CN108734211A - 图像处理的方法和装置 - Google Patents
图像处理的方法和装置 Download PDFInfo
- Publication number
- CN108734211A CN108734211A CN201810474974.1A CN201810474974A CN108734211A CN 108734211 A CN108734211 A CN 108734211A CN 201810474974 A CN201810474974 A CN 201810474974A CN 108734211 A CN108734211 A CN 108734211A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- result
- model
- core network
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像处理的方法和装置,属于图像识别领域。所述方法包括:获取目标图像;调用图像识别模型,图像识别模型包括主干网络与主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与池化模块和空洞卷积模块连接的融合模块;通过图像识别模型中的主干网络对目标图像进行特征提取,并通过池化模块以及空洞卷积模块分别对主干网络输出的特征图进行处理,得到池化模块输出的第一结果和空洞卷积模块输出的第二结果,通过融合模块对第一结果和所述第二结果进行融合,输出目标图像的模型识别结果;基于模型识别结果,获取目标图像的语义分割标记图。采用本发明,可以同时满足准确性以及分割精度的需求。
Description
技术领域
本发明涉及图像识别领域,特别涉及一种图像处理的方法和装置。
背景技术
卷积神经网络是一种广泛应用于图像处理领域的机器学习模型。对于医疗领域而言,卷积神经网络可以作为图像识别模型,例如,识别胃部病理图像中的癌症组织区域。
一般来说,用于识别病理图像的卷积神经网络的结构主要有3种:(1)全卷积网络;(2)基于空洞卷积的卷积神经网络;(3)基于空间池化的卷积神经网络。服务器可以调用图像识别模型,对病理图像的每个像素进行分类(如有癌或无癌),基于输出的模型识别结果,对不同分类的像素进行标记,获取病理图像的语义分割标记图,例如,对于胃部病理图像来说,得到划分了癌症组织区域和非癌症组织区域的图像。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
以胃部病理图像为例,胃部病理图像中的癌症组织区域的大小不一,尺寸范围较广,且纹理杂乱,不规律。全卷积网络的方法在应用于大尺寸与小尺寸的癌症组织区域时,识别的准确性较低;基于空洞卷积的方法在单一扩张率(dilation rate)下,仅对一定尺寸范围的癌症组织区域有较好的分割效果,不能满足实际癌症组织区域的尺寸范围;基于空间池化的方法可以兼顾大尺寸与小尺寸的癌症组织区域,但是会导致病理图像的信息损失较大,带来分割精度的损失。上述任一卷积神经网络的结构对于分割胃部病理图像,都有一定的局限性。因此,亟需一种图像处理的方法,能够同时满足准确性以及分割精度的需求。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种图像处理的方法和装置。所述技术方案如下:
一方面,提供了一种图像处理的方法,所述方法包括:
获取目标图像;
调用图像识别模型,所述图像识别模型包括主干网络、与所述主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与所述池化模块和所述空洞卷积模块连接的融合模块,所述主干网络用于提取图像的特征图;
通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果;
基于所述模型识别结果,获取所述目标图像的语义分割标记图。
一方面,提供了一种图像处理的装置,所述装置包括:
第一获取模块,用于获取目标图像;
调用模块,用于调用图像识别模型,所述图像识别模型包括主干网络、与所述主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与所述池化模块和所述空洞卷积模块连接的融合模块,所述主干网络用于提取图像的特征图;
输出模块,用于通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,基于所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果;
第二获取模块,用于基于所述模型识别结果,获取所述目标图像的语义分割标记图。
一方面,提供了一种服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述图像处理的方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述图像处理的方法。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例中,图像识别模块可以包含有并行的池化模块和空洞卷积模块,池化模块和空洞卷积模块可以分别得到目标图像的两个识别结果,将两个识别结果进行融合得到模型识别结果。这样的图像识别模型可以同时保留池化模块和空洞卷积模块的优势,既可以识别不同尺寸的癌症组织区域,又可以保证分割精度,使得服务器基于该图像识别模型对图像进行语义分割时,能够同时满足准确性以及分割精度的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种实施环境图;
图2是本发明实施例提供的一种低倍病理图像示意图;
图3是本发明实施例提供的一种高倍病理图像示意图;
图4是本发明实施例提供的一种图像识别模型的训练方法流程图;
图5是本发明实施例提供的一种胃部病理图像和语义分割标记图的示意图;
图6是本发明实施例提供的一种卷积神经网络的结构示意图;
图7是本发明实施例提供的一种主干网络的预训练方法流程图;
图8是本发明实施例提供的一种第一图像识别模型结构示意图;
图9是本发明实施例提供的一种池化模块示意图;
图10是本发明实施例提供的一种空洞卷积模块示意图;
图11是本发明实施例提供的一种不同扩张率的空洞卷积示意图;
图12是本发明实施例提供的一种图像处理方法流程图;
图13是本发明实施例提供的一种图像处理的装置结构示意图;
图14是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种图像处理的方法,该方法可以由服务器实现。
图1是本发明实施例提供的一种实施环境图。该实施环境可以包括多个终端101、用于为该多个终端提供服务的服务器102。多个终端101通过无线或者有线网络和服务器102连接,该多个终端101可以为能够访问服务器102的电子设备,该电子设备可以为电脑、智能手机、平板电脑或者其他电子设备。服务器102可以为一个或者多个计算服务器,该服务器102可以作为计算的主体,该服务器102可以根据用户通过终端101对目标图像的处理请求,确定目标图像的语义分割标记图。对于服务器102来说,该服务器102还可以具有至少一种数据库,用以存储训练过程所使用第一图像样本和第二图像样本等等。在本发明实施例中,终端101可以作为需求的提出方,通过访问服务器102的方式请求服务器102对目标图像进行处理。当然,本发明实施例提供的图像处理方法还可以由其它具有处理能力的计算机设备来实现。
本发明实施例所涉及的目标图像可以是病理图像,图像识别的需求为识别病理图像中的目标物质,例如,目标物质可以是癌症组织、肿瘤浸润式淋巴细胞(tumorinfiltrating lymphocyte,TIL)或者抗原KI67(一种与细胞增殖相关且可能是必需的核蛋白,一般用于判断肿瘤的恶性程度)。
下面对本发明实施例涉及的词汇做出解释:
病理切片:将一定大小的病变组织用病理组织学方法制成的病理切片。制作的方法通常是将病变组织包埋在石蜡块里,用切片机切成薄片,再用苏木精-伊红(hematoxylin-eosin,H-E)染色,得到病理切片。
病理图像:对病理切片进行拍摄或扫描得到的电子图像。根据拍摄时的放大倍数不同,病理图像可以分为低倍病理图像和高倍病理图像。低倍病理图像如图2所示,图中显示的是一整块病理切片的图像,局部纹理模糊。高倍病理图像如图3所示,图中显示的是病理切片的局部图像,纹理清晰,可以区分细胞。本发明实施例中所使用的病理图像是指放大20倍的高倍病理图像。
该方法涉及的图像识别模型可以是卷积神经网络模型,在使用该方法对图像进行处理之前,需要对图像识别模型进行训练。下面将结合图4所示的图像识别模型的训练方法流程图,对训练过程进行介绍:
401、服务器获取多个第一图像样本。
其中,第一图像样本可以包括与目标图像属于同一类型的图像和对应的语义分割标记图。本发明实施例以胃部病理图像为例,如果图像处理的方法用于对胃部病理图像进行处理,则第一图像样本中的图像也应为胃部病理图像(即同一类型的图像)。
在一种可能的实施方式中,医生可以预先对多张胃部病理图像进行人工标注,得到每张胃部病理图像对应的语义分割标记图。胃部病理图像和语义分割标记图的示意图如图5所示,语义分割标记图可以是一张黑白二值图,白色为癌症组织区域(如图5中语义分割标记图的白色区域),黑色为非癌症组织区域(如图5中语义分割标记图的阴影区域)。
上述多张胃部病理图像和对应的语义分割标记图可以作为第一图像样本,存储在服务器的数据库中。服务器对图像识别模型进行训练时,可以从上述数据库中将第一图像样本获取出来。
402、服务器获取第一图像识别模型。
其中,第一图像识别模型可以包括预训练的主干网络、与预训练的主干网络连接且相互并行的初始池化模块和初始空洞卷积模块,以及,与初始池化模块和初始空洞卷积模块连接的初始融合模块。将卷积神经网络中每个卷积核的权重,称为网络权重,对卷积神经网络的训练即为对各个网络权重进行调整。
在一种可能的实施方式中,主干网络可以是去除分类模块的卷积神经网络,分类模块中可以包括池化层(pooling layer)和/或全连接层(fully connected network),也即主干网络可以是保留到最后一个卷积层(convolution layer)的卷积神经网络。主干网络的输出可以是图像的特征图(feature map)。例如,主干网络可以是ResNet101(一种深度卷积神经网络),如图6所示为卷积神经网络的结构示意图,其中,主干网络仅包括到最后一个卷积层(即第五个卷积层),而一般用于图像识别的卷积神经网络还包括分类模块。主干网络还可以采用其它卷积神经网络,例如Inception-Resnet-V2、NasNet、MobileNet等,此处不作限定。
为了保证训练得到的图像识别模型达到一定的准确率,需要基于较多的胃部病理图像进行训练。但是,实际情况中,医生的精力有限,标注的胃部病理图像可能比较少,可能会满足不了训练所需的数据量。因此,可以预先对主干网络进行训练,使得主干网络对图像的特征(例如颜色、纹理等)具备一定的敏感性,提高提取特征图的准确性。这样,在基于胃部病理图像对图像识别模型进行训练时,可以减少训练所需的数据量和训练时间。
可选的,如图7所示的主干网络的预训练方法流程图,主干网络的预训练方法可以包括以下步骤:
4021、服务器获取多个第二图像样本。
其中,第二图像样本可以包括多种类型的图像和对应的分类结果。
在一种可能的实施方式中,第二图像样本中的图像可以是多种常见类型的图像,例如人物图像、车辆图像、动物图像等。这些图像容易获取,并且数据量大。
服务器的数据库中可以存储有上述第二图像样本,当服务器对主干网络进行预训练时,可以将第二图像样本获取出来。例如,服务器可以从互联网中获取上述多种类型的图像,并基于图像的关键字标注分类结果,存储在数据库中。
4022、服务器获取第二图像识别模型。
其中,第二图像识别模型可以包括初始的主干网络和初始分类模块,第二图像识别模型的网络结构可以如图6中用于图像识别的卷积神经网络所示。
4023、服务器基于多个第二图像样本对第二图像识别模型进行训练,得到训练后的第二图像识别模型。
在一种可能的实施方式中,服务器可以将上述第二图像样本输入第二图像识别模型,对每个图像进行分类,基于模型输出的分类结果与第二图像样本中标注的分类结果,对第二图像识别模型的网络权重进行调整。
4024、服务器删除训练后的第二图像识别模型的分类模块,得到预训练的主干网络。
在一种可能的实施方式中,训练结束后,服务器可以将第二图像识别模型中的分类模块删除,将第二图像识别模型仅保留到最后一个卷积层。或者,服务器也可以将训练后主干网络的网络权重获取出来,以便在建立上述第一图像识别网络时,将主干网络的初始网络权重设置为获取到的网络权重。
初始池化模块和初始空洞卷积模块可以并行的拼接在预训练的主干网络之后,得到第一图像识别模型。初始池化模块和初始空洞卷积模块的初始网络权重可以由技术人员根据需要进行设置,此处不作限定。
第一图像识别模型的结构如图8所示,主干网络输出的特征图将分别作为池化模块和空洞卷积模块的输入,分别得到池化模块对应的第一结果和空洞卷积模块对应的第二结果,最后通过融合模块对第一结果和第二结果进行融合,输出模型识别结果。可选的,融合的处理可以如下:通过融合模块,基于池化模块对应的第一权重和空洞卷积模块对应的第二权重,对第一结果和第二结果进行加权平均,输出模型识别结果。
可选的,池化模块可以是空间金字塔池化模块(spatial pyramid pooling net,SPP-Net),如图9所示的池化模块示意图,其中可以包括输出结果的边长为输入边长的1/1、1/2、1/3、1/6的四个池化层,将四个池化层的输出结果进行上采样,最终输出池化模块对应的第一结果。需要说明的是,池化模块还可以基于其它池化方法建立,此处不作限定。基于池化模块的处理,可以得到图像中的多尺寸信息,也即可以识别出不同尺寸的癌症组织区域。
可选的,空洞卷积模块可以包括多个扩张率的空洞卷积分支。如图10所示的空洞卷积模块示意图,空洞卷积模块可以由1*1卷积、扩张率为6的3*3卷积、扩张率为12的3*3卷积和扩张率为18的3*3卷积共4个分支组成,其中包括3个空洞卷积分支,并且可以对每个分支的结果进行融合,输出空洞卷积模块对应的第二结果。融合过程与上述第一结果和第二结果的融合过程相类似,此处不再赘述。不同扩张率的空洞卷积如图11所示。基于空洞卷积模块的处理,不同的扩张率具有不同的感受野,可以识别不同尺寸范围的癌症组织区域,并且图像细节的信息没有丢失,可以保证语义分割的精度。
需要说明的是,上述池化模块或空洞卷积模块还可以被其它满足图像语义分割需求的模块代替,或在池化模块和空洞卷积模块的基础上添加新的并行模块,例如,可以替换为U-Net(一种可以用于分割细胞图像的卷积网络),或者,也可以将U-Net、池化模块和空洞卷积模块并行的连接在主干网络之后。
403、服务器基于多个第一图像样本对第一图像识别模型进行训练,得到图像识别模型。
在一种可能的实施方式中,服务器可以将第一图像样本输入第一图像识别模型,对每个图像中的像素进行分类,输出得到模型识别结果。对于模型识别结果可以是与输入图像的像素尺寸相同的像素分类矩阵,可以将第一图像样本中的语义分割标记图,转换为对应的像素分类矩阵,例如,可以将白色像素对应的矩阵元素设置为1,黑色像素对应的矩阵元素设置为0。服务器基于模型识别结果与第一图像样本中的语义分割标记图,通过损失函数,对于黑色像素和白色像素的损失按照像素个数进行加权,对第一图像识别模型的网络权重进行调整。上述损失函数可以是Softmax Loss、L2Loss、Focal Loss等,此处不作限定。训练结束后,可以得到后续图像处理过程中所使用的图像识别模型。
可选的,由于第一图像识别模型种的主干网络经过预训练,则在基于第一图像样本训练的过程中,主干网络可以采用相对于空间池化模块和空洞卷积模块更小的学习率,以避免主干网络的学习率过大,使得训练得到的图像识别模型准确率下降,例如,空间池化模块和空洞卷积模块的学习率可以为10-3,主干网络的学习率可以为10-4。
可选的,服务器可以基于多个图形处理器(graphics processing unit,GPU)对第一图像识别模型进行训练,每个图形处理器在同一时间并行处理预设数目个图像样本,从而提高训练图像识别模型的效率。例如,采用2个GPU进行训练,每个GPU并行处理4张图像。
需要说明的是,为了清晰显示细胞图像,胃部病理图像的像素尺寸较大,例如像素尺寸为n*m,n或m的取值可以达到几万或几十万。为了降低处理的数据量、缩短处理时间以及保证准确率,在对胃部病理图像进行处理之前,可以对其进行预处理,也即可以首先对其进行切分,并且还可以对切分后的图像进行缩放,得到多个预设像素尺寸的胃部病理子图像。例如,服务器可以将胃部病理图像按照2048*2048的像素尺寸大小进行切分,同时还可以将切分后的胃部病理图像缩小到713*713的像素尺寸。预设像素尺寸可以由技术人员建立的图像识别模型确定,此处不作限定。第一图像样本中的图像与对应的语义分割标记图都可以进行相同的预处理。对于每个胃部病理子图像,图像识别模型的训练过程与上述过程相类似,此处不再赘述。
上述图像识别模型在训练完成后,可以用在本发明实施例提供的图像处理的方法中。
结合图12所示的图像处理方法流程图,该方法的处理流程可以如下:
1201、服务器获取目标图像。
在一种可能的实施方式中,用户可以通过终端向服务器发送图像处理请求,其中可以携带有待处理的胃部病理图像(即目标图像)。然后,服务器可以从图像处理请求中将待处理的目标图像获取出来。
1202、服务器调用图像识别模型。
其中,图像识别模型可以包括主干网络、与主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与池化模块和空洞卷积模块连接的融合模块,主干网络可以用于提取图像的特征图。
1203、服务器通过图像识别模型中的主干网络对目标图像进行特征提取,并通过池化模块以及空洞卷积模块分别对主干网络输出的特征图进行处理,得到池化模块输出的第一结果和空洞卷积模块输出的第二结果,通过融合模块对第一结果和第二结果进行融合,输出目标图像的模型识别结果。
在一种可能的实施方式中,服务器可以调用上述过程中训练得到的图像识别模型对目标图像进行处理。图像识别模型的主干网络可以计算得到目标图像的特征图,作为池化模块和空洞卷积模块的输入。池化模块对目标图像的特征图计算得到第一结果,空洞卷积模块对目标图像的特征图计算得到第二结果,池化模块和空洞卷积模块输出的结果可以是像素分类矩阵,矩阵中各个元素的数值可以代表像素的分类结果。然后,可以通过融合模块将第一结果和第二结果进行融合,输出得到目标图像的模型识别结果,例如,可以是对每个像素对应的矩阵元素,将第一结果和第二结果中最大的数值作为融合的结果,或者,还可以是对第一结果和第二结果中每个位置的矩阵元素求平均,将得到的平均值作为融合的结果。
可选的,在一种可能的实施方式中,技术人员可以预先对池化模块和空洞卷积模块的权重进行设置,相应地,融合的处理可以如下:通过融合模块,基于池化模块对应的第一权重和空洞卷积模块对应的第二权重,对第一结果和第二结果进行加权平均,输出目标图像的模型识别结果。对于主干网络之后连接有多个并行的模块的情况,对不同的模块设置权重,可以控制不同的模块对模型识别结果的影响,以满足不同的指标需求(如准确率或分割精度)。
在对第一结果和第二结果进行融合时,服务器可以通过融合模块对两个像素分类矩阵中的矩阵元素进行加权平均,得到目标图像的模型识别结果。例如,第一权重可以是0.4,第二权重可以是0.6,某一像素在第一结果中的分类结果为0.75,在第二结果中的分类结果为0.8,则融合得到的模型识别结果中,该像素的分类结果为(0.4*0.75+0.6*0.8)/(0.4+0.6)=0.78。
可选的,空洞卷积模块可以包括多个扩张率的空洞卷积分支,每个空洞卷积分支都可以输出一个识别结果,因此,技术人员也可以预先对每个空洞卷积分支设置权重,基于权重对每个识别结果进行融合。融合过程可以与上述第一结果和第二结果的融合过程相类似,此处不作限定。
1204、服务器基于模型识别结果,获取目标图像的语义分割标记图。
在一种可能的实施方式中,模型识别结果可以是与目标图像的像素尺寸相同的像素分类矩阵,矩阵上的每个元素代表对应像素的分类结果,例如,像素的分类结果取值范围可以是[0,1],代表像素属于“有癌”或“无癌”的概率。服务器可以根据像素分类矩阵对每个像素进行标记,得到语义分割标记图。例如,矩阵元素大于等于0.5对应的像素标记为白色(即属于“有癌”分类),矩阵元素小于0.5对应的像素标记为黑色(即属于“无癌”分类),得到与目标图像的像素尺寸相同的黑白二值图。
可选的,在一种可能的实施方式中,服务器可以对目标图像进行切分,再对切分得到的每个目标子图像进行上述处理,相应的,上述步骤1201可以如下:获取目标图像,对目标图像进行切分,得到多个预设像素尺寸的目标子图像。切分的过程在上述图像识别模型的训练过程中已经介绍过了,此处不再赘述。此外,服务器还可以将切分后得到的目标子图像在目标图像中的排列顺序记录下来。
上述步骤1203可以如下:对于每个目标子图像,通过图像识别模型中的主干网络对目标子图像进行特征提取,并通过池化模块以及空洞卷积模块分别对主干网络输出的特征图进行处理,得到池化模块输出的第一结果和空洞卷积模块输出的第二结果,通过融合模块对第一结果和第二结果进行融合,输出目标子图像的模型识别结果。对于目标子图像进行图像识别处理的过程与上述步骤1203过程相类似,此处不再赘述。
上述步骤1204可以如下:基于多个目标子图像的模型识别结果,获取多个目标子图像的语义分割子标记图;将多个目标子图像的语义分割子标记图按照顺序进行拼接,得到目标图像的语义分割标记图。
服务器可以通过与上述步骤1204相类似的过程,获取每个目标子图像的语义分割子标记图,此处不再赘述。然后,服务器可以按照目标子图像在目标图像中的排列顺序,将每个目标子图像的语义分割子标记图进行拼接,即可得到目标图像的语义分割标记图。如果在切分目标图像之后还对目标子图像进行缩放,则服务器还可以将每个目标子图像的语义分割子标记图缩放到原来的像素尺寸,再对其进行拼接,或者,也可以是先拼接后放大,以保证语义分割标记图与目标图像的像素尺寸相同。
最后,服务器可以将目标图像的语义分割标记图返回给终端,以便用户进行查看。用户仅仅需要输入待处理的胃部病理图像,即可得到语义分割标记图,使用方便,让用户可以快速获知胃部病理图像上的癌症组织区域。并且,语义分割标记图的准确率高,具有高可靠性,可以帮助有经验的医生提高工作效率,减少工作量,还可以帮助新医生基于胃部病理图像进行诊断,提高业务能力。
本发明实施例所提供的图像处理方法对细胞具有较好的区分效果,可以应用在TILs等癌症病理领域前沿研究中。并且,还可以在得到图像的语义分割标记图之后,添加计数处理,以便对细胞或KI67等进行计数统计,以帮助医生进行诊断。
本发明实施例中,图像识别模块可以包含有并行的池化模块和空洞卷积模块,池化模块和空洞卷积模块可以分别得到目标图像的两个识别结果,将两个识别结果进行融合得到模型识别结果。这样的图像识别模型可以同时保留池化模块和空洞卷积模块的优势,既可以识别不同尺寸的癌症组织区域,又可以保证分割精度,使得服务器基于该图像识别模型对图像进行语义分割时,能够同时满足准确性以及分割精度的需求。
基于相同的技术构思,本发明实施例还提供了一种图像处理的装置,该装置可以是上述服务器。如图13所示,该装置包括:
第一获取模块1301,用于获取目标图像;
调用模块1302,用于调用图像识别模型,所述图像识别模型包括主干网络、与所述主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与所述池化模块和所述空洞卷积模块连接的融合模块,所述主干网络用于提取图像的特征图;
输出模块1303,用于通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果;
第二获取模块1304,用于基于所述模型识别结果,获取所述目标图像的语义分割标记图。
可选的,所述输出模块1303用于:
基于所述池化模块对应的第一权重和所述空洞卷积模块对应的第二权重,对所述第一结果和所述第二结果进行加权平均,输出所述目标图像的模型识别结果。
可选的,所述空洞卷积模块包括多个扩张率的空洞卷积分支。
可选的,所述第一获取模块1301用于:
获取目标图像,对所述目标图像进行切分,得到多个预设像素尺寸的目标子图像。
可选的,所述输出模块1303用于:
对于每个目标子图像,通过所述图像识别模型中的主干网络对所述目标子图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标子图像的模型识别结果。
可选的,所述第二获取模块1304用于:
基于多个目标子图像的模型识别结果,获取多个目标子图像的语义分割子标记图;
将所述多个目标子图像的语义分割子标记图按照顺序进行拼接,得到所述目标图像的语义分割标记图。
可选的,所述装置还包括:
第三获取模块1305,用于获取多个第一图像样本,所述第一图像样本包括与所述目标图像属于同一类型的图像和对应的语义分割标记图;
第四获取模块1306,用于获取第一图像识别模型,所述第一图像识别模型包括预训练的主干网络、与所述预训练的主干网络连接且相互并行的初始池化模块和初始空洞卷积模块,以及,与所述初始池化模块和所述初始空洞卷积模块连接的初始融合模块;
第一训练模块1307,用于基于所述多个第一图像样本对所述第一图像识别模型进行训练,得到所述图像识别模型。
可选的,所述装置还包括:
第五获取模块1308,用于获取多个第二图像样本,所述第二图像样本包括多种类型的图像和对应的分类结果;
第六获取模块1309,用于获取第二图像识别模型,所述第二图像识别模型包括初始的主干网络和分类模块;
第二训练模块1310,用于基于所述多个第二图像样本对所述第二图像识别模型进行训练,得到训练后的第二图像识别模型;
删除模块1311,用于删除所述训练后的第二图像识别模型的分类模块,得到所述预训练的主干网络。
可选的,所述第一训练模块1307还用于:
基于多个图形处理器对所述第一图像识别模型进行训练,每个图形处理器在同一时间并行处理预设数目个图像样本。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例中,图像识别模块可以包含有并行的池化模块和空洞卷积模块,池化模块和空洞卷积模块可以分别得到目标图像的两个识别结果,将两个识别结果进行融合得到模型识别结果。这样的图像识别模型可以同时保留池化模块和空洞卷积模块的优势,既可以识别不同尺寸的癌症组织区域,又可以保证分割精度,使得服务器基于该图像识别模型对图像进行语义分割时,能够同时满足准确性以及分割精度的需求。
需要说明的是:上述实施例提供的图像处理的装置在处理图像时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将服务器的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的图像处理的装置与图像处理的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图14是本发明实施例提供的一种服务器的结构示意图,该服务器1400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processingunits,CPU)1401和一个或一个以上的存储器1402,其中,所述存储器1402中存储有至少一条指令,所述至少一条指令由所述处理器1401加载并执行以实现下述图像处理的方法步骤:
获取目标图像;
调用图像识别模型,所述图像识别模型包括主干网络、与所述主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与所述池化模块和所述空洞卷积模块连接的融合模块,所述主干网络用于提取图像的特征图;
通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果;
基于所述模型识别结果,获取所述目标图像的语义分割标记图。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
通过所述融合模块,基于所述池化模块对应的第一权重和所述空洞卷积模块对应的第二权重,对所述第一结果和所述第二结果进行加权平均,输出所述目标图像的模型识别结果。
可选的,所述空洞卷积模块包括多个扩张率的空洞卷积分支。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
获取目标图像,对所述目标图像进行切分,得到多个预设像素尺寸的目标子图像。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
对于每个目标子图像,通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标子图像的模型识别结果。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
基于多个目标子图像的模型识别结果,获取多个目标子图像的语义分割子标记图;
将所述多个目标子图像的语义分割子标记图按照顺序进行拼接,得到所述目标图像的语义分割标记图。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
获取多个第一图像样本,所述第一图像样本包括与所述目标图像属于同一类型的图像和对应的语义分割标记图;
获取第一图像识别模型,所述第一图像识别模型包括预训练的主干网络、与所述预训练的主干网络连接且相互并行的初始池化模块和初始空洞卷积模块,以及,与所述初始池化模块和所述初始空洞卷积模块连接的初始融合模块;
基于所述多个第一图像样本对所述第一图像识别模型进行训练,得到所述图像识别模型。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
获取多个第二图像样本,所述第二图像样本包括多种类型的图像和对应的分类结果;
获取第二图像识别模型,所述第二图像识别模型包括初始的主干网络和分类模块;
基于所述多个第二图像样本对所述第二图像识别模型进行训练,得到训练后的第二图像识别模型;
删除所述训练后的第二图像识别模型的分类模块,得到所述预训练的主干网络。
可选的,所述至少一条指令由所述处理器1401加载并执行以实现下述方法步骤:
基于多个图形处理器对所述第一图像识别模型进行训练,每个图形处理器在同一时间并行处理预设数目个图像样本。
本发明实施例中,图像识别模块可以包含有并行的池化模块和空洞卷积模块,池化模块和空洞卷积模块可以分别得到目标图像的两个识别结果,将两个识别结果进行融合得到模型识别结果。这样的图像识别模型可以同时保留池化模块和空洞卷积模块的优势,既可以识别不同尺寸的癌症组织区域,又可以保证分割精度,使得服务器基于该图像识别模型对图像进行语义分割时,能够同时满足准确性以及分割精度的需求。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的可能的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种图像处理的方法,其特征在于,所述方法包括:
获取目标图像;
调用图像识别模型,所述图像识别模型包括主干网络、与所述主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与所述池化模块和所述空洞卷积模块连接的融合模块,所述主干网络用于提取图像的特征图;
通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果;
基于所述模型识别结果,获取所述目标图像的语义分割标记图。
2.根据权利要求1所述的方法,其特征在于,所述通过所述融合模块对所述第一结果和第二结果进行融合,输出所述目标图像的模型识别结果,包括:
通过所述融合模块,基于所述池化模块对应的第一权重和所述空洞卷积模块对应的第二权重,对所述第一结果和所述第二结果进行加权平均,输出所述目标图像的模型识别结果。
3.根据权利要求1所述的方法,其特征在于,所述空洞卷积模块包括多个扩张率的空洞卷积分支。
4.根据权利要求1所述的方法,其特征在于,所述获取目标图像,包括:
获取目标图像,对所述目标图像进行切分,得到多个预设像素尺寸的目标子图像。
5.根据权利要求4所述的方法,其特征在于,所述通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果,包括:
对于每个目标子图像,通过所述图像识别模型中的主干网络对所述目标子图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标子图像的模型识别结果。
6.根据权利要求5所述的方法,其特征在于,所述基于所述模型识别结果,获取所述目标图像的语义分割标记图,包括:
基于多个目标子图像的模型识别结果,获取多个目标子图像的语义分割子标记图;
将所述多个目标子图像的语义分割子标记图按照顺序进行拼接,得到所述目标图像的语义分割标记图。
7.根据权利要求1所述的方法,其特征在于,所述图像识别模型的训练方法包括:
获取多个第一图像样本,所述第一图像样本包括与所述目标图像属于同一类型的图像和对应的语义分割标记图;
获取第一图像识别模型,所述第一图像识别模型包括预训练的主干网络、与所述预训练的主干网络连接且相互并行的初始池化模块和初始空洞卷积模块,以及,与所述初始池化模块和所述初始空洞卷积模块连接的初始融合模块;
基于所述多个第一图像样本对所述第一图像识别模型进行训练,得到所述图像识别模型。
8.根据权利要求7所述的方法,其特征在于,所述主干网络的预训练方法包括:
获取多个第二图像样本,所述第二图像样本包括多种类型的图像和对应的分类结果;
获取第二图像识别模型,所述第二图像识别模型包括初始的主干网络和分类模块;
基于所述多个第二图像样本对所述第二图像识别模型进行训练,得到训练后的第二图像识别模型;
删除所述训练后的第二图像识别模型的分类模块,得到所述预训练的主干网络。
9.根据权利要求7所述的方法,其特征在于,所述图像识别模型的训练方法还包括:
基于多个图形处理器对所述第一图像识别模型进行训练,每个图形处理器在同一时间并行处理预设数目个图像样本。
10.一种图像处理的装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标图像;
调用模块,用于调用图像识别模型,所述图像识别模型包括主干网络、与所述主干网络连接且相互并行的池化模块和空洞卷积模块,以及,与所述池化模块和所述空洞卷积模块连接的融合模块,所述主干网络用于提取图像的特征图;
输出模块,用于通过所述图像识别模型中的主干网络对所述目标图像进行特征提取,并通过所述池化模块以及所述空洞卷积模块分别对所述主干网络输出的特征图进行处理,得到所述池化模块输出的第一结果和所述空洞卷积模块输出的第二结果,通过所述融合模块对所述第一结果和所述第二结果进行融合,输出所述目标图像的模型识别结果;
第二获取模块,用于基于所述模型识别结果,获取所述目标图像的语义分割标记图。
11.根据权利要求10所述的装置,其特征在于,所述空洞卷积模块包括多个扩张率的空洞卷积分支。
12.根据权利要求10所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取多个第一图像样本,所述第一图像样本包括与所述目标图像属于同一类型的图像和对应的语义分割标记图;
第四获取模块,用于获取第一图像识别模型,所述第一图像识别模型包括预训练的主干网络、与所述预训练的主干网络连接且相互并行的初始池化模块和初始空洞卷积模块,以及,与所述初始池化模块和所述初始空洞卷积模块连接的初始融合模块;
第一训练模块,用于基于所述多个第一图像样本对所述第一图像识别模型进行训练,得到所述图像识别模型。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:
第五获取模块,用于获取多个第二图像样本,所述第二图像样本包括多种类型的图像和对应的分类结果;
第六获取模块,用于获取第二图像识别模型,所述第二图像识别模型包括初始的主干网络和分类模块;
第二训练模块,用于基于所述多个第二图像样本对所述第二图像识别模型进行训练,得到训练后的第二图像识别模型;
删除模块,用于删除所述训练后的第二图像识别模型的分类模块,得到所述预训练的主干网络。
14.一种服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一所述的图像处理的方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一所述的图像处理的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474974.1A CN108734211B (zh) | 2018-05-17 | 2018-05-17 | 图像处理的方法和装置 |
PCT/CN2019/082718 WO2019218826A1 (zh) | 2018-05-17 | 2019-04-15 | 图像处理方法、装置、计算机设备及存储介质 |
EP19803474.6A EP3796222A4 (en) | 2018-05-17 | 2019-04-15 | IMAGE PROCESSING PROCESS AND DEVICE, COMPUTER APPARATUS AND INFORMATION MEDIA |
US16/989,474 US11373305B2 (en) | 2018-05-17 | 2020-08-10 | Image processing method and device, computer apparatus, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474974.1A CN108734211B (zh) | 2018-05-17 | 2018-05-17 | 图像处理的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734211A true CN108734211A (zh) | 2018-11-02 |
CN108734211B CN108734211B (zh) | 2019-12-24 |
Family
ID=63938568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810474974.1A Active CN108734211B (zh) | 2018-05-17 | 2018-05-17 | 图像处理的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11373305B2 (zh) |
EP (1) | EP3796222A4 (zh) |
CN (1) | CN108734211B (zh) |
WO (1) | WO2019218826A1 (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754016A (zh) * | 2019-01-04 | 2019-05-14 | 北京环境特性研究所 | 图片数据智能识别系统 |
CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技(上海)有限公司 | 一种基于视觉的工作区域边界的检测系统、方法及机器设备 |
CN109886928A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
CN109886159A (zh) * | 2019-01-30 | 2019-06-14 | 浙江工商大学 | 一种非限定条件下的人脸检测方法 |
CN109949313A (zh) * | 2019-05-17 | 2019-06-28 | 中科院—南京宽带无线移动通信研发中心 | 一种图像实时语义分割方法 |
CN110069997A (zh) * | 2019-03-22 | 2019-07-30 | 北京字节跳动网络技术有限公司 | 场景分类方法、装置及电子设备 |
CN110084270A (zh) * | 2019-03-22 | 2019-08-02 | 上海鹰瞳医疗科技有限公司 | 病理切片图像识别方法及设备 |
CN110110594A (zh) * | 2019-03-28 | 2019-08-09 | 广州广电运通金融电子股份有限公司 | 一种产品分布识别方法和装置 |
CN110111334A (zh) * | 2019-04-01 | 2019-08-09 | 浙江大华技术股份有限公司 | 一种裂缝分割方法、装置、电子设备及存储介质 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN110175613A (zh) * | 2019-06-03 | 2019-08-27 | 常熟理工学院 | 基于多尺度特征和编解码器模型的街景图像语义分割方法 |
CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
CN110210538A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种家居图像多目标识别方法及装置 |
CN110276248A (zh) * | 2019-05-10 | 2019-09-24 | 杭州电子科技大学 | 一种基于样本权值分配和深度学习的人脸表情识别方法 |
CN110348411A (zh) * | 2019-07-16 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置和设备 |
CN110415187A (zh) * | 2019-07-04 | 2019-11-05 | 深圳市华星光电技术有限公司 | 图像处理方法及图像处理系统 |
CN110427954A (zh) * | 2019-07-26 | 2019-11-08 | 中国科学院自动化研究所 | 基于肿瘤影像的多区域的影像组学特征提取方法 |
CN110443306A (zh) * | 2019-08-06 | 2019-11-12 | 深圳大学 | 葡萄酒木塞的分类方法 |
WO2019218826A1 (zh) * | 2018-05-17 | 2019-11-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN110599452A (zh) * | 2019-08-07 | 2019-12-20 | 全球能源互联网研究院有限公司 | 锈迹检测网络、方法、计算机设备及可读存储介质 |
CN110659726A (zh) * | 2019-09-24 | 2020-01-07 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111178290A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 一种签名验证方法和装置 |
CN111311600A (zh) * | 2020-01-16 | 2020-06-19 | 杭州德适生物科技有限公司 | 一种基于语义分割的染色体图像增强方法 |
CN111353498A (zh) * | 2018-12-21 | 2020-06-30 | 三星电子株式会社 | 用于通过语义分割提供主导场景分类的系统和方法 |
CN111401512A (zh) * | 2019-01-03 | 2020-07-10 | 三星电子株式会社 | 以可变的扩张率在神经网络中进行卷积的方法和系统 |
WO2020216008A1 (zh) * | 2019-04-25 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
CN111988609A (zh) * | 2019-05-22 | 2020-11-24 | 富士通株式会社 | 图像编码装置、概率模型生成装置和图像解码装置 |
CN112232165A (zh) * | 2020-10-10 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机及可读存储介质 |
CN112348121A (zh) * | 2020-12-01 | 2021-02-09 | 吉林大学 | 一种目标检测方法、设备及计算机存储介质 |
CN112487184A (zh) * | 2020-11-26 | 2021-03-12 | 北京智源人工智能研究院 | 用户性格判定方法、装置、存储器和电子设备 |
CN113052106A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 一种基于PSPNet网络的飞机起降跑道识别方法 |
CN113642518A (zh) * | 2021-08-31 | 2021-11-12 | 山东省计算中心(国家超级计算济南中心) | 基于迁移学习的her2病理图像细胞膜着色完整性判别方法 |
CN113762396A (zh) * | 2021-09-10 | 2021-12-07 | 西南科技大学 | 一种二维图像语义分割方法 |
CN113989871A (zh) * | 2021-07-28 | 2022-01-28 | 奥比中光科技集团股份有限公司 | 一种活体检测模型训练方法及活体检测方法 |
CN114612456A (zh) * | 2022-03-21 | 2022-06-10 | 北京科技大学 | 一种基于深度学习的钢坯自动语义分割识别方法 |
WO2022184154A1 (zh) * | 2021-03-05 | 2022-09-09 | 深圳英美达医疗技术有限公司 | 超声内镜小探头伸出长度的识别方法、系统及存储介质 |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3608701A1 (de) * | 2018-08-09 | 2020-02-12 | Olympus Soft Imaging Solutions GmbH | Verfahren zur bereitstellung wenigstens einer auswertemethode für proben |
CN109472199B (zh) * | 2018-09-29 | 2022-02-22 | 深圳大学 | 一种图像融合分类的方法及装置 |
CN111666960B (zh) * | 2019-03-06 | 2024-01-19 | 南京地平线机器人技术有限公司 | 图像识别方法、装置、电子设备及可读存储介质 |
CN111242071B (zh) * | 2020-01-17 | 2023-04-07 | 陕西师范大学 | 一种基于锚框的注意力遥感图像目标检测方法 |
CN111339918B (zh) * | 2020-02-24 | 2023-09-19 | 深圳市商汤科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
US11507831B2 (en) * | 2020-02-24 | 2022-11-22 | Stmicroelectronics International N.V. | Pooling unit for deep learning acceleration |
CN113361529B (zh) * | 2020-03-03 | 2024-05-10 | 北京四维图新科技股份有限公司 | 图像语义分割方法、装置、电子设备及存储介质 |
CN111476773A (zh) * | 2020-04-07 | 2020-07-31 | 重庆医科大学附属儿童医院 | 一种耳廓畸形分析识别方法、系统、介质和电子终端 |
CN111582107B (zh) * | 2020-04-28 | 2023-09-29 | 浙江大华技术股份有限公司 | 目标重识别模型的训练方法、识别方法、电子设备及装置 |
CN111783936B (zh) * | 2020-05-15 | 2024-05-07 | 北京迈格威科技有限公司 | 卷积神经网络构建方法、装置、设备及介质 |
CN113724181A (zh) * | 2020-05-21 | 2021-11-30 | 国网智能科技股份有限公司 | 一种输电线路螺栓语义分割方法及系统 |
CN111951221B (zh) * | 2020-07-13 | 2023-10-31 | 清影医疗科技(深圳)有限公司 | 一种基于深度神经网络的肾小球细胞图像识别方法 |
US20220061920A1 (en) * | 2020-08-25 | 2022-03-03 | Dyad Medical, Inc. | Systems and methods for measuring the apposition and coverage status of coronary stents |
CN112232368B (zh) * | 2020-09-10 | 2023-09-01 | 浙江大华技术股份有限公司 | 目标识别模型训练方法、目标识别方法及其相关装置 |
TWI800765B (zh) * | 2020-11-06 | 2023-05-01 | 瑞昱半導體股份有限公司 | 影像處理方法及影像處理系統 |
CN114494691A (zh) * | 2020-11-13 | 2022-05-13 | 瑞昱半导体股份有限公司 | 图像处理方法及图像处理系统 |
CN112464775A (zh) * | 2020-11-21 | 2021-03-09 | 西北工业大学 | 一种基于多分支网络的视频目标重识别方法 |
CN112465848A (zh) * | 2020-11-27 | 2021-03-09 | 深圳点猫科技有限公司 | 一种基于动态特征融合的语义边缘检测方法、装置及设备 |
CN112488126B (zh) * | 2020-11-30 | 2024-09-27 | 深圳市凌晨知识产权运营有限公司 | 特征图处理方法、装置、设备以及存储介质 |
CN112633242B (zh) * | 2020-12-31 | 2023-04-14 | 长光卫星技术股份有限公司 | 一种基于改进UNet网络的港口矿堆分割及储量计算方法 |
CN112734015B (zh) * | 2021-01-14 | 2023-04-07 | 北京市商汤科技开发有限公司 | 网络生成方法及装置、电子设备和存储介质 |
CN112801960B (zh) * | 2021-01-18 | 2024-04-09 | 杭州网易智企科技有限公司 | 图像处理方法及装置、存储介质、电子设备 |
CN112733802B (zh) * | 2021-01-25 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 图像的遮挡检测方法、装置、电子设备及存储介质 |
CN112802034B (zh) * | 2021-02-04 | 2024-04-12 | 精英数智科技股份有限公司 | 图像分割、识别方法、模型构建方法、装置及电子设备 |
CN112950653B (zh) * | 2021-02-26 | 2023-05-23 | 山东英信计算机技术有限公司 | 一种注意力图像分割方法、装置及介质 |
CN112949646B (zh) * | 2021-02-26 | 2023-12-19 | 平安科技(深圳)有限公司 | 电子显微断层数据的语义分割方法、装置、设备及介质 |
CN113288091B (zh) * | 2021-05-06 | 2023-10-03 | 广东工业大学 | 用于血压分类的模型训练方法、装置及可穿戴设备 |
CN113592766B (zh) * | 2021-05-21 | 2022-09-02 | 东南大学 | 一种基于深度序列信息融合的冠脉造影图像分割方法 |
CN113269130B (zh) * | 2021-06-11 | 2024-08-06 | 国电瑞源(西安)智能研究院有限公司 | 一种基于人工神经网络的视觉路径搜寻方法 |
CN113326887B (zh) * | 2021-06-16 | 2024-03-29 | 深圳思谋信息科技有限公司 | 文本检测方法、装置、计算机设备 |
CN113362227B (zh) * | 2021-06-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113609900B (zh) * | 2021-06-25 | 2023-09-12 | 南京信息工程大学 | 局部生成人脸定位方法、装置、计算机设备和存储介质 |
CN113689381B (zh) * | 2021-07-21 | 2024-02-27 | 航天晨光股份有限公司 | 波纹管内壁瑕疵检测模型及检测方法 |
CN113592864B (zh) * | 2021-09-28 | 2022-03-15 | 广东电网有限责任公司惠州供电局 | 基于卷积神经网络的变压器监控方法、装置、系统及介质 |
CN113920099B (zh) * | 2021-10-15 | 2022-08-30 | 深圳大学 | 一种基于非局部信息提取的息肉分割方法及相关组件 |
CN114463584B (zh) * | 2022-01-29 | 2023-03-24 | 北京百度网讯科技有限公司 | 图像处理、模型训练方法、装置、设备、存储介质及程序 |
CN114548403B (zh) * | 2022-02-22 | 2023-05-12 | 深圳市医未医疗科技有限公司 | 一种医学图像数据平台的数据处理方法与系统 |
CN114565766B (zh) * | 2022-03-01 | 2024-06-18 | 智道网联科技(北京)有限公司 | 基于BiSeNet V2的路面图像语义分割方法及装置 |
CN114677567B (zh) * | 2022-05-27 | 2022-10-14 | 成都数联云算科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
CN115331096B (zh) * | 2022-06-28 | 2023-04-21 | 中国自然资源航空物探遥感中心 | 一种采矿沉陷区域识别方法、系统、存储介质和电子设备 |
WO2024098379A1 (zh) * | 2022-11-11 | 2024-05-16 | 深圳先进技术研究院 | 一种基于扩张残差网络的全自动心脏磁共振成像分割方法 |
CN115546076B (zh) * | 2022-12-05 | 2023-04-07 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的遥感图像薄云去除方法 |
CN116051984B (zh) * | 2022-12-20 | 2023-07-04 | 中国科学院空天信息创新研究院 | 一种基于Transformer的弱小目标检测方法 |
CN117094966B (zh) * | 2023-08-21 | 2024-04-05 | 青岛美迪康数字工程有限公司 | 基于图像扩增的舌图像识别方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132514A1 (en) * | 2012-12-24 | 2017-05-11 | Google Inc. | System and method for parallelizing convolutional neural networks |
CN107527351A (zh) * | 2017-08-31 | 2017-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
US20180032865A1 (en) * | 2016-07-29 | 2018-02-01 | Denso Corporation | Prediction apparatus, prediction method, and prediction program |
CN107657257A (zh) * | 2017-08-14 | 2018-02-02 | 中国矿业大学 | 一种基于多通道卷积神经网络的语义图像分割方法 |
CN107748900A (zh) * | 2017-11-08 | 2018-03-02 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2249702A4 (en) * | 2008-03-04 | 2012-01-25 | Tomotherapy Inc | METHOD AND SYSTEM FOR ENHANCED IMAGE SEGMENTATION |
WO2016197303A1 (en) * | 2015-06-08 | 2016-12-15 | Microsoft Technology Licensing, Llc. | Image semantic segmentation |
US9773196B2 (en) * | 2016-01-25 | 2017-09-26 | Adobe Systems Incorporated | Utilizing deep learning for automatic digital image segmentation and stylization |
US9739783B1 (en) * | 2016-03-15 | 2017-08-22 | Anixa Diagnostics Corporation | Convolutional neural networks for cancer diagnosis |
US10846566B2 (en) * | 2016-09-14 | 2020-11-24 | Konica Minolta Laboratory U.S.A., Inc. | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks |
US11423548B2 (en) * | 2017-01-06 | 2022-08-23 | Board Of Regents, The University Of Texas System | Segmenting generic foreground objects in images and videos |
US9953236B1 (en) * | 2017-03-10 | 2018-04-24 | TuSimple | System and method for semantic segmentation using dense upsampling convolution (DUC) |
JP6914699B2 (ja) * | 2017-04-04 | 2021-08-04 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
CN107527069A (zh) * | 2017-08-22 | 2017-12-29 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
US10460440B2 (en) * | 2017-10-24 | 2019-10-29 | General Electric Company | Deep convolutional neural network with self-transfer learning |
CN107808389B (zh) * | 2017-10-24 | 2020-04-17 | 上海交通大学 | 基于深度学习的无监督视频分割方法 |
CN107767384B (zh) * | 2017-11-03 | 2021-12-03 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
US10521911B2 (en) * | 2017-12-05 | 2019-12-31 | Siemens Healtchare GmbH | Identification of defects in imaging scans |
CN108021923B (zh) * | 2017-12-07 | 2020-10-23 | 上海为森车载传感技术有限公司 | 一种用于深度神经网络的图像特征提取方法 |
KR102393948B1 (ko) * | 2017-12-11 | 2022-05-04 | 한국전자통신연구원 | 다채널 오디오 신호에서 음원을 추출하는 장치 및 그 방법 |
US11011275B2 (en) * | 2018-02-12 | 2021-05-18 | Ai.Skopy, Inc. | System and method for diagnosing gastrointestinal neoplasm |
CN108734211B (zh) * | 2018-05-17 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
KR20200066952A (ko) * | 2018-12-03 | 2020-06-11 | 삼성전자주식회사 | 확장 컨벌루션 연산을 수행하는 장치 및 방법 |
US11461998B2 (en) * | 2019-09-25 | 2022-10-04 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
US10867190B1 (en) * | 2019-11-27 | 2020-12-15 | Aimotive Kft. | Method and system for lane detection |
-
2018
- 2018-05-17 CN CN201810474974.1A patent/CN108734211B/zh active Active
-
2019
- 2019-04-15 WO PCT/CN2019/082718 patent/WO2019218826A1/zh active Application Filing
- 2019-04-15 EP EP19803474.6A patent/EP3796222A4/en active Pending
-
2020
- 2020-08-10 US US16/989,474 patent/US11373305B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170132514A1 (en) * | 2012-12-24 | 2017-05-11 | Google Inc. | System and method for parallelizing convolutional neural networks |
US20180032865A1 (en) * | 2016-07-29 | 2018-02-01 | Denso Corporation | Prediction apparatus, prediction method, and prediction program |
CN107657257A (zh) * | 2017-08-14 | 2018-02-02 | 中国矿业大学 | 一种基于多通道卷积神经网络的语义图像分割方法 |
CN107527351A (zh) * | 2017-08-31 | 2017-12-29 | 华南农业大学 | 一种融合fcn和阈值分割的哺乳母猪图像分割方法 |
CN107748900A (zh) * | 2017-11-08 | 2018-03-02 | 山东财经大学 | 基于区分性卷积神经网络的乳腺肿瘤分类方法和装置 |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11373305B2 (en) | 2018-05-17 | 2022-06-28 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
WO2019218826A1 (zh) * | 2018-05-17 | 2019-11-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技(上海)有限公司 | 一种基于视觉的工作区域边界的检测系统、方法及机器设备 |
CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
CN109784194B (zh) * | 2018-12-20 | 2021-11-23 | 北京图森智途科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
CN111353498A (zh) * | 2018-12-21 | 2020-06-30 | 三星电子株式会社 | 用于通过语义分割提供主导场景分类的系统和方法 |
CN111401512B (zh) * | 2019-01-03 | 2024-06-04 | 三星电子株式会社 | 以可变的扩张率在神经网络中进行卷积的方法和系统 |
CN111401512A (zh) * | 2019-01-03 | 2020-07-10 | 三星电子株式会社 | 以可变的扩张率在神经网络中进行卷积的方法和系统 |
CN109754016A (zh) * | 2019-01-04 | 2019-05-14 | 北京环境特性研究所 | 图片数据智能识别系统 |
CN109886928A (zh) * | 2019-01-24 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
CN109886928B (zh) * | 2019-01-24 | 2023-07-14 | 平安科技(深圳)有限公司 | 一种目标细胞标记方法、装置、存储介质及终端设备 |
CN109886159A (zh) * | 2019-01-30 | 2019-06-14 | 浙江工商大学 | 一种非限定条件下的人脸检测方法 |
CN110069997A (zh) * | 2019-03-22 | 2019-07-30 | 北京字节跳动网络技术有限公司 | 场景分类方法、装置及电子设备 |
CN110084270A (zh) * | 2019-03-22 | 2019-08-02 | 上海鹰瞳医疗科技有限公司 | 病理切片图像识别方法及设备 |
CN110110594B (zh) * | 2019-03-28 | 2021-06-22 | 广州广电运通金融电子股份有限公司 | 一种产品分布识别方法和装置 |
CN110110594A (zh) * | 2019-03-28 | 2019-08-09 | 广州广电运通金融电子股份有限公司 | 一种产品分布识别方法和装置 |
CN110111334B (zh) * | 2019-04-01 | 2022-03-08 | 浙江大华技术股份有限公司 | 一种裂缝分割方法、装置、电子设备及存储介质 |
CN110111334A (zh) * | 2019-04-01 | 2019-08-09 | 浙江大华技术股份有限公司 | 一种裂缝分割方法、装置、电子设备及存储介质 |
WO2020216008A1 (zh) * | 2019-04-25 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质及设备 |
CN110197130A (zh) * | 2019-05-09 | 2019-09-03 | 广州番禺职业技术学院 | 一种生猪步态异常检测设备及系统 |
CN110276248A (zh) * | 2019-05-10 | 2019-09-24 | 杭州电子科技大学 | 一种基于样本权值分配和深度学习的人脸表情识别方法 |
CN110276248B (zh) * | 2019-05-10 | 2021-03-23 | 杭州电子科技大学 | 一种基于样本权值分配和深度学习的人脸表情识别方法 |
CN110119710A (zh) * | 2019-05-13 | 2019-08-13 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
CN109949313A (zh) * | 2019-05-17 | 2019-06-28 | 中科院—南京宽带无线移动通信研发中心 | 一种图像实时语义分割方法 |
CN110210538A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种家居图像多目标识别方法及装置 |
CN111988609A (zh) * | 2019-05-22 | 2020-11-24 | 富士通株式会社 | 图像编码装置、概率模型生成装置和图像解码装置 |
CN110175613A (zh) * | 2019-06-03 | 2019-08-27 | 常熟理工学院 | 基于多尺度特征和编解码器模型的街景图像语义分割方法 |
CN110175613B (zh) * | 2019-06-03 | 2021-08-10 | 常熟理工学院 | 基于多尺度特征和编解码器模型的街景图像语义分割方法 |
CN110415187A (zh) * | 2019-07-04 | 2019-11-05 | 深圳市华星光电技术有限公司 | 图像处理方法及图像处理系统 |
CN110415187B (zh) * | 2019-07-04 | 2021-07-23 | Tcl华星光电技术有限公司 | 图像处理方法及图像处理系统 |
CN110348411B (zh) * | 2019-07-16 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置和设备 |
CN110348411A (zh) * | 2019-07-16 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置和设备 |
CN110427954A (zh) * | 2019-07-26 | 2019-11-08 | 中国科学院自动化研究所 | 基于肿瘤影像的多区域的影像组学特征提取方法 |
CN110443306A (zh) * | 2019-08-06 | 2019-11-12 | 深圳大学 | 葡萄酒木塞的分类方法 |
CN110599452A (zh) * | 2019-08-07 | 2019-12-20 | 全球能源互联网研究院有限公司 | 锈迹检测网络、方法、计算机设备及可读存储介质 |
CN110599452B (zh) * | 2019-08-07 | 2022-02-22 | 全球能源互联网研究院有限公司 | 锈迹检测系统、方法、计算机设备及可读存储介质 |
CN110659726A (zh) * | 2019-09-24 | 2020-01-07 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN111178290A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 一种签名验证方法和装置 |
CN111311600A (zh) * | 2020-01-16 | 2020-06-19 | 杭州德适生物科技有限公司 | 一种基于语义分割的染色体图像增强方法 |
CN112232165A (zh) * | 2020-10-10 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机及可读存储介质 |
CN112232165B (zh) * | 2020-10-10 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机及可读存储介质 |
CN112487184A (zh) * | 2020-11-26 | 2021-03-12 | 北京智源人工智能研究院 | 用户性格判定方法、装置、存储器和电子设备 |
CN112348121B (zh) * | 2020-12-01 | 2022-06-28 | 吉林大学 | 一种目标检测方法、设备及计算机存储介质 |
CN112348121A (zh) * | 2020-12-01 | 2021-02-09 | 吉林大学 | 一种目标检测方法、设备及计算机存储介质 |
WO2022184154A1 (zh) * | 2021-03-05 | 2022-09-09 | 深圳英美达医疗技术有限公司 | 超声内镜小探头伸出长度的识别方法、系统及存储介质 |
CN113052106A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 一种基于PSPNet网络的飞机起降跑道识别方法 |
CN113989871A (zh) * | 2021-07-28 | 2022-01-28 | 奥比中光科技集团股份有限公司 | 一种活体检测模型训练方法及活体检测方法 |
CN113642518A (zh) * | 2021-08-31 | 2021-11-12 | 山东省计算中心(国家超级计算济南中心) | 基于迁移学习的her2病理图像细胞膜着色完整性判别方法 |
CN113642518B (zh) * | 2021-08-31 | 2023-08-22 | 山东省计算中心(国家超级计算济南中心) | 基于迁移学习的her2病理图像细胞膜着色完整性判别方法 |
CN113762396A (zh) * | 2021-09-10 | 2021-12-07 | 西南科技大学 | 一种二维图像语义分割方法 |
CN114612456A (zh) * | 2022-03-21 | 2022-06-10 | 北京科技大学 | 一种基于深度学习的钢坯自动语义分割识别方法 |
CN114612456B (zh) * | 2022-03-21 | 2023-01-10 | 北京科技大学 | 一种基于深度学习的钢坯自动语义分割识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019218826A1 (zh) | 2019-11-21 |
EP3796222A4 (en) | 2021-10-27 |
EP3796222A1 (en) | 2021-03-24 |
CN108734211B (zh) | 2019-12-24 |
US11373305B2 (en) | 2022-06-28 |
US20200372648A1 (en) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734211A (zh) | 图像处理的方法和装置 | |
Gupta et al. | Deep learning in image cytometry: a review | |
CN110674756B (zh) | 人体属性识别模型训练方法、人体属性识别方法及装置 | |
CN108629772B (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
CN109389129A (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN111126481A (zh) | 一种神经网络模型的训练方法及装置 | |
CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
CN112102230B (zh) | 超声切面识别方法、系统、计算机设备和存储介质 | |
CN106682127A (zh) | 图像搜索系统及方法 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
US20230298314A1 (en) | Image clustering method and apparatus, computer device, and storage medium | |
CN115908363B (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
CN113096080B (zh) | 图像分析方法及系统 | |
CN116453114B (zh) | 一种基于深度学习的病理图像分析方法、设备及系统 | |
Mercan et al. | Deep feature representations for variable-sized regions of interest in breast histopathology | |
Peng et al. | Fully convolutional neural networks for tissue histopathology image classification and segmentation | |
Marini et al. | Semi-supervised learning with a teacher-student paradigm for histopathology classification: a resource to face data heterogeneity and lack of local annotations | |
CN116797830A (zh) | 一种基于YOLOv7的图像风险分类方法及装置 | |
CN114387489A (zh) | 电力设备识别方法、装置和终端设备 | |
CN116797613B (zh) | 多模态细胞分割、模型训练方法、装置、设备、存储介质 | |
CN113313079B (zh) | 一种车辆属性识别模型的训练方法、系统及相关设备 | |
CN116150617B (zh) | 一种肿瘤浸润淋巴细胞识别方法和系统 | |
US20240144633A1 (en) | Image recognition method, electronic device and storage medium | |
Martinez Garcia | Applying deep learning/GANs to histology image for data augmentation: a general study | |
CN118135312A (zh) | 确定培养类器官过程中的操作节点的方法、电子设备、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230710 Address after: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
TR01 | Transfer of patent right |