CN109035251A - 一种基于多尺度特征解码的图像轮廓检测方法 - Google Patents

一种基于多尺度特征解码的图像轮廓检测方法 Download PDF

Info

Publication number
CN109035251A
CN109035251A CN201810575641.8A CN201810575641A CN109035251A CN 109035251 A CN109035251 A CN 109035251A CN 201810575641 A CN201810575641 A CN 201810575641A CN 109035251 A CN109035251 A CN 109035251A
Authority
CN
China
Prior art keywords
feature
analysis
loss
image
module
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
Application number
CN201810575641.8A
Other languages
English (en)
Other versions
CN109035251B (zh
Inventor
范影乐
张明琦
武薇
蒋涯
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810575641.8A priority Critical patent/CN109035251B/zh
Publication of CN109035251A publication Critical patent/CN109035251A/zh
Application granted granted Critical
Publication of CN109035251B publication Critical patent/CN109035251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多尺度特征解码的图像轮廓检测方法。针对传统检测方法对轮廓细节检测的不精确问题，构造一种多尺度特征解码模型，以提高轮廓定位的准确性，并实现轮廓像素点的精细化。首先构建特征提取模块提取图像多尺度特征，该模块由四组基本单元串联构成，每组基本单元包括两个卷积层和一个下采样层的串联结构，因此特征提取模块可以提取四个不同尺度的特征信息。然后搭建多尺度特征解码模块，通过逐步融合相邻特征层之间的信息来挖掘各个尺度特征之间的差异和联系，从而达到精确定位图像轮廓的目的。

Description

一种基于多尺度特征解码的图像轮廓检测方法
技术领域
本发明属于机器学习与视觉理解领域，涉及一种基于多尺度特征解码的图像轮廓检测方法。
背景技术
轮廓检测的目的在于提取图像中显著的边缘信息以及物体的主体轮廓，快速准确地提取图像的轮廓细节，对于后续图像理解以及高级视觉任务，例如目标检测和图像分割等有重要的意义。传统轮廓检测方法着重于提取图像局部的光强、对比度、颜色和梯度信息，或者手工设计不同形状的边缘特征块，并采用分类器对轮廓及非轮廓像素点进行分类。但是它们大都忽略了轮廓在整体层面上的意义，因此容易将噪声或背景纹理判断为轮廓信息，抑制效果较差，在检测的准确性方面来说，很难满足实际应用的需求。
近年来，随着深度学习的迅速发展，深度卷积神经网络凭借其强大的特征提取以及对抽象信息的表达能力，在计算机视觉方向得到了广泛的应用。在轮廓检测领域，卷积神经网络从初级的边缘信息逐渐过渡到高级的抽象语义信息，从图像的局部细节过渡到整体的轮廓，改善了传统方法所存在的特征表达不完整性，在检测性能上有了较大的提高。但同时也存在着如下问题：(1)基于深度学习的轮廓检测任务由于输入图像需要经过大量的卷积层以及全连接层网络，因此在检测速度方面并不理想。(2)轮廓检测结果通常是由网络的最后一层输出得到，而忽略了中间卷积层的特征信息，导致检测到的主体轮廓较粗，局部模糊。事实上上述被忽略的特征包含了丰富的图像初级边缘信息以及高级语义信息，充分利用这些特征将有助于提高轮廓检测的准确性。(3)输入图像在卷积层中利用下采样去除信息的冗余度，但在上采样恢复图像尺寸的过程会出现轮廓定位不准确的问题。
发明内容
为解决上述存在的问题，本发明提出了一种基于多尺度特征解码的图像轮廓检测方法，该模型由特征提取模块和多尺度特征解码模块两部分组成。首先针对训练图像(每张图像都对应于一张相同尺寸的二值标签图)，构建一个特征提取模块用于提取图像多尺度特征，然后构建一个多尺度特征解码模块，通过挖掘初级边缘信息和高级语义信息之间的差异和联系来细化检测轮廓，获得训练模型。最后对测试图像做N个尺度的变换，分别送入训练模型进行处理，并融合各个尺度的输出，获得轮廓检测结果。
具体包括以下步骤：
步骤(1)构建特征提取模块用于提取图像多尺度特征；
特征提取模块由八个卷积层和四个下采样层串联组成。每两个卷积层和一个下采样层构成一个特征提取基本单元，共有4个特征提取基本单元，因此图像经过特征提取模块后能得到一组多尺度特征F1,F2,F3,F4。
步骤(2)将特征提取模块的输出作用于损失层；
利用1×1-1卷积将特征提取模块最后一层的多尺度特征F4转变为单通道特征图然后经过sigmod函数激活后，与对应训练图像的已知标签进行损失运算，结果记为loss1。
步骤(3)构建多尺度特征解码模块；
将步骤(1)中的多尺度特征F1,F2,F3,F4送入特征解码模块。特征解码模块以金字塔形式从下往上搭建，首先通过线性插值法将特征F1,F2,F3,F4缩放到原图像大小，并将其作为第一层特征对分别做卷积运算，得到F1 1,F3 1,然后将相邻特征，相邻特征即为F1 1和 和F3 1，F3 1和将相邻特征中位于同一位置的像素点相加起来，并对相加后的特征再做卷积运算，得到一组特征F1 2,F3 2；按上述方式循环搭建解码模块，直到获得最后的单通道特征图F1 4。
步骤(4)将特征解码模块的单通道特征F1 4经过sigmod函数激活后，与对应训练图像的已知标签进行损失运算，结果记为loss2。将loss1和loss2按权重相加得到最后总损失值Loss，根据总损失值Loss对模型进行反向传播，利用梯度下降法迭代更新整个模型的权重和偏置，使其收敛，获得训练模型。
步骤(5)对测试图像(无对应二值标签图)进行N个尺度变换，将变换结果分别输入步骤(4)获得的训练模型，在特征解码模块中输出每个尺度下的轮廓响应，然后将轮廓响应插值恢复到与原图一致的尺寸，并进行融合运算，最后得到轮廓的检测结果。
本发明具有的有益效果为：
1、构建的多尺度特征解码模块，有效的利用了每个卷积阶段的特征，包括低级边缘特征和高级语义特征。解码了网络中不同类型的特征表达，提高轮廓检测的精度。
2、利用多尺度的思想，将测试图像经过N个尺度变换后送入训练模型，并对轮廓响应进行融合运算，减小了图像单尺度检测轮廓点定位不精确的影响。
附图说明
图1为本发明的流程图；
图2为本发明的网络框架图。
具体实施方式
结合附图1，2，本发明具体的实施步骤为：
步骤(1)构建特征提取模块提取图像多尺度特征。该模块包括8个3×3，步长为1的卷积层(8个卷积层的通道数分别为32，32，64，64，128，128，256，256)，和4个2×2，步长为2的下采样层。每两个卷积层和一个下采样层作为一组特征提取基本单元，因此该模块共有4组特征提取基本单元。每张图像经过特征提取模块的前向传播后得到4个不同尺度的特征(尺寸分别是原图的1/2，1/4，1/8，1/16)，如式(1)所示。
(F1,F2,F3,F4)＝CNN(X；W1,b1) (1)
其中，CNN(·)表示整个特征提取模块的前向传播部分，X，W1，b1分别表示输入的图像，特征提取模块的权重和偏置，F1,F2,F3,F4表示经过前向传播后所得到的4个多尺度特征。
步骤(2)将特征提取模块的输出作用于损失层。首先对F4特征做上采样(16倍线性插值放大)使其达到原图尺寸，再利用1×1-1卷积将其变成单通道特征图然后对特征图中的每个像素点进行sigmod函数激活，与已知标签做损失运算，结果记为loss1，如式(2)所示。
其中和S(X；W1,b1)分别表示未经过sigmod函数激活和经过sigmod激活后的单通道特征图；m表示图像的像素点个数；y表示与图像像素点对应位置的已知标签值，y＝0表示非轮廓像素点，y＝1表示轮廓像素点。
步骤(3)构建多尺度特征解码模块。步骤(1)中得到的一组多尺度特征F1,F2,F3,F4中，F1,F2特征主要包含低级的边缘信息，而F3,F4主要包含高级的语义信息。附图2右上部分虚线框中为特征解码模块的具体结构，以金字塔的形式从下往上搭建，过程如下：
①利用线性插值法对特征F1,F2,F3,F4进行2倍，4倍，8倍和16倍上采样，得到一组特征并将其作为金字塔的底层(第一层特征)。
②对特征做3×3的卷积，降低特征图的通道数，得到一组特征F1 1,F3 1,
③将F1 1,F3 1,相邻特征(F1 1和 和F3 1，F3 1和)中位于同一位置的像素点相加起来，并对相加后的特征继续做卷积运算得到一组特征F1 2,F2 2,F3 2。
④按上述②和③所述过程，循环搭建解码模块，直到获得最后的单通道特征图F1 4。
在构建多尺度特征解码模块的过程中，第一层卷积核为3×3-16，第二层卷积核为3×3-8，第三层卷积核为3×3-4，最后一层卷积核为1×1-1。每层通用的操作如式(3)所示：
式中Fi j(x,y；β)表示第j层，第i个，第β个通道的特征图，α表示特征的通道数，表示像素点相加后得到的特征图，n表示该层中特征的个数，W2，b2表示多尺度特征解码模块的权重和偏置，conv(·)表示卷积操作。
步骤(4)采取与式(2)相同的方式，对单通道特征图F1 4的每个像素点进行sigmod函数激活后，与已知标签做损失运算，结果记为loss2。将loss2和步骤(3)中的loss1按权重相加，得到最后的总损失值Loss，如式(4)所示。
Loss＝λloss1+μloss2 (4)
式中λ和μ为权重参数，默认设置λ为0.5，μ为1。最后对Loss值进行反向传播，利用梯度下降法来更新整个模型的权重和偏置，如式(5)所示。
其中θ表示需要学习的参数，包括模型中的权重W1，W2和偏置b1，b2。η表示学习率，表示损失Loss对于参数θ的梯度值。通过迭代更新权重和偏置，使其收敛，最终获得训练模型。
步骤(5)对测试图像进行N个尺度变换，得到与测试图像对应的N个不同尺度的输入图像。在N＝5的默认情况时，N个变换尺度分别设置为0.5，0.8，1，1.2，1.5。将不同尺度的输入图像输入到步骤(4)获得的训练模型，输出N个响应图。然后将这N个响应图重新经过线性插值缩放到测试图像尺寸，得到S0.5,S0.8,S1,S1.2,S1.5，并按式(6)进行融合，得到最终的轮廓响应Sall。
Sall＝Average(S0.5,S0.8,S1,S1.2,S1.5) (6)
其中Average(·)表示图像矩阵均值运算。

Claims (1)

1.一种基于多尺度特征解码的图像轮廓检测方法，其特征在于，该方法具体包括以下步骤：
步骤(1)构建特征提取模块用于提取图像多尺度特征；
特征提取模块由八个卷积层和四个下采样层串联组成；每两个卷积层和一个下采样层构成一个特征提取基本单元，共有4个特征提取基本单元，因此图像经过特征提取模块后能得到一组多尺度特征F1,F2,F3,F4；
步骤(2)将特征提取模块的输出作用于损失层；
利用1×1-1卷积将特征提取模块最后一层的多尺度特征F4转变为单通道特征图然后经过sigmod函数激活后，与对应训练图像的已知标签进行损失运算，结果记为loss1；
步骤(3)构建多尺度特征解码模块；
将步骤(1)中的多尺度特征F1,F2,F3,F4送入特征解码模块；特征解码模块以金字塔形式从下往上搭建，首先通过线性插值法将特征F1,F2,F3,F4缩放到原图像大小，并将其作为第一层特征对分别做卷积运算，得到然后将相邻特征，相邻特征即为F1 1和和和将相邻特征中位于同一位置的像素点相加起来，并对相加后的特征再做卷积运算，得到一组特征按上述方式循环搭建解码模块，直到获得最后的单通道特征图F1 4；
步骤(4)将特征解码模块的单通道特征F1 4经过sigmod函数激活后，与对应训练图像的已知标签进行损失运算，结果记为loss2；将loss1和loss2按权重相加得到最后总损失值Loss，根据总损失值Loss对模型进行反向传播，利用梯度下降法迭代更新整个模型的权重和偏置，使其收敛，获得训练模型；
步骤(5)对测试图像进行N个尺度变换，将变换结果分别输入步骤(4)获得的训练模型，在特征解码模块中输出每个尺度下的轮廓响应，然后将轮廓响应插值恢复到与原图一致的尺寸，并进行融合运算，最后得到轮廓的检测结果。
CN201810575641.8A 2018-06-06 2018-06-06 一种基于多尺度特征解码的图像轮廓检测方法 Active CN109035251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810575641.8A CN109035251B (zh) 2018-06-06 2018-06-06 一种基于多尺度特征解码的图像轮廓检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810575641.8A CN109035251B (zh) 2018-06-06 2018-06-06 一种基于多尺度特征解码的图像轮廓检测方法

Publications (2)

Publication Number Publication Date
CN109035251A true CN109035251A (zh) 2018-12-18
CN109035251B CN109035251B (zh) 2022-05-27

Family

ID=64612431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810575641.8A Active CN109035251B (zh) 2018-06-06 2018-06-06 一种基于多尺度特征解码的图像轮廓检测方法

Country Status (1)

Country Link
CN (1) CN109035251B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009679A (zh) * 2019-02-28 2019-07-12 江南大学 一种基于多尺度特征卷积神经网络的目标定位方法
CN110276755A (zh) * 2019-06-25 2019-09-24 广东工业大学 一种肿瘤位置定位系统及相关装置
CN110619356A (zh) * 2019-08-28 2019-12-27 电子科技大学 基于区域建议注意力的目标检测方法
CN111325762A (zh) * 2020-01-21 2020-06-23 广西科技大学 基于密集连接解码网络的轮廓检测方法
CN111611861A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN112001403A (zh) * 2020-08-11 2020-11-27 北京化工大学 一种图像轮廓检测方法及系统
CN112052881A (zh) * 2020-08-14 2020-12-08 河海大学 基于多尺度近端特征拼接的高光谱图像分类模型的装置
CN112241659A (zh) * 2019-07-17 2021-01-19 杭州海康威视数字技术股份有限公司 违章建筑的检测装置和检测方法以及终端设备
CN113052817A (zh) * 2021-03-24 2021-06-29 浙江传媒学院 一种基于并行融合的判别模式的图像生成和识别方法
CN113298156A (zh) * 2021-05-28 2021-08-24 有米科技股份有限公司 用于图像性别分类的神经网络训练方法及装置
CN114581806A (zh) * 2022-03-18 2022-06-03 重庆科技学院 一种基于主干边缘特征提取的工业零件空载率计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578418A (zh) * 2017-09-08 2018-01-12 华中科技大学 一种融合色彩和深度信息的室内场景轮廓检测方法
CN107610140A (zh) * 2017-08-07 2018-01-19 中国科学院自动化研究所 基于深度融合修正网络的精细边缘检测方法、装置
CN107845128A (zh) * 2017-11-03 2018-03-27 安康学院 一种多尺度细节融合的多曝光高动态图像重建方法
CN107945185A (zh) * 2017-11-29 2018-04-20 北京工商大学 基于宽残差金字塔池化网络的图像分割方法及系统
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610140A (zh) * 2017-08-07 2018-01-19 中国科学院自动化研究所 基于深度融合修正网络的精细边缘检测方法、装置
CN107578418A (zh) * 2017-09-08 2018-01-12 华中科技大学 一种融合色彩和深度信息的室内场景轮廓检测方法
CN107845128A (zh) * 2017-11-03 2018-03-27 安康学院 一种多尺度细节融合的多曝光高动态图像重建方法
CN107967451A (zh) * 2017-11-23 2018-04-27 常州大学 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法
CN107945185A (zh) * 2017-11-29 2018-04-20 北京工商大学 基于宽残差金字塔池化网络的图像分割方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BARIS SUMENGEN ET AL.: ""Multi-scale edge detection and image degementation"", 《IEEE》 *
FISHER YU ET AL.: ""Deep Layer Aggregation"", 《ARXIV》 *
YUN LIU ET AL.: ""Richer Convolutional Features for Edge Detection"", 《ARXIV》 *
YUN LIU ET AL.: ""Semantic Edge Detection with Diverse Deep Supervision"", 《ARXIV》 *
穆柯楠 等: ""基于非采样高斯差分金字塔的多尺度融合边缘检测"", 《四川大学学报（工程科学版）》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009679A (zh) * 2019-02-28 2019-07-12 江南大学 一种基于多尺度特征卷积神经网络的目标定位方法
CN110009679B (zh) * 2019-02-28 2022-01-04 江南大学 一种基于多尺度特征卷积神经网络的目标定位方法
CN110276755A (zh) * 2019-06-25 2019-09-24 广东工业大学 一种肿瘤位置定位系统及相关装置
CN110276755B (zh) * 2019-06-25 2021-07-06 广东工业大学 一种肿瘤位置定位系统及相关装置
CN112241659A (zh) * 2019-07-17 2021-01-19 杭州海康威视数字技术股份有限公司 违章建筑的检测装置和检测方法以及终端设备
CN112241659B (zh) * 2019-07-17 2024-05-17 杭州海康威视数字技术股份有限公司 违章建筑的检测装置和检测方法以及终端设备
CN110619356B (zh) * 2019-08-28 2023-03-28 电子科技大学 基于区域建议注意力的目标检测方法
CN110619356A (zh) * 2019-08-28 2019-12-27 电子科技大学 基于区域建议注意力的目标检测方法
CN111325762B (zh) * 2020-01-21 2021-01-22 广西科技大学 基于密集连接解码网络的轮廓检测方法
CN111325762A (zh) * 2020-01-21 2020-06-23 广西科技大学 基于密集连接解码网络的轮廓检测方法
CN111611861A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN111611861B (zh) * 2020-04-22 2023-05-05 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN112001403A (zh) * 2020-08-11 2020-11-27 北京化工大学 一种图像轮廓检测方法及系统
CN112001403B (zh) * 2020-08-11 2023-12-15 北京化工大学 一种图像轮廓检测方法及系统
CN112052881B (zh) * 2020-08-14 2022-07-29 河海大学 基于多尺度近端特征拼接的高光谱图像分类模型的装置
CN112052881A (zh) * 2020-08-14 2020-12-08 河海大学 基于多尺度近端特征拼接的高光谱图像分类模型的装置
CN113052817A (zh) * 2021-03-24 2021-06-29 浙江传媒学院 一种基于并行融合的判别模式的图像生成和识别方法
CN113298156A (zh) * 2021-05-28 2021-08-24 有米科技股份有限公司 用于图像性别分类的神经网络训练方法及装置
CN114581806A (zh) * 2022-03-18 2022-06-03 重庆科技学院 一种基于主干边缘特征提取的工业零件空载率计算方法
CN114581806B (zh) * 2022-03-18 2024-03-19 重庆科技学院 一种基于主干边缘特征提取的工业零件空载率计算方法

Also Published As

Publication number Publication date
CN109035251B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN109035251A (zh) 一种基于多尺度特征解码的图像轮廓检测方法
CN113240691B (zh) 一种基于u型网络的医学图像分割方法
CN110287849B (zh) 一种适用于树莓派的轻量化深度网络图像目标检测方法
CN109165660B (zh) 一种基于卷积神经网络的显著物体检测方法
CN110400323B (zh) 一种自动抠图系统、方法以及装置
CN105426919B (zh) 基于显著性指导非监督特征学习的图像分类方法
CN109902748A (zh) 一种基于多层信息融合全卷积神经网络的图像语义分割方法
CN110674741B (zh) 一种基于双通道特征融合的机器视觉中手势识别方法
CN111832546B (zh) 一种轻量级自然场景文本识别方法
CN109657716A (zh) 一种基于深度学习的车辆外观损伤识别方法
CN113807355A (zh) 一种基于编解码结构的图像语义分割方法
CN109977968B (zh) 一种深度学习分类后比较的sar变化检测方法
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN111126494B (zh) 基于各向异性卷积的图像分类方法及系统
CN110349167A (zh) 一种图像实例分割方法及装置
CN110599502A (zh) 一种基于深度学习的皮肤病变分割方法
CN109359527A (zh) 基于神经网络的头发区域提取方法及系统
CN110490188A (zh) 一种基于ssd网络改进型的目标物体快速检测方法
CN113469071A (zh) 一种针对嵌入式设备的运煤皮带异物视频检测方法
CN109558880B (zh) 一种基于视觉整体和局部特征融合的轮廓检测方法
CN103413351B (zh) 基于压缩感知理论的三维人脸快速重建方法
CN112800851B (zh) 基于全卷积神经元网络的水体轮廓自动提取方法及系统
CN114118186A (zh) 一种基于方向特征增强的书法图像风格分类方法
CN113240620A (zh) 基于点标记的高度黏连和多尺寸脑神经元自动分割方法
CN113192076B (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法

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
GR01 Patent grant
GR01 Patent grant