图上滑动，并对每个卷积核覆盖位置的像素值进行均值和方差的归一化，得到不受光照变化影响的粗略特征图；
修正线性激活层采用了两种形式，第一种采用1像素*1像素的区域在特征图上滑动，大于0的特征值不变，小于0的特征值变为0；第二种采用1像素*1像素的区域在特征图上滑动，将特征值依次映射到【0,1】之间。
卷积层之间的残差连接，就是在标准的前馈神经网络结构上，加一个跳跃绕过一些层的连接，和前馈神经网络的结果进行加和或者连接操作。
反卷积层利用反卷积核在图像上滑动，对图像进行反卷积操作，扩大特征图谱，使得特征图谱最终扩大到原图大小，最终实现逐像素的预测。
裁剪层一般用在卷积层之间的残差连接之前，使得两个不同网络层的输出在做逐元素加或者逐元素乘时特征图谱的大小一致。
网络结构如表1所示：
表1
表中，convX：K*K，s:Y，pad:Z表示卷积层、局部响应归一化层以及修正线性激活层操作，采用K*K的卷积核，步长为Y，特征图拓充Z个像素；DeconvX:K*K,s:Y表示反卷积层，采用K*K的卷积核，步长为Y；Sum表示逐元素相加层；Product表示逐像素相乘层；Crop表示裁剪层；
网络的损失函数层采用的是Softmax-Loss层，逐元素分类，得到二通道的分类概率图，一个通道表示前景的概率图，另一个通道为背景的概率图。
将步骤二得到的数据集作为训练样本，使用深度网络进行网络训练；训练次数达到20次epoch，得到最优的网络模型。
(4)提取网络模型
将任意大小包含人物的图片输入到网络模型中进行前向计算，同时对需要对图片进行人脸区域检测，将人脸区域标记为1，其他区域标记为0，得到二维图谱，作为注意力引导信息同时输入到网络中，经过网络的前向计算，得到头肩分割的各个像素是前景的概率图，通过端到端的提取方式自动得将图片中的人物提取出来。
(5)对提取出来的分割结果运用导向滤波对细节进行优化。
采用导向滤波的方式，对网络分割之后的前景区域进行细节优化，让模糊的分割结果得到边缘更加清晰的前景。通过原图G对网络得到的二类分割结果图P进行滤波处理，使得最后的输出图像大体上与目标图像P相似(即二分类黑白图像)，但是纹理部分与引导图G相似的分割结果图(即细化出边缘纹理，使得分割边缘的细节信息更加清晰)。
一种头肩部分图像分割装置，包括：
一个或多个计算机可读介质，其上具有多个模块、源图像储存库、目标图像储存库；
处理单元，其可操作地耦合到所述计算机可读介质，所述处理单元适于执行包括以下所述的模块：
图像输入模块，用于输入原始图像；
人脸识别模块，用于对待测试的图片进行人脸区域检测，得到二维图谱；
图像分割模块，用于基于训练好的神经网络对原始图像和二维图谱进行处理，以得到各个像素是头肩部分的分割结果图。
滤波模块，用于通过原图对得到的分割结果图进行滤波处理，对前景区域进行细节优化。
其中神经网络的训练方法为：步骤一、获取用于训练的图片数据集，并对图片进行标注。标注内容包括：将图片中人物信息标记为前景，其余信息标记为背景；另外需要将人物的脸部区域标记出来，用于建立注意力模型，引导自动分割算法准确得找到头部关键位置。
步骤二、对训练样本进行数据拓充，通过换背景的方式，对已经标注好的图片进行背景切换，增加一些更加复杂的背景的训练样本；通过对图片进行变化光照、增加遮挡以及添加噪声的方式对数据进行拓充。通过这种训练样本拓充的方式，增加该技术对不同背景以及不同光照情况下的鲁棒性。
步骤三、将步骤二得到的数据集作为训练样本，使用深度网络进行网络训练；训练次数达到20次epoch，才能得到最优的网络模型。
所述神经网络为轻量级分割网络，在网络中以人物的脸部关键信息为注意力进行网络模型建模，所述神经网络包括6个依次级联的卷积网络基本单元，每个单元由依次连接的卷积层、局部响应归一化层、修正线性激活层、卷积层之间的残差连接、反卷积层和裁剪层组成。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (10)
1.一种基于注意力模型的头肩部分图像分割方法，其特征在于，包括以下步骤：
步骤一、获取用于训练的图片数据集，并对图片进行标注；
步骤二、对训练样本进行数据拓充，得到的数据集；
步骤三、设计神经网络结构，将步骤二得到的数据集作为训练样本，进行网络训练；
步骤四、待测试的图片进行人脸区域检测，得到二维图谱；并将原图以及得到的二维图谱输入步骤三训练后的网络模型进行前向计算，通过端到端的提取方式将待测试图片中的头肩部分图像分割出来，得到分割结果图。
2.根据权利要求1所述的图像分割方法，其特征在于，还包括以下步骤：
步骤五、对步骤四得到的分割结果图运用导向滤波对细节进行优化。
3.根据权利要求1或2所述的图像分割方法，其特征在于：所述步骤一中的标注的方法为：手动勾勒人物边缘，得到三分图；将原图和三分图两张图作为输入，使用KNN算法得到其蒙版图；同时，对原图的人脸区域进行定位，将头部区域赋值为1，其他区域赋值为0，存储为灰度图像。
4.根据权利要求1-3中任一条所述的图像分割方法，其特征在于：所述步骤二中的数据拓充方法为：对已经标注好的图片进行背景切换；和对已经标注好的图片进行变化光照、增加遮挡以及添加噪声。
5.根据权利要求1-4中任一条所述的图像分割方法，其特征在于：所述步骤三中的神经网络为轻量级分割网络，在网络中以人物的脸部关键信息为注意力进行网络模型建模，所述神经网络包括6个依次级联的卷积网络基本单元，每个单元由依次连接的卷积层、局部响应归一化层、修正线性激活层、卷积层之间的残差连接、反卷积层和裁剪层组成。
6.根据权利要求2所述的图像分割方法，其特征在于：所述步骤五具体为，利用原图对分割结果进行滤波处理。
7.一种头肩部分图像分割装置，其特征在于，包括：
一个或多个计算机可读介质，其上具有多个模块、源图像储存库、目标图像储存库；
处理单元，其可操作地耦合到所述计算机可读介质，所述处理单元适于执行包括以下所述的模块：
图像输入模块，用于输入原始图像；
人脸识别模块，用于对待测试的图片进行人脸区域检测，得到二维图谱；
图像分割模块，用于基于训练好的神经网络对原始图像和二维图谱进行处理，以得到各个像素是头肩部分的分割结果图。
8.权利要求7所述的装置，其特征在于：所述神经网络的训练方法为：获取用于训练的图片数据集，并对图片进行标注；对训练样本进行数据拓充；设计神经网络结构，将拓充后的数据集作为训练样本，进行网络训练。
9.权利要求8所述的装置，其特征在于：所述神经网络为轻量级分割网络，在网络中以人物的脸部关键信息为注意力进行网络模型建模，所述神经网络包括6个依次级联的卷积网络基本单元，每个单元由依次连接的卷积层、局部响应归一化层、修正线性激活层、卷积层之间的残差连接、反卷积层和裁剪层组成。
10.权利要求7-9中任一条所述的装置，其特征在于，所述处理单元还包括：滤波模块，用于通过原图对得到的分割结果图进行滤波处理，对前景区域进行细节优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711375814.3A CN107993238A (zh) | 2017-12-19 | 2017-12-19 | 一种基于注意力模型的头肩部分图像分割方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711375814.3A CN107993238A (zh) | 2017-12-19 | 2017-12-19 | 一种基于注意力模型的头肩部分图像分割方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107993238A true CN107993238A (zh) | 2018-05-04 |
Family
ID=62037952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711375814.3A Pending CN107993238A (zh) | 2017-12-19 | 2017-12-19 | 一种基于注意力模型的头肩部分图像分割方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993238A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002753A (zh) * | 2018-06-01 | 2018-12-14 | 上海大学 | 一种基于卷积神经网络级联的大场景监控图像人脸检测方法 |
| CN109035260A (zh) * | 2018-07-27 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种天空区域分割方法、装置和卷积神经网络 |
| CN109145922A (zh) * | 2018-09-10 | 2019-01-04 | 成都品果科技有限公司 | 一种自动抠图系统 |
| CN109325954A (zh) * | 2018-09-18 | 2019-02-12 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
| CN109636804A (zh) * | 2018-10-10 | 2019-04-16 | 浙江大学 | 一种基于多粒度级联的人体图像分割方法 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| CN109871859A (zh) * | 2018-09-28 | 2019-06-11 | 北京矩视智能科技有限公司 | 一种自动生成图像训练集系统 |
| CN110503704A (zh) * | 2019-08-27 | 2019-11-26 | 北京迈格威科技有限公司 | 三分图的构造方法、装置和电子设备 |
| CN110956621A (zh) * | 2019-11-27 | 2020-04-03 | 北京航空航天大学合肥创新研究院 | 一种基于神经网络的组织癌变的检测方法及系统 |
| CN111209808A (zh) * | 2019-12-25 | 2020-05-29 | 北京航空航天大学杭州创新研究院 | 一种基于分层处理的无人机图像语义分割识别方法 |
| CN111325161A (zh) * | 2020-02-25 | 2020-06-23 | 四川翼飞视科技有限公司 | 一种基于注意力机制的人脸检测神经网络的构建方法 |
| CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
| CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
| CN112819841A (zh) * | 2021-03-19 | 2021-05-18 | 广东众聚人工智能科技有限公司 | 人脸区域分割方法、装置、计算机设备及存储介质 |
| CN112907569A (zh) * | 2021-03-24 | 2021-06-04 | 北京房江湖科技有限公司 | 头部图像区域的分割方法、装置、电子设备和存储介质 |
| CN114565755A (zh) * | 2022-01-17 | 2022-05-31 | 北京新氧科技有限公司 | 图像分割方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213112A1 (en) * | 2016-01-25 | 2017-07-27 | Adobe Systems Incorporated | Utilizing deep learning for automatic digital image segmentation and stylization |
| CN107392933A (zh) * | 2017-07-12 | 2017-11-24 | 维沃移动通信有限公司 | 一种图像分割的方法及移动终端 |
-
2017
- 2017-12-19 CN CN201711375814.3A patent/CN107993238A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170213112A1 (en) * | 2016-01-25 | 2017-07-27 | Adobe Systems Incorporated | Utilizing deep learning for automatic digital image segmentation and stylization |
| CN107392933A (zh) * | 2017-07-12 | 2017-11-24 | 维沃移动通信有限公司 | 一种图像分割的方法及移动终端 |
Non-Patent Citations (3)
| Title |
|---|
| BINGKE ZHU等: "Fast Deep Matting for Portrait Animation on Mobile Phone" * |
| XIAOYONG SHEN等: "Automatic Portrait Segmentation for Image Stylization" * |
| XIAOYONG SHEN等: "Deep Automatic Portrait Matting" * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002753B (zh) * | 2018-06-01 | 2022-07-08 | 上海大学 | 一种基于卷积神经网络级联的大场景监控图像人脸检测方法 |
| CN109002753A (zh) * | 2018-06-01 | 2018-12-14 | 上海大学 | 一种基于卷积神经网络级联的大场景监控图像人脸检测方法 |
| CN109035260A (zh) * | 2018-07-27 | 2018-12-18 | 京东方科技集团股份有限公司 | 一种天空区域分割方法、装置和卷积神经网络 |
| US11151403B2 (en) | 2018-07-27 | 2021-10-19 | Boe Technology Group Co., Ltd. | Method and apparatus for segmenting sky area, and convolutional neural network |
| CN109145922A (zh) * | 2018-09-10 | 2019-01-04 | 成都品果科技有限公司 | 一种自动抠图系统 |
| CN109145922B (zh) * | 2018-09-10 | 2022-03-29 | 成都品果科技有限公司 | 一种自动抠图系统 |
| CN109325954B (zh) * | 2018-09-18 | 2021-08-10 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
| CN109325954A (zh) * | 2018-09-18 | 2019-02-12 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
| CN109871859A (zh) * | 2018-09-28 | 2019-06-11 | 北京矩视智能科技有限公司 | 一种自动生成图像训练集系统 |
| CN109636804A (zh) * | 2018-10-10 | 2019-04-16 | 浙江大学 | 一种基于多粒度级联的人体图像分割方法 |
| CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| CN109658344B (zh) * | 2018-11-12 | 2022-10-25 | 哈尔滨工业大学（深圳） | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
| CN110503704A (zh) * | 2019-08-27 | 2019-11-26 | 北京迈格威科技有限公司 | 三分图的构造方法、装置和电子设备 |
| CN110956621B (zh) * | 2019-11-27 | 2022-09-13 | 北京航空航天大学合肥创新研究院 | 一种基于神经网络的组织癌变的检测方法及系统 |
| CN110956621A (zh) * | 2019-11-27 | 2020-04-03 | 北京航空航天大学合肥创新研究院 | 一种基于神经网络的组织癌变的检测方法及系统 |
| CN111209808A (zh) * | 2019-12-25 | 2020-05-29 | 北京航空航天大学杭州创新研究院 | 一种基于分层处理的无人机图像语义分割识别方法 |
| CN111325161A (zh) * | 2020-02-25 | 2020-06-23 | 四川翼飞视科技有限公司 | 一种基于注意力机制的人脸检测神经网络的构建方法 |
| CN112132784A (zh) * | 2020-08-22 | 2020-12-25 | 安徽大学 | 一种基于小样本深度卷积神经网络用于工业磁瓦缺陷图像分类和分割的方法 |
| CN112132006B (zh) * | 2020-09-21 | 2022-08-26 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
| CN112132006A (zh) * | 2020-09-21 | 2020-12-25 | 西南交通大学 | 一种面向耕地保护的林地和建筑物智能提取方法 |
| CN112819841B (zh) * | 2021-03-19 | 2021-09-28 | 广东众聚人工智能科技有限公司 | 人脸区域分割方法、装置、计算机设备及存储介质 |
| CN112819841A (zh) * | 2021-03-19 | 2021-05-18 | 广东众聚人工智能科技有限公司 | 人脸区域分割方法、装置、计算机设备及存储介质 |
| CN112907569A (zh) * | 2021-03-24 | 2021-06-04 | 北京房江湖科技有限公司 | 头部图像区域的分割方法、装置、电子设备和存储介质 |
| CN112907569B (zh) * | 2021-03-24 | 2024-03-15 | 贝壳找房(北京)科技有限公司 | 头部图像区域的分割方法、装置、电子设备和存储介质 |
| CN114565755A (zh) * | 2022-01-17 | 2022-05-31 | 北京新氧科技有限公司 | 图像分割方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Ni et al. | Towards unsupervised deep image enhancement with generative adversarial network | |
| WO2021249255A1 (zh) | 一种基于RP-ResNet网络的抓取检测方法 | |
| CN106778928B (zh) | 图像处理方法及装置 | |
| CN112287940A (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
| CN112132197B (zh) | 模型训练、图像处理方法、装置、计算机设备和存储介质 | |
| CN109919869A (zh) | 一种图像增强方法、装置及存储介质 | |
| CN111161191B (zh) | 一种图像增强方法 | |
| CN110570377A (zh) | 一种基于组归一化的快速图像风格迁移方法 | |
| CN110443763B (zh) | 一种基于卷积神经网络的图像阴影去除方法 | |
| CN112653899A (zh) | 一种基于联合注意力ResNeSt的复杂场景下网络直播视频特征提取方法 | |
| 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 | |
| CN106778852A (zh) | 一种修正误判的图像内容识别方法 | |
| CN111047543A (zh) | 图像增强方法、装置和存储介质 | |
| CN109086768A (zh) | 卷积神经网络的语义图像分割方法 | |
| Li et al. | An adaptive enhancement method for low illumination color images | |
| CN109829868A (zh) | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 | |
| US20240233077A1 (en) | Image super-resolution method based on knowledge distillation compression model and device thereof | |
| CN109523558A (zh) | 一种人像分割方法及系统 | |
| CN111062329A (zh) | 基于增广网络的无监督行人重识别方法 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| Al-Amaren et al. | RHN: A residual holistic neural network for edge detection | |
| CN111738964A (zh) | 一种基于建模的图像数据增强的方法 | |
| CN116383639A (zh) | 一种生成对抗网络的知识蒸馏方法、装置、设备及存储介质 | |
| CN112561782B (zh) | 一种提高海上场景仿真图片真实度的方法 |
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 |
Application publication date: 20180504 |
|
| RJ01 | Rejection of invention patent application after publication |