CN109145920A - 一种基于深度神经网络的图像语义分割方法 - Google Patents
一种基于深度神经网络的图像语义分割方法 Download PDFInfo
- Publication number
- CN109145920A CN109145920A CN201810952528.7A CN201810952528A CN109145920A CN 109145920 A CN109145920 A CN 109145920A CN 201810952528 A CN201810952528 A CN 201810952528A CN 109145920 A CN109145920 A CN 109145920A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- deep neural
- neural network
- semantic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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]
Abstract
本发明公开了一种基于深度神经网络的图像语义分割方法,包括以下步骤:S1、构建基于密集连接网络和多孔空间金字塔池化的深度神经网络;S2、对数据集的训练图片进行预处理,并将预处理结果输入至深度神经网络中进行训练,得到图像语义分割模型;S3、将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。通过密集连接网络不进行图像降采样,而保持图像的空间维度来进行训练,通过多孔空间金字塔池化模块捕捉图像的多尺度信息,能够有效地解决图像语义分割准确率低、图像空间细节信息丢失的问题,最终得到较好的图像语义分割结果。
Description
技术领域
本发明属于图像语义分割技术领域,具体涉及一种基于深度神经网络的图像语义分割方法。
背景技术
深度卷积神经网络将计算机视觉系统的性能推到了新的高度。图像语义分割是计算机视觉的重要任务之一,对后续的计算机视觉任务具有至关重要的作用,例如无人驾驶视频分析中道路和非道路场景的区分。图像语义分割一般建模为像素级别的多分类问题,其目标是将图像的每一像素区分为预定义的多个类别之一。
传统的图像语义分割方法一般从图像像素邻域小窗提取人为设计的特征再做判别,例如纹理特征。同时,考虑到图像像素间的空间依赖性,研究人员基于低级视觉特征的相似性构建更高级的全局上下文的表征,例如马尔科夫随机场和条件随机场。
近年来,绝大多数当前最佳的图像语义分割方法都是基于卷积神经网络的。卷积神经网络能够学习到优于传统手工特征的具有区分性的特征。典型的语义分割网络结构是编码器解码器结构,编码器是一个图像降采样过程,负责抽取图像粗糙的语义特征,紧接着就是一个解码器,解码器的一个图像上采样过程,负责对降采样得到的图像特征进行上采样恢复到输入图像原始维度。密集连接卷积网络在图像分类任务中展现了十分优秀的结果,而图像语义分割也可以认为是一个密集分类任务,所以密集连接网络可以在语义分割网络中获得较好的分割结果。另外,空洞卷积是密集预测任务中的强有力的工具,可以在深度卷积网络中计算特征响应时,明确的控制图像的分辨率。而多孔空间金字塔池化则采用多种扩张率和视野上的滤波器探测进入的卷积特征层,因此可以在多尺度上捕捉物体和图像的内容。
目前已有的图像语义分割方法多数基于编码器解码器的卷积神经网络。但是这种网络结构虽然可以获得较好的语义分割结果,但是一旦采用编解码结构,必然会在编码过程明显的降低特征图的空间分辨率,尽管在上采样过程恢复图像的原始分辨率,但是不可避免的会造成空间细节信息的丢失。
发明内容
针对现有技术中的上述不足,本发明提供的基于深度神经网络的图像语义特征提取方法解决了现有技术中图像语义分割准确率低、图像空间细节信息丢失的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于深度神经网络的图像语义分割方法,包括以下步骤:
S1、构建基于密集连接网络和多孔空间金字塔池化的深度神经网络;
S2、对数据集的训练图片进行预处理,并将预处理结果输入深度神经网络中进行训练,得到图像语义分割模型;
S3、将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。
进一步地,所述步骤S1中,所述深度神经网络包括顺次连接的前端网络和后端网络;
所述前端网络包括顺次连接的5个卷积模块;
每个所述卷积模块包括顺次连接的3个卷积层、一个重叠池化层,一个批归一化层和一个修正线性单元层;
所述后端网络包括顺次连接的多孔空间金字塔池化模块、一个卷积层和一个softmax分类层;
所述多孔空间金字塔池化模块包括四个均与前端网络输出端连接的通道,每个通道均包括顺次连接的空洞卷积层和重叠池化层。
进一步地,所述前端网络中,每个所述卷积模块之间通过密集网络连接。
进一步地,所述后端网络中的每个所述空洞卷积层具有不同的扩张率,每个所述重叠池化层完全相同。
进一步地,所述步骤S2中,对深度神经网络训练的过程具体为:
首先,将深度神经网络初始化;
然后,将经过预处理的图像作为训练数据,以批处理的方式输入到初始化后的深度神经网络中,采用随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练;
所述多项式学习策略中,学习率lr设置为:
式中,baselr为初始学习率;
iter为当前迭代次数;
total_iter为迭代总次数;
上标power为多项式的幂。
进一步地,所述步骤S21中,深度神经网络初始化包括前端网络的卷积模块初始化和后端网络的多孔空间金字塔池化模块和卷积层的初始化;
所述卷积模块初始化时,权值设置为零均值高斯分布,标准差设置为
其中,nl=kl 2dl-1,kl为第l层卷积层卷积核的边长的大小,dl-1为第l-1层滤波器的数量;
所述多孔空间金字塔池化模块和卷积层初始化时,每个所述空洞卷积层和卷积层的参数均通过标准高斯分布进行参数初始化。
本发明的有益效果为:本发明提供的基于深度神经网络的图像语义分割方法通过密集连接网络不对图像进行降采样,而保持图像的空间维度来进行训练,通过多孔空间金字塔池化模块捕捉图像的多尺度信息,能够有效地解决图像分割准确率低、图像空间细节信息丢失的问题,最终得到较好的图像语义分割结果。
附图说明
图1为本发明提供的实施例中基于深度神经网络的图像语义分割方法流程图。
图2为本发明提供的实施例中基于深度神经网络的图像语义分割网络模型结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于深度神经网络的图像语义分割方法,包括以下步骤:
S1、构建基于密集连接网络和多孔空间金字塔池化的深度神经网络;
如图2所示,上述步骤S1中,深度神经网络包括顺次连接的前端网络和后端网络;
前端网络包括顺次连接的5个卷积模块;
每个卷积模块包括顺次连接的3个卷积层、一个重叠池化层,一个批归一化层和一个修正线性单元层;
其中,第一个卷积模块中的卷积层的卷积核大小均为3×3,滤波器个数为64,重叠池化层步长为2;
第二个卷积模块中的卷积层的卷积核大小均为3×3,滤波器个数为128,重叠池化层步长为2;
第三个卷积模块中的卷积层的卷积核大小均为3×3,滤波器个数为256,重叠池化层步长为2;
第四个卷积模块中的卷积层的卷积核大小均为3×3,滤波器个数为512,重叠池化层步长为2;
第五个卷积模块中的卷积层的卷积核大小均为3×3,滤波器个数为512,重叠池化层步长为2;
上述前端网络中,每个卷积模块之间通过密集网络连接,每个卷积模块输出的特征图都直接与其他卷积模块以一种向前传播的形式相连,形成密集相连的网络结构,使得产生的参数数量相比其他网络(如残差网络)等更少,而且,采用密集连接能进行高效计算,相比残差网络,达到残差网络相当的精度只需要大约残差网络一半的计算量,最重要的是密集连接网络能降低网络深度,避免过拟合,密集连接网络比其他网络更加高效,主要是因为网络每层计算量的减少以及特征的重复利用,每层只需要学习很少的特征,使得参数量和计算量显著减少。
后端网络包括顺次连接的多孔空间金字塔池化模块、一个1×1的卷积层和一个softmax分类层,多孔空间金字塔池化模块包括四个均与前端网络输出端连接的通道,每个通道均包括顺次连接的空洞卷积层和重叠池化层。后端网络中的每个空洞卷积层具有不同的扩张率,每个重叠池化层完全相同。四个通道的空洞卷积层的使用扩张率分别为1、2、4、8的方式进行卷积,针对不同尺度的目标得到相同分辨率的特征图,使得具有较小扩张率的卷积核的卷积层学习较小目标的特征,具有较大扩张率的卷积核的卷积学习较大目标的特征;并对卷积后的特征图通过一个3×3的重叠池化层以提高网络的学习能力,使得卷积后的特征能够根据误差的反向传播进行微调,由于不同扩张率的空洞卷积能得到相同分辨率的特征图,使最后的特征图串联成为可能。最后多孔空间金字塔池化模块输出的每一个尺度的输出都用一个卷积核大小为1×1的卷积层来减少图像特征的通道数,最后再把经过1×1的卷积层的特征图串联起来。
S2、对数据集的训练图片进行预处理,并将预处理结果输入深度神经网络中进行训练,得到图像语义分割模型;
以VOC2012数据集的21类(其中一类为背景)场景类别为基准,采集COCO数据集中包含上述20类类别目标的图像加入数据集,最终得到训练数据集和测试数据集。为提高深度神经网络的泛化性能,将数据集中的训练数据裁剪为224×224的固定尺寸,并采用随机翻转图像,在0.5到2倍之间随机缩放图像;使用随机尺度缩放、随机宽高比调整和随机旋转来做数据扩增。
上述深度神经网络训练的过程具体为:
S21、将深度神经网络初始化;
步骤S21中,深度神经网络初始化包括前端网络的卷积模块初始化和后端网络的多孔空间金字塔池化模块和卷积层的初始化;
卷积模块初始化时,权值设置为零均值高斯分布,标准差设置为
其中,nl=kl 2dl-1,kl为第l层卷积层卷积核的边长的大小,dl-1为第l-1层滤波器的数量;
多孔空间金字塔池化模块和卷积层初始化时,每个空洞卷积层和卷积层的参数均通过标准高斯分布进行参数初始化。
然后,将经过预处理的图像作为训练数据,以批处理的方式输入到初始化后的深度神经网络中,采用随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练;
所述多项式学习策略中,学习率lr设置为:
式中,baselr为初始学习率;
iter为当前迭代次数;
total_iter为迭代总次数;
上标power为多项式的幂。
S3、将待测试的图像输入训练好的深度神经网络,进行一次前向传播,端到端的输出语义分割结果。
本发明的有益效果为:本发明提供的基于深度神经网络的图像语义分割方法通过密集连接网络不对图像进行降采样,而保持图像的空间维度来进行训练,通过多孔空间金字塔池化模块捕捉图像的多尺度信息,能够有效地解决图像分割准确率低、图像空间细节信息丢失的问题,最终得到较好的图像语义分割结果。
Claims (6)
1.一种基于深度神经网络的图像语义分割方法,其特征在于,包括以下步骤:
S1、构建基于密集连接网络和多孔空间金字塔池化的深度神经网络;
S2、对数据集的训练图片进行预处理,并将预处理结果输入深度神经网络中进行训练,得到图像语义分割模型;
S3、将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。
2.根据权利要求1所述的基于深度神经网络的图像语义分割方法,其特征在于,所述步骤S1中,所述深度神经网络包括顺次连接的前端网络和后端网络;
所述前端网络包括顺次连接的5个卷积模块;
每个所述卷积模块包括顺次连接的3个卷积层、一个重叠池化层,一个批归一化层和一个修正线性单元层;
所述后端网络包括顺次连接的多孔空间金字塔池化模块、一个卷积层和一个softmax分类层;
所述多孔空间金字塔池化模块包括四个均与前端网络输出端连接的通道,每个通道均包括顺次连接的空洞卷积层和重叠池化层。
3.根据权利要求2所述的基于深度神经网络的图像语义分割方法,其特征在于,所述前端网络中,每个所述卷积模块之间通过密集网络连接。
4.根据权利要求2所述的基于深度神经网络的图像语义分割方法,其特征在于,所述后端网络中的每个所述空洞卷积层具有不同的扩张率,每个所述重叠池化层完全相同。
5.根据权利要求2所述的基于深度神经网络的图像语义分割方法,其特征在于,所述步骤S2中,对深度神经网络训练的过程具体为:
首先,将深度神经网络初始化;
然后,将经过预处理的图像作为训练数据,以批处理的方式输入到初始化后的深度神经网络中,采用随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练;
所述多项式学习策略中,学习率lr设置为:
式中,baselr为初始学习率;
iter为当前迭代次数;
total_iter为迭代总次数;
上标power为多项式的幂。
6.根据权利要求5所述的基于深度神经网络的图像语义分割方法,其特征在于,所述步骤S21中,深度神经网络初始化包括前端网络的卷积模块初始化和后端网络的多孔空间金字塔池化模块和卷积层的初始化;
所述卷积模块初始化时,权值设置为零均值高斯分布,标准差设置为
其中,nl=kl 2dl-1,kl为第l层卷积层卷积核的边长的大小,dl-1为第l-1层滤波器的数量;
所述多孔空间金字塔池化模块和卷积层初始化时,每个所述空洞卷积层和卷积层的参数均通过标准高斯分布进行参数初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810952528.7A CN109145920A (zh) | 2018-08-21 | 2018-08-21 | 一种基于深度神经网络的图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810952528.7A CN109145920A (zh) | 2018-08-21 | 2018-08-21 | 一种基于深度神经网络的图像语义分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145920A true CN109145920A (zh) | 2019-01-04 |
Family
ID=64790343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810952528.7A Pending CN109145920A (zh) | 2018-08-21 | 2018-08-21 | 一种基于深度神经网络的图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145920A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
CN109886273A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种cmr图像分割分类系统 |
CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
CN110136136A (zh) * | 2019-05-27 | 2019-08-16 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
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 |
CN110245697A (zh) * | 2019-05-31 | 2019-09-17 | 厦门大学 | 一种表面脏污检测方法、终端设备及存储介质 |
CN110428428A (zh) * | 2019-07-26 | 2019-11-08 | 长沙理工大学 | 一种图像语义分割方法、电子设备和可读存储介质 |
CN110443248A (zh) * | 2019-06-26 | 2019-11-12 | 武汉大学 | 大幅遥感影像语义分割分块效应消除方法及系统 |
CN110517272A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于深度学习的血细胞分割方法 |
CN110533051A (zh) * | 2019-08-02 | 2019-12-03 | 中国民航大学 | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 |
CN110859624A (zh) * | 2019-12-11 | 2020-03-06 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
CN110942466A (zh) * | 2019-11-22 | 2020-03-31 | 北京灵医灵科技有限公司 | 一种基于深度学习技术的脑动脉分割方法及装置 |
CN111062324A (zh) * | 2019-12-17 | 2020-04-24 | 上海眼控科技股份有限公司 | 人脸检测方法、装置、计算机设备和存储介质 |
CN111160109A (zh) * | 2019-12-06 | 2020-05-15 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及系统 |
CN111259904A (zh) * | 2020-01-16 | 2020-06-09 | 西南科技大学 | 一种基于深度学习和聚类的语义图像分割方法及系统 |
CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
CN111369450A (zh) * | 2020-02-21 | 2020-07-03 | 华为技术有限公司 | 去除摩尔纹的方法与装置 |
CN111507983A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 利用周边汽车的图像自动标注基础汽车的图像的方法及装置 |
CN111523546A (zh) * | 2020-04-16 | 2020-08-11 | 湖南大学 | 图像语义分割方法、系统及计算机存储介质 |
CN111583265A (zh) * | 2020-05-07 | 2020-08-25 | 赛特斯信息科技股份有限公司 | 基于编解码器结构实现钓鱼行为检测处理的方法及相应的语义分割网络系统 |
CN111767922A (zh) * | 2020-05-22 | 2020-10-13 | 上海大学 | 一种基于卷积神经网络的图像语义分割方法及网络 |
CN111860619A (zh) * | 2020-07-02 | 2020-10-30 | 苏州富鑫林光电科技有限公司 | 一种工业检测用深度学习的ai智能模型 |
CN112419352A (zh) * | 2020-11-24 | 2021-02-26 | 复旦大学 | 一种基于轮廓的小样本语义分割方法 |
CN112767402A (zh) * | 2021-01-08 | 2021-05-07 | 北京闭环科技有限公司 | 一种基于三维卷积神经网络的图像分割方法及系统 |
CN113191367A (zh) * | 2021-05-25 | 2021-07-30 | 华东师范大学 | 基于密集尺度动态网络的语义分割方法 |
CN113313180A (zh) * | 2021-06-04 | 2021-08-27 | 太原理工大学 | 一种基于深度对抗学习的遥感图像语义分割方法 |
CN113705583A (zh) * | 2021-08-16 | 2021-11-26 | 南京莱斯电子设备有限公司 | 一种基于卷积神经网络模型的目标检测识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480726A (zh) * | 2017-08-25 | 2017-12-15 | 电子科技大学 | 一种基于全卷积和长短期记忆单元的场景语义分割方法 |
CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
CN108197606A (zh) * | 2018-01-31 | 2018-06-22 | 浙江大学 | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 |
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
-
2018
- 2018-08-21 CN CN201810952528.7A patent/CN109145920A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
CN107480726A (zh) * | 2017-08-25 | 2017-12-15 | 电子科技大学 | 一种基于全卷积和长短期记忆单元的场景语义分割方法 |
CN108197606A (zh) * | 2018-01-31 | 2018-06-22 | 浙江大学 | 一种基于多尺度膨胀卷积的病理切片中异常细胞的识别方法 |
Non-Patent Citations (6)
Title |
---|
GAO HUANG ET AL.: ""Densely connected convolutional networks"", 《ARXIV》 * |
LIANG-CHIEH CHEN ET AL.: ""Rethinking Atrous Convolution for Semantic Image Segmentation"", 《ARXIV》 * |
MYY_2018: ""卷积神经网络初始化三种方法总结"", 《HTTPS://BLOG.CSDN.NET/M0_37780420/ARTICLE/DETAILS/80365993》 * |
YU KUN等: "《DenseASPP for Semantic Segmentation in Street Scenes》", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/329442528》 * |
仙守: "《Feature Extractor[DenseNet]》", 《HTTPS://WWW.CNBLOGS.EOM/SHOUHUXIANJIAN/P/7791616.HTML》 * |
月落乌啼SILENCE: "《DeepLabv3: 《Rethinking Atrous Convolution for Semantic Image Segmentataion》》", 《HTTPS://BLOG.CSDN.NET/QQ_18293213/ARTICLE/DETAILS/79529783》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636802A (zh) * | 2019-01-18 | 2019-04-16 | 天津工业大学 | 基于深度卷积神经网络的肺实质经ct图像分割方法 |
CN111507983A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 利用周边汽车的图像自动标注基础汽车的图像的方法及装置 |
CN111507983B (zh) * | 2019-01-31 | 2023-11-24 | 斯特拉德视觉公司 | 利用周边汽车的图像自动标注基础汽车的图像的方法及装置 |
CN109886273A (zh) * | 2019-02-26 | 2019-06-14 | 四川大学华西医院 | 一种cmr图像分割分类系统 |
CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
CN110111335B (zh) * | 2019-05-08 | 2021-04-16 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
CN110136136A (zh) * | 2019-05-27 | 2019-08-16 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
US11244170B2 (en) | 2019-05-27 | 2022-02-08 | Beijing Dajia Internet Information Technology Co., Ltd. | Scene segmentation method and device, and storage medium |
CN110136136B (zh) * | 2019-05-27 | 2022-02-08 | 北京达佳互联信息技术有限公司 | 场景分割方法、装置、计算机设备及存储介质 |
CN110245697A (zh) * | 2019-05-31 | 2019-09-17 | 厦门大学 | 一种表面脏污检测方法、终端设备及存储介质 |
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 |
CN110443248A (zh) * | 2019-06-26 | 2019-11-12 | 武汉大学 | 大幅遥感影像语义分割分块效应消除方法及系统 |
CN110443248B (zh) * | 2019-06-26 | 2021-12-03 | 武汉大学 | 大幅遥感影像语义分割分块效应消除方法及系统 |
CN110428428A (zh) * | 2019-07-26 | 2019-11-08 | 长沙理工大学 | 一种图像语义分割方法、电子设备和可读存储介质 |
CN110533051A (zh) * | 2019-08-02 | 2019-12-03 | 中国民航大学 | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 |
CN110533051B (zh) * | 2019-08-02 | 2023-01-17 | 中国民航大学 | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 |
CN110517272A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于深度学习的血细胞分割方法 |
CN110517272B (zh) * | 2019-08-29 | 2022-03-25 | 电子科技大学 | 基于深度学习的血细胞分割方法 |
CN110942466A (zh) * | 2019-11-22 | 2020-03-31 | 北京灵医灵科技有限公司 | 一种基于深度学习技术的脑动脉分割方法及装置 |
CN110942466B (zh) * | 2019-11-22 | 2022-11-15 | 北京灵医灵科技有限公司 | 一种基于深度学习技术的脑动脉分割方法及装置 |
CN111160109A (zh) * | 2019-12-06 | 2020-05-15 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及系统 |
CN111160109B (zh) * | 2019-12-06 | 2023-08-18 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及系统 |
CN110859624A (zh) * | 2019-12-11 | 2020-03-06 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
CN111062324A (zh) * | 2019-12-17 | 2020-04-24 | 上海眼控科技股份有限公司 | 人脸检测方法、装置、计算机设备和存储介质 |
CN111259904A (zh) * | 2020-01-16 | 2020-06-09 | 西南科技大学 | 一种基于深度学习和聚类的语义图像分割方法及系统 |
CN111369450A (zh) * | 2020-02-21 | 2020-07-03 | 华为技术有限公司 | 去除摩尔纹的方法与装置 |
CN111369450B (zh) * | 2020-02-21 | 2024-02-02 | 华为技术有限公司 | 去除摩尔纹的方法与装置 |
CN111369563B (zh) * | 2020-02-21 | 2023-04-07 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
CN111369563A (zh) * | 2020-02-21 | 2020-07-03 | 华南理工大学 | 一种基于金字塔空洞卷积网络的语义分割方法 |
CN111523546A (zh) * | 2020-04-16 | 2020-08-11 | 湖南大学 | 图像语义分割方法、系统及计算机存储介质 |
CN111523546B (zh) * | 2020-04-16 | 2023-06-16 | 湖南大学 | 图像语义分割方法、系统及计算机存储介质 |
CN111583265A (zh) * | 2020-05-07 | 2020-08-25 | 赛特斯信息科技股份有限公司 | 基于编解码器结构实现钓鱼行为检测处理的方法及相应的语义分割网络系统 |
CN111767922A (zh) * | 2020-05-22 | 2020-10-13 | 上海大学 | 一种基于卷积神经网络的图像语义分割方法及网络 |
CN111767922B (zh) * | 2020-05-22 | 2023-06-13 | 上海大学 | 一种基于卷积神经网络的图像语义分割方法及网络 |
CN111860619A (zh) * | 2020-07-02 | 2020-10-30 | 苏州富鑫林光电科技有限公司 | 一种工业检测用深度学习的ai智能模型 |
CN112419352A (zh) * | 2020-11-24 | 2021-02-26 | 复旦大学 | 一种基于轮廓的小样本语义分割方法 |
CN112767402A (zh) * | 2021-01-08 | 2021-05-07 | 北京闭环科技有限公司 | 一种基于三维卷积神经网络的图像分割方法及系统 |
CN113191367B (zh) * | 2021-05-25 | 2022-07-29 | 华东师范大学 | 基于密集尺度动态网络的语义分割方法 |
CN113191367A (zh) * | 2021-05-25 | 2021-07-30 | 华东师范大学 | 基于密集尺度动态网络的语义分割方法 |
CN113313180A (zh) * | 2021-06-04 | 2021-08-27 | 太原理工大学 | 一种基于深度对抗学习的遥感图像语义分割方法 |
CN113705583A (zh) * | 2021-08-16 | 2021-11-26 | 南京莱斯电子设备有限公司 | 一种基于卷积神经网络模型的目标检测识别方法 |
CN113705583B (zh) * | 2021-08-16 | 2024-03-22 | 南京莱斯电子设备有限公司 | 一种基于卷积神经网络模型的目标检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145920A (zh) | 一种基于深度神经网络的图像语义分割方法 | |
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN109101930B (zh) | 一种人群计数方法及系统 | |
CN112836773B (zh) | 一种基于全局注意力残差网络的高光谱图像分类方法 | |
CN112597985B (zh) | 一种基于多尺度特征融合的人群计数方法 | |
CN110059538B (zh) | 一种基于深度密集神经网络的水体识别方法 | |
CN108537746A (zh) | 一种基于深度卷积网络的模糊可变图像盲复原方法 | |
CN108734661B (zh) | 基于图像纹理信息构建损失函数的高分辨率图像预测方法 | |
CN109035267B (zh) | 一种基于深度学习的图像目标抠取方法 | |
CN110569814B (zh) | 视频类别识别方法、装置、计算机设备及计算机存储介质 | |
CN109740451A (zh) | 基于重要性加权的道路场景图像语义分割方法 | |
CN112784756B (zh) | 人体识别跟踪方法 | |
CN107506792A (zh) | 一种半监督的显著对象检测方法 | |
CN112801063B (zh) | 神经网络系统和基于神经网络系统的图像人群计数方法 | |
CN112084911A (zh) | 一种基于全局注意力的人脸特征点定位方法及系统 | |
CN108898105A (zh) | 一种基于深度特征和稀疏压缩分类的人脸识别方法 | |
CN111161244A (zh) | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 | |
CN114359297A (zh) | 基于注意力金字塔的多分辨率语义分割方法及装置 | |
CN110633706B (zh) | 一种基于金字塔网络的语义分割方法 | |
Xia et al. | Urban remote sensing scene recognition based on lightweight convolution neural network | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
Zhang et al. | Fchp: Exploring the discriminative feature and feature correlation of feature maps for hierarchical dnn pruning and compression | |
CN114972753A (zh) | 基于上下文信息聚合和辅助学习的轻量级语义分割方法及系统 | |
Yang et al. | UST-Net: A U-Shaped Transformer Network Using Shifted Windows for Hyperspectral Unmixing | |
CN111062275A (zh) | 一种多层次监督的人群计数方法、装置、介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |