CN109035184A - 一种基于单位可变形卷积的密集连接方法 - Google Patents

一种基于单位可变形卷积的密集连接方法 Download PDF

Info

Publication number
CN109035184A
CN109035184A CN201810586339.2A CN201810586339A CN109035184A CN 109035184 A CN109035184 A CN 109035184A CN 201810586339 A CN201810586339 A CN 201810586339A CN 109035184 A CN109035184 A CN 109035184A
Authority
CN
China
Prior art keywords
layer
shallow
characteristic pattern
feature
unit
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
CN201810586339.2A
Other languages
English (en)
Inventor
赵天云
刘雪婷
郭雷
吕思稼
刘琦
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810586339.2A priority Critical patent/CN109035184A/zh
Publication of CN109035184A publication Critical patent/CN109035184A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于单位可变形卷积的密集连接方法，通过单位可变形卷积操作对浅层特征进行信息增强，随后将其与跨层的深层特征图进行通道维度上的拼接，进而可以充分合理地利用浅层特征图的细节特征对深层特征图进行信息补充。首先通过多次传统卷积操作、非线性变换以及特征归一化等一系操作对浅层特征进行特征提取；其次对上述浅层信息进行信息增强和尺寸调整，即对浅层特征图进行单位可变形卷积和池化等操作；最后通过跳跃连接的方式将上述两步的结果进行通道维度上的拼接，最终得到一个具有丰富语义的特征层。本发明通过信息增强操作充分地、合理地利用了浅层信息，可以用于提升多种目标检测网络的检测精度。

Description

一种基于单位可变形卷积的密集连接方法
技术领域
本发明属于数字图像处理方法，涉及一种基于单位可变形卷积的密集连接方法，即基于单位可变形卷积的密集连接方法。该方法避免了传统密集连接在拼接卷积网络中靠前的浅层特征图和跨层(跨越多层卷积层)的深层特征图时因这两层所描述特征类型的差异而对深层特征带来的信息干扰的问题，充分合理地利用浅层特征图的细节特征对深层特征图进行信息补充，因此可用于提升多种目标检测算法的检测精度。
背景技术
随着深度学习和计算设备性能的不断发展，卷积神将网络(CNNs)已经被大量的用于计算机视觉任务，如目标分类、目标分割以及目标检测等。近几年涌现出大量基于卷积神经网络的目标检测算法，可以将其分为两类：(1)使用预训练网络(如AlexNet、VGGNet_CNN_M_1024以及VGGNet16等)的检测算法：如Ross Girshick等人提出的基于候选区域的目标检测算法(R-CNN、Fast R-CNN及Faster R-CNN等)，又如基于端到端的卷积神经网络目标检测算法(YOLO，SSD等)；(2)从零开始不需要预训练模型的算法(DSOD)。这些方法及模型的出现，很大程度上提升了目标检测的精度和速度，使得基于神经网络的目标检测成为了今天的主流研究方向。
近几年涌现出大量为了提高卷积神经网络目标检测精度的方法，其中具代表性的算法主要有两种：(1)通过增加网络结构的深度来提升检测精度；(2)通过对上下文信息的合理利用提升检测精度。2017年Huang等人提出DenseNet巧妙地结合了上述两类方法，是一种基于密集连接块的卷积神经网络。在该网络的密集连接块中，任何两层之间都有直接的连接，换言之，该密集连接块中的每一层的输入都是前面所有层输出的并集，而该层所学习的特征图也会被作为输入直接传给其后面所有层。卷积网络使用密集连接的方式，可以减少网络参数，解决因网络加深而产生的梯度消失问题，增强特征信息的传播，增加不相邻卷积层特征图之间的关联。这种连接思路被很多新兴算法采用，并对其进行了一定的改动，如DSOD中利用这种连接思路设计出一种密集连接块，并将其应用到特征提取和多分支预测两大部分。DSOD的密集连接方式与DenseNet略有不同，主要体现为以下两点：(1)DSOD没有将密集连接块中靠前的浅层特征图与后续每一层相连而是有选择的将某两层通过跳跃连接组成一个密集连接块；(2)DSOD的密集连接块在跳跃连接时，用传统卷积操作(1×1)改变了浅层特征图的通道数。虽然DSOD的密集连接块与DenseNet的密集连接块略有不同但两者本质相同，即没有对浅层特征图的特征进行信息增强。因此本文将上述两种密集连接方式统称为传统的密集连接方式。
上述的传统密集连接方式均未对靠前的浅层特征进行信息增强处理，而是简单地将其与跨层的深层进行特征拼合很可能因两层所描述特征类型的差异而造成浅层特征的不合理利用，既干扰了深层特征的准确表述，同时还增加算法的计算量。因此，简单利用该类密集连接方法不但不能提高目标检测精度，反而会造成检测精度的下降。如何设计一个可以充分地、合理地利用浅层特征的密集连接方法是一个有待解决的问题。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于单位可变形卷积的密集连接方法，针对传统密集连接在拼接卷积网络中靠前的浅层特征图和跨层的深层特征图时,可能因两层所描述特征类型存在差异而给深层特征带来信息干扰的问题。
本发明提出一种基于单位可变形卷积的密集连接方法。使用单位可变形卷积对卷积网络中靠前的浅层特征进行信息增强，然后以跳跃连接的方式传递给跨层的深层并进行特征通道上的拼接，是一种新的密集连接方法。实验证明，该方法能够提升多种基于卷积神经网络的目标检测算法的检测精度。
技术方案
一种基于单位可变形卷积的密集连接方法，其特征在于步骤如下：
步骤1：对卷积网络中靠前的浅层特征图Layer1进行特征提取，得到跨层的深层特征图Layer2_1；
步骤2：对卷积网络中靠前的浅层特征图Layer1进行信息增强和尺寸调整：
采用单位可变形卷积操作对浅层特征进行增强，使得增强后的特征图Layer2_2与特征图Layer2_1的通道维度相同；
对浅层特征图Layer1进行单位可变形卷积操作：
input(a′)＝input(a+δ) (1)
G(p,q)＝g(px,qx)×g(py,qy) (3)
g(px,qx)＝max(0,1-|px-qx|) (4)
其中：input(a)表示被卷积特征图上像素点a处的特征值，δ表示单位偏移量，a′为a偏移后的点；
由于a′的位置值通常包含小数，为得到该点特征值，采用双线性插值的方式，采用公式3～5；G(a′,a′θ)代表偏移后的点a′与该点周围的点a′θ间的距离，其中p、q为距离公式G(·)的两个二维变量，包含x,y两个维度的分量qx px qy py；
然后对被卷积的特征图进行可学习的重新整合，得到全新的图input′(·)；进一步对新的特征图进行传统3×3的卷积操作，采用公式5，output′(a)表示a点经过单位可变形卷积操作后的特征值；
对增强后的特征图Layer2_2进行最大池化操作得到尺寸调整后的特征图Layer2_2；
步骤3：利用Concat连接的方式将经步骤1特征提取得到的深层特征图Layer2_1与经步骤2信息增强和尺寸调整得到的特征图Layer2_2进行密集连接。
所述步骤1的特征提取采用：多次传统卷积操作Conv、最大池化操作MaxPool、特征归一化操作Batchnorm以及非线性激活操作ReLU。
所述步骤2的δ的模值限制在[0,1]内。
有益效果
本发明提出的一种基于单位可变形卷积的密集连接方法，针对传统密集连接在拼接卷积网络中靠前的浅层和跨层(跨越多层卷积层)的深层时,可能因两层所描述特征类型存在差异而给深层特征图带来信息干扰的问题，本发明通过单位可变形卷积操作对浅层特征进行信息增强，随后将其与跨层的深层特征图进行通道维度上的拼接，避免两层所描述特征类型存在太大差异，进而可以充分合理地利用浅层特征图的细节特征对深层特征图进行信息补充。首先通过多次传统卷积操作、非线性变换以及特征归一化等一系操作对浅层特征进行特征提取；其次对上述浅层信息进行信息增强和尺寸调整，即对浅层特征图进行单位可变形卷积和池化等操作；最后通过跳跃连接的方式将上述两步的结果进行通道维度上的拼接，最终得到一个具有丰富语义的特征层。本发明提出的基于单位可变形卷积的密集连接方法通过信息增强操作充分地、合理地利用了浅层信息，可以用于提升多种目标检测网络的检测精度。
该方法的优点在于：对卷积网络中靠前的浅层特征进行了信息增强，避免了多次直接使用浅层特征给跨层(跨越多层卷积层)的深层特征带来信息干扰，进而提升检测网络的检测精度。首先对卷积网络中靠前的浅层特征图进行特征提取，得到相应的深层；其次利用单位可变形卷积操作和最大池化操作对上述浅层特征图进行信息增强和尺寸调整；最后以跳跃连接的方式将信息增强后的浅层特征传递给上述深层，并利用Concat连接方式将其进行通道维度上的拼接，得到一个具有丰富语义特征的特征层。该方法可以应用于多种目标检测网络，并可以有效地提升其检测精度。
附图说明
图1：本发明方法流程图
图2：基于本发明的两种检测网络的示意图
a)基于单位可变形卷积密集连接的DD-DSOD算法示意图；
b)基于单位可变形卷积密集连接的DD-SSD算法示意图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
用于实施的硬件环境是：Intel(R)Xeon(R)CPU E5-2620v3，64G内存，2.40GHz，两块11G的1080Ti GPU，运行的软件环境是：Linux操作系统。我们用C++以及CUDA语言编程实现了本发明提出的模型。下面将本发明提出基于单位可变形卷积的密集连接分别应用于零预训练模型的DSOD算法和基于预训练模型的SSD算法的多分支预测模块(如图2所示)，采用VOC PASCAL 2007、2012的训练数据集对网络进行训练，VOC PASCAL 2007测试数据集对训练后的网络进行测试。
本发明具体实施如下：
步骤1对卷积网络中靠前的浅层特征图(Layer1)进行特征提取：利用多次传统卷积操作(conv)、池化操作(pool)、特征归一化操作(batchnorm)以及非线性激活操作(relu)等对卷积网络中靠前的浅层特征图(Layer1)进行特征提取，得到跨层(跨越多层卷积层)的深层特征图(Layer2_1)。由于本说明旨在提出一种新的密集连接模型，而此模型将应用于多种检测网络，因此在不同的应用中需要根据原先检测网络的结构进行相应的调整。本说明将基于单位可变形卷积的密集连接模型应用于DSOD算法和SSD算法的多分支预测结构中，因此该步骤的实现须与原算法的预测结构相同，在此不再赘述。通过上述操作得到深层(Layer2_1)。
步骤2对卷积网络中靠前的浅层特征图(Layer1)进行信息增强和尺寸调整：利用单位可变形卷积操作对浅层进行信息增强，为了使该步骤得到的特征图(Layer2_2)和步骤一得到的特征图(Layer2_1)在后续操作中发挥等价的作用，令该步骤的卷积核的个数与步骤一中最后一次卷积操作的卷积核的个数相同，即使的上述两个特征图的通道维度相同；利用池化操作使该步骤最终所得到的特征图(Layer2_2)的尺寸与步骤1所得的深层特征图(Layer2_1)的尺寸相同。具体如下：
(a)传统的卷积操作是通过固定形状的卷积核与其滑动过程中相对应的特征图上的特征值进行卷积实现的，如公式(7)所示。其中input(·)表示被卷积的图上某像素点处的值，aθ表示像素点a以及其周围的其它八个像素点(为了更直观地说明传统卷积操作的特征，本说明采用3×3的卷积操作进行介绍)，w(·)为卷积核参数，output(a)表示像素点a处经过传统卷积之后值。
这种操作简单直观，却同时造成了传统卷积就图像微小变形的鲁棒性较低问题，且其应用于跳跃连接的密集连接模型中时对浅层信息的增强程度微乎其微(3×3卷积操作用相邻的9个点共同描述中心点；单位卷积操作时没有信息增强)。本说明将采用一种可变形的卷积操作对浅层特征进行增强。此处所言的单位可变形卷积，并非改变卷积核的形状或尺寸，而是通过引入特征点位置的单位偏移思想，如公式(8)所示，其中δ表示可以通过深度学习进行优化的偏移值，权衡计算复杂度和对浅层信息增强的程度，本说明将δ的模值限制在[0,1]内，即δ表示单位偏移量)，a′为a点偏移后的点。由于a′的位置通常是包含小数的，为了得到偏移之后点a′的像素值(特征值)，采用双线性插值的方式计算偏移后的点的特征值，如公式(9)，
input(a′)＝input(a+δ) (8)
G(p,q)＝g(px,qx)×g(py,qy) (10)
g(px,qx)＝max(0,1-|px-qx|) (11)
其中G(a′,a′θ)代表偏移后的点a′与该点周围的点a′θ间的距离，具体计算方式如公式(10)(11)，其中p、q为距离公式G(·)的两个二维变量(包含x,y两个维度的分量qx pxqy py)。通过上述方式对被卷积的特征图进行可学习的重新整合，得到全新的图input′(·)。进一步对新的特征图进行传统3×3的卷积操作，如公式(12)，output′(a)表示a点经过单位可变形卷积操作后的特征值。
将单位可变形卷积操作应用于跳跃连接的密集连接模型中，通过对浅层特征进行丰富的、可学习的信息增强(3×3单位可变形卷积操作用相邻的25(5×5)个点共同描述中心点)避免了因多次简单使用浅层特征而给深层特征图带来信息干扰，从而可以充分地、合理地利用浅层特征图的信息。
(b)对上述特征图进行最大池化操作。该操作的目的是调整该分支特征图的尺寸使其与步骤1所得到的特征图的尺寸相同，便于步骤3的进一步操作。因此该步骤的池化参数需要根据步骤1所得的特征图尺寸作出相应调整。针对DSOD算法，该步骤需要将特征图的尺寸减小为原先的1/16，即需要进行两次步长参数为2的最大池化操作；针对SSD算法，该步骤需要将特征图的尺寸减小为原先的1/4，即需要进行一次步长参数为2的最大池化操作。
步骤3利用Concat连接的方式将经特征提取得到的深层特征图(Layer2_1)与经信息增强得到的特征图(Layer2_2)进行密集连接。这种拼接方式得到的特征图(Layer2)既包含了经过多次传统卷积操作后具有丰富语义特征的深层特征，又包含了经过信息增强后的浅层细节特征，即充分合理地利用了上下文信息。以常用的平均检测精度(mAP)评估上述两个基于本说明的检测算法的检测效果，实验结果如表1、表2所示，其中TD-DSOD、DD-DSOD分别表示添加了传统密集连接的DSOD和添加了基于单位可变形卷积的密集连接的DSOD，DD-SSD表示添加了基于单位可变形卷积密集连接的SSD。实验结果直观的表明本发明提出的模型可以有效的提升多种检测网络(基于零预训练网络的模型、基于预训练网络的模型)的检测精度。
表1.基于本说明提出的模型的DSOD算法结果对比
表2.基于本说明提出的模型的SSD算法结果对比

Claims (3)

1.一种基于单位可变形卷积的密集连接方法，其特征在于步骤如下：
步骤1：对卷积网络中靠前的浅层特征图Layer1进行特征提取，得到跨层的深层特征图Layer2_1；
步骤2：对卷积网络中靠前的浅层特征图Layer1进行信息增强和尺寸调整：
采用单位可变形卷积操作对浅层特征进行增强，使得增强后的特征图Layer2_2与特征图Layer2_1的通道维度相同；
对浅层特征图Layer1进行单位可变形卷积操作：
input(a′)＝input(a+δ) (1)
G(p,q)＝g(px,qx)×g(py,qy) (3)
g(px,qx)＝max(0,1-|px-qx|) (4)
其中：input(a)表示被卷积特征图上像素点a处的特征值，δ表示单位偏移量，a′为a偏移后的点；
由于a′的位置值通常包含小数，为得到该点特征值，采用双线性插值的方式，采用公式3～5；G(a′,a′θ)代表偏移后的点a′与该点周围的点a′θ间的距离，其中p、q为距离公式G(·)的两个二维变量，包含x,y两个维度的分量qx px qy py；
然后对被卷积的特征图进行可学习的重新整合，得到全新的图input′(·)；进一步对新的特征图进行传统3×3的卷积操作，采用公式5，output′(a)表示a点经过单位可变形卷积操作后的特征值；
对增强后的特征图Layer2_2进行最大池化操作得到尺寸调整后的特征图Layer2_2；
步骤3：利用Concat连接的方式将经步骤1特征提取得到的深层特征图Layer2_1与经步骤2信息增强和尺寸调整得到的特征图Layer2_2进行密集连接。
2.根据权利要求1所述基于单位可变形卷积的密集连接方法，其特征在于：所述步骤1的特征提取采用：多次传统卷积操作Conv、最大池化操作MaxPool、特征归一化操作Batchnorm以及非线性激活操作ReLU。
3.根据权利要求1所述基于单位可变形卷积的密集连接方法，其特征在于：所述步骤2的δ的模值限制在[0,1]内。
CN201810586339.2A 2018-06-08 2018-06-08 一种基于单位可变形卷积的密集连接方法 Pending CN109035184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810586339.2A CN109035184A (zh) 2018-06-08 2018-06-08 一种基于单位可变形卷积的密集连接方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810586339.2A CN109035184A (zh) 2018-06-08 2018-06-08 一种基于单位可变形卷积的密集连接方法

Publications (1)

Publication Number Publication Date
CN109035184A true CN109035184A (zh) 2018-12-18

Family

ID=64612376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810586339.2A Pending CN109035184A (zh) 2018-06-08 2018-06-08 一种基于单位可变形卷积的密集连接方法

Country Status (1)

Country Link
CN (1) CN109035184A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685813A (zh) * 2018-12-27 2019-04-26 江西理工大学 一种自适应尺度信息的u型视网膜血管分割方法
CN109726657A (zh) * 2018-12-21 2019-05-07 万达信息股份有限公司 一种深度学习场景文本序列识别方法
CN109784476A (zh) * 2019-01-12 2019-05-21 福州大学 一种改进dsod网络的方法
CN109978014A (zh) * 2019-03-06 2019-07-05 华南理工大学 一种融合密集连接结构的柔性基板缺陷检测方法
CN110348543A (zh) * 2019-06-10 2019-10-18 腾讯医疗健康(深圳)有限公司 眼底图像识别方法、装置、计算机设备及存储介质
CN110992642A (zh) * 2019-12-25 2020-04-10 辽宁石油化工大学 一种基于深度学习的火灾检测方法
CN111402269A (zh) * 2020-03-17 2020-07-10 东北大学 一种基于改进的FC-DenseNets的椎管分割方法
CN111967401A (zh) * 2020-08-19 2020-11-20 上海眼控科技股份有限公司 目标检测方法、设备及存储介质
CN112614091A (zh) * 2020-12-10 2021-04-06 清华大学 一种针对先心病的超声多切面数据检测方法
CN112989898A (zh) * 2019-12-18 2021-06-18 中国船舶重工集团公司第七一一研究所 图像处理方法、系统、计算机设备、可读存储介质与船舶
CN113076909A (zh) * 2021-04-16 2021-07-06 重庆大学附属肿瘤医院 一种细胞自动检测方法
CN110163193B (zh) * 2019-03-25 2021-08-06 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156793A (zh) * 2016-06-27 2016-11-23 西北工业大学 结合深层特征提取和浅层特征提取的医学图像分类方法
CN106991646A (zh) * 2017-03-28 2017-07-28 福建帝视信息科技有限公司 一种基于密集连接网络的图像超分辨率方法
CN107844743A (zh) * 2017-09-28 2018-03-27 浙江工商大学 一种基于多尺度分层残差网络的图像多字幕自动生成方法
CN108009481A (zh) * 2017-11-22 2018-05-08 浙江大华技术股份有限公司 一种cnn模型的训练方法及装置、人脸识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156793A (zh) * 2016-06-27 2016-11-23 西北工业大学 结合深层特征提取和浅层特征提取的医学图像分类方法
CN106991646A (zh) * 2017-03-28 2017-07-28 福建帝视信息科技有限公司 一种基于密集连接网络的图像超分辨率方法
CN107844743A (zh) * 2017-09-28 2018-03-27 浙江工商大学 一种基于多尺度分层残差网络的图像多字幕自动生成方法
CN108009481A (zh) * 2017-11-22 2018-05-08 浙江大华技术股份有限公司 一种cnn模型的训练方法及装置、人脸识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIFENG DAI等: "Deformable Convolutional Networks", 《HTTP：ARXIV.ORG》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726657A (zh) * 2018-12-21 2019-05-07 万达信息股份有限公司 一种深度学习场景文本序列识别方法
CN109726657B (zh) * 2018-12-21 2023-06-09 万达信息股份有限公司 一种深度学习场景文本序列识别方法
CN109685813A (zh) * 2018-12-27 2019-04-26 江西理工大学 一种自适应尺度信息的u型视网膜血管分割方法
CN109685813B (zh) * 2018-12-27 2020-10-13 江西理工大学 一种自适应尺度信息的u型视网膜血管分割方法
CN109784476A (zh) * 2019-01-12 2019-05-21 福州大学 一种改进dsod网络的方法
CN109784476B (zh) * 2019-01-12 2022-08-16 福州大学 一种改进dsod网络的方法
CN109978014A (zh) * 2019-03-06 2019-07-05 华南理工大学 一种融合密集连接结构的柔性基板缺陷检测方法
CN110163193B (zh) * 2019-03-25 2021-08-06 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备
CN110348543A (zh) * 2019-06-10 2019-10-18 腾讯医疗健康(深圳)有限公司 眼底图像识别方法、装置、计算机设备及存储介质
CN110348543B (zh) * 2019-06-10 2023-01-06 腾讯医疗健康(深圳)有限公司 眼底图像识别方法、装置、计算机设备及存储介质
CN112989898A (zh) * 2019-12-18 2021-06-18 中国船舶重工集团公司第七一一研究所 图像处理方法、系统、计算机设备、可读存储介质与船舶
CN110992642A (zh) * 2019-12-25 2020-04-10 辽宁石油化工大学 一种基于深度学习的火灾检测方法
CN111402269A (zh) * 2020-03-17 2020-07-10 东北大学 一种基于改进的FC-DenseNets的椎管分割方法
CN111967401A (zh) * 2020-08-19 2020-11-20 上海眼控科技股份有限公司 目标检测方法、设备及存储介质
CN112614091A (zh) * 2020-12-10 2021-04-06 清华大学 一种针对先心病的超声多切面数据检测方法
CN113076909A (zh) * 2021-04-16 2021-07-06 重庆大学附属肿瘤医院 一种细胞自动检测方法
CN113076909B (zh) * 2021-04-16 2022-10-25 重庆大学附属肿瘤医院 一种细胞自动检测方法

Similar Documents

Publication Publication Date Title
CN109035184A (zh) 一种基于单位可变形卷积的密集连接方法
Liu et al. Dense dilated convolutions’ merging network for land cover classification
Hu et al. Automated building extraction using satellite remote sensing imagery
US20220277572A1 (en) Artificial intelligence-based image processing method, apparatus, device, and storage medium
CN110059740A (zh) 一种针对嵌入式移动端的深度学习语义分割模型压缩方法
Zhang et al. PortraitNet: Real-time portrait segmentation network for mobile device
CN111783767B (zh) 文字识别方法、装置、电子设备及存储介质
Kim et al. MTS-CNN: Multi-task semantic segmentation-convolutional neural network for detecting crops and weeds
CN110569738A (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN109948575B (zh) 超声图像中眼球区域分割方法
Guo et al. BSCN: bidirectional symmetric cascade network for retinal vessel segmentation
Yang et al. Automatic polyp detection and segmentation using shuffle efficient channel attention network
CN115082293A (zh) 一种基于Swin Transformer和CNN双分支耦合的图像配准方法
CN112149665A (zh) 一种基于深度学习的高性能多尺度目标检测方法
Liu et al. Refinedbox: Refining for fewer and high-quality object proposals
Deb et al. LS-Net: A convolutional neural network for leaf segmentation of rosette plants
Dai et al. DFN-PSAN: Multi-level deep information feature fusion extraction network for interpretable plant disease classification
Zhou et al. An underwater target recognition method based on improved YOLOv4 in complex marine environment
Lin et al. CSwinDoubleU-Net: A double U-shaped network combined with convolution and Swin Transformer for colorectal polyp segmentation
Luo et al. SiamSMDFFF: Siamese network tracker based on shallow-middle-deep three-level feature fusion and clustering-based adaptive rectangular window filtering
CN108053425A (zh) 一种基于多通道特征的高速相关滤波目标跟踪方法
Mochurad et al. Classification of X-Ray Images of the Chest Using Convolutional Neural Networks.
CN113837199B (zh) 一种基于跨层残差双路金字塔网络的图像特征提取方法
CN115393950A (zh) 基于多分支级联Transformer的手势分割网络装置和方法
CN112329544A (zh) 基于深度信息的手势识别机器学习方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181218