CN109190752A - 基于深度学习的全局特征和局部特征的图像语义分割方法 - Google Patents
基于深度学习的全局特征和局部特征的图像语义分割方法 Download PDFInfo
- Publication number
- CN109190752A CN109190752A CN201810841610.2A CN201810841610A CN109190752A CN 109190752 A CN109190752 A CN 109190752A CN 201810841610 A CN201810841610 A CN 201810841610A CN 109190752 A CN109190752 A CN 109190752A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- global characteristics
- local feature
- deep learning
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明涉及一种基于深度学习的全局特征和局部特征的图像语义分割方法,包括以下步骤:在编码端,使用基于深度学习卷积神经网络模型提取图像的基础深度特征,同时根据卷积层的深度将特征分为低层特征和高层特征;应用特征融合模块将低层特征和高层特征融合成增强型的深度特征;在获取深度特征后,将其输入到解码端;以交叉熵损失函数为目标训练网络,使用mIoU评价网络性能。本发明设计合理,其使用深度卷积神经网络模型提取图像的全局和局部特征,充分利用了全局特征和局部特征的互补性,并且利用了堆叠池化层进一步提高性能,有效地提高了图像语义分割地准确率。
Description
技术领域
本发明属于计算机视觉图像语义分割技术领域,尤其是一种基于深度学习的全局特征和局部特征的图像语义分割方法。
背景技术
图像语义分割是指通过一定的方法将图像中的每个像素分为不同的语义类别,实现从底层到高层语义的推理过程,最终得到显示不同分割区域的逐像素语义标注的分割图。图像语义分割广泛用于汽车自动驾驶中的街景识别及目标检测、无人机落地点检测、场景理解、机器人视觉等许多计算机视觉任务方面的应用。从基于计算机视觉的机器学习方法到目前基于深度学习的方法,图像语义分割算法的研究得到了很大的进展,但是,由于工业需求的不断加大,图像语义分割依然是计算机视觉任务中的研究热点之一。
尽管图像语义分割方法目前已经有了快速的发展,但是,因为它的复杂性,仍然有很多问题有待解决。图像语义分割的挑战性主要体现在:(1)物体层次的不确定性,这是因为图像的明亮程度、模糊程度、图像中物体的大小及方向等诸多因素的影响;(2)物体类别层次的模糊性,同一个物种的不同类别,也不好分别开。为了减少不确定性和模糊性等外界因素的影响,充分利用图像中的信息(如图像像素值,从中可以提出许多特征,如颜色特征、图像中像素、物体之间的联系等上下文信息),获得更好的特征表示,是一个重要的方法。为了提高图像语义分割的准确性,人们也一直在努力使用先进的算法。因此,对图像语义分割算法进行进一步的研究仍然具有非常重大的实际意义。
早期的图像语义分割利用手工标注特征,如方向梯度直方图HOG和尺度不变特征转换SIFT。基于机器学习的方法从最简单的像素级别阈值法、基于像素聚类的分割方法到基于图论划分的分割方法。这些方法过于依赖手工标注的特征库,难以广泛表示图像特征,在实际应用中有很大的局限性。近年来,卷积神经网络(CNN)的发展,使计算机视觉任务中的许多问题得到了巨大的突破。由于深度卷积网络可以从大量样本数据中提取出图像的特征,比手工标注特征更好,在图像分类和目标检测等高层计算机视觉任务上获得了巨大的成功,因此,如何利用深度学习技术以提高图像语义分割性能是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理且识别准确率高的基于深度学习的全局特征和局部特征的图像语义分割方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于深度学习的全局特征和局部特征的图像语义分割方法,包括以下步骤:
步骤1、在编码端,使用基于深度学习卷积神经网络模型提取图像的基础深度特征,同时根据卷积层的深度将特征分为低层特征和高层特征;
步骤2、应用特征融合模块将低层特征和高层特征融合成增强型的深度特征;
步骤3、在获取深度特征后,将其输入到解码端;
步骤4、以交叉熵损失函数为目标训练网络,使用mIoU评价网络性能。
所述低层特征由纹理、边缘的局部特征组成,所述高层特征包括语义信息的全局特征。
所述步骤1的具体实现方法包括以下步骤:
⑴将输入图像缩放到统一尺寸224×224,以Resnet18卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的全连接层,然后将网络分成4个模块;
⑵将缩放后的图像输入到修改后的Resnet18卷积神经网络架构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个模块输出一种特征,其分辨率依次为56×56,28×28,14×14,7×7的局部特征;
⑶将7×7的局部特征输入到全局池化层,得到1×1的全局特征。
所述步骤2的具体实现方法包括以下步骤:
⑴将全局特征经过反池化得到7×7的全局特征;
⑵通过级联器将原始7×7的局部特征和全局特征在维度上级联起来获得融合特征。
所述解码端由一系列卷积层和堆叠池化层组成,卷积层的输出和堆叠池化层的输出融合后得到更强的特征表示。
所述步骤3的具体实现方法包括以下步骤:
⑴将全局特征分别经过卷积层和堆叠池化层,分别得到不同的特征;
⑵将这两种特征级联,然后经过卷积层和上采样层,增大其特征分辨率,使其分辨率为14×14,然后与14×14的特征级联;
⑶然后将14×14的经过步骤⑵的处理,得到28×28特征,最后同样经过步骤⑵的处理,直至获得112×112的特征;
⑷将112×112特征经过卷积和上采样处理,得到输出的预测分割图。
所述步骤4的具体实现方法包括以下步骤:
⑴计算预测分割图与已标注好的分割图的交叉熵损失,利用反向传播算法更新权重;
⑵网络训练完成后,使用mIoU衡量其预测性能。
本发明的优点和积极效果是:
本发明设计合理,其使用深度卷积神经网络模型提取图像的全局和局部特征,然后将局部特征与全局特征融合,以获得更强的特征表示,并在解码端使用堆叠池化层将图像特征经过堆叠的最大池化层、卷积层,最后经过反池化层,将输出的特征与之前的卷积特征融合,用来减小特征图中的噪声,使其分割图的边界更加清晰,同时也减小了因全局信息缺失而造成的分类错误,本发明充分利用了全局特征和局部特征的互补性,并且利用了堆叠池化层进一步提高性能,有效地提高了图像语义分割地准确率。
附图说明
图1是本发明的图像语义分割算法网络框架图;
图2是卷积模块(CB)的工作原理图;
图3是堆叠池化模块(SPB)的工作原理图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于深度学习的全局特征和局部特征的图像语义分割方法,如图1至图3所示,在编码端,使用深度卷积神经网络模型提取图像的全局和局部特征;在解码端,将两种特征融合获得互补的图像判别特征用于图像语义分割。同时在解码端为了获得更加准确地恢复图像原始分辨率,提出了一种堆叠池化层,将图像特征经过堆叠的最大值池化层、卷积层,最后经过反池化层,将输出的特征与之前的卷积特征融合,用来减小特征图中的噪声,使其分割图的边界更加清晰,同时也减小了因全局信息缺失而造成分类错误。网络的输出是与原图像分辨率大小一致的分割图,使用图像已有的标签计算分割准确率,最后以最小化交叉熵损失函数为目标来训练网络。
在本实施例中,一种基于深度卷积神经网络的利用全局特征和局部特征融合的图像语义分割方法,包括以下步骤:
步骤S1、在编码端,使用基于深度学习卷积神经网络模型提取图像的基础深度特征,同时根据卷积层的深度将特征分为低层特征和高层特征。低层特征由一些纹理、边缘等局部特征组成,高层特征包含了一些语义信息表征了全局特征。本步骤的具体实现方法如下:
步骤S1.1、将输入图像缩放到统一尺寸224×224,以Resnet18卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的全连接层,然后将网络分成4个模块;
步骤S1.2、将缩放后的图像输入到修改后的Resnet18卷积神经网络架构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个模块输出一种特征,其分辨率依次为56×56,28×28,14×14,7×7的局部特征;
步骤S1.3、将7×7的局部特征输入到全局池化层,得到1×1的全局特征。
步骤S2、应用特征融合模块将低层特征和高层特征融合成增强型深度特征。
步骤S3、在获取深度特征后,将其输入到解码端,解码端由一系列卷积层和堆叠池化层组成,卷积层的输出和堆叠池化层的输出融合后得到更强的特征表示。本步骤的具体实现方法如下:
步骤S3.1、将全局特征分别经过卷积层和堆叠池化层,分别得到不同的特征
步骤S3.2、将这两种特征级联,然后经过卷积层和上采样层,增大其特征分辨率,使其分辨率为14×14,然后与14×14的特征级联。
步骤S3.3、将14×14的也经过S3.2的处理,得到28×28特征,之后同样经过S3.2的处理,直到获得112×112的特征。
步骤S3.4、将112×112特征经过卷积和上采样处理,得到输出的预测分割图。
步骤S4、以交叉熵损失函数为目标训练网络,使用mIoU评价网络性能。本步骤的具体实现方法如下:
步骤S4.1、计算预测分割图与已标注好的分割图的交叉熵损失,利用反向传播算法更新权重。
步骤S4.2、网络训练完成后,使用mIoU(Mean Intersection over Union,均交并比):衡量其预测性能。
下面按照本发明的方法进行实验,说明本发明的效果。
测试环境:python2.7;PyTorch框架;Ubuntu16.04系统;NVIDIA GTX 1070p GPU
测试序列:所选数据集是用于图像分割的图像数据集CamVid和CityScapes。其中CamVid数据集包含701张图像,CityScapes数据集包含5000张图像。
测试指标:本发明使用mIoU为评价指标mIoU指平均预测正确的错误像素的交集与并集之比。对当今流行的不同算法计算这些指标数据然后进行结果对比,证明本发明在图像语义分割领域得到较好的结果。
测试结果如下:
表1.本发明与其他算法在CamVid数据集下的性能比较
表2.本发明与其他算法在CityScapes数据集下的性能比较
通过以上对比数据可以看出,本发明的mIoU与现有算法相比有明显的提高。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于包括以下步骤:
步骤1、在编码端,使用基于深度学习卷积神经网络模型提取图像的基础深度特征,同时根据卷积层的深度将特征分为低层特征和高层特征;
步骤2、应用特征融合模块将低层特征和高层特征融合成增强型的深度特征;
步骤3、在获取深度特征后,将其输入到解码端;
步骤4、以交叉熵损失函数为目标训练网络,使用mIoU评价网络性能。
2.根据权利要求1所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述低层特征由纹理、边缘的局部特征组成,所述高层特征包括语义信息的全局特征。
3.根据权利要求1或2所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述步骤1的具体实现方法包括以下步骤:
⑴将输入图像缩放到统一尺寸224×224,以Resnet18卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的全连接层,然后将网络分成4个模块;
⑵将缩放后的图像输入到修改后的Resnet18卷积神经网络架构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个模块输出一种特征,其分辨率依次为56×56,28×28,14×14,7×7的局部特征;
⑶将7×7的局部特征输入到全局池化层,得到1×1的全局特征。
4.根据权利要求1所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述步骤2的具体实现方法包括以下步骤:
⑴将全局特征经过反池化得到7×7的全局特征;
⑵通过级联器将原始7×7的局部特征和全局特征在维度上级联起来获得融合特征。
5.根据权利要求1所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述解码端由一系列卷积层和堆叠池化层组成,卷积层的输出和堆叠池化层的输出融合后得到更强的特征表示。
6.根据权利要求1或5所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述步骤3的具体实现方法包括以下步骤:
⑴将全局特征分别经过卷积层和堆叠池化层,分别得到不同的特征;
⑵将这两种特征级联,然后经过卷积层和上采样层,增大其特征分辨率,使其分辨率为14×14,然后与14×14的特征级联;
⑶然后将14×14的经过步骤⑵的处理,得到28×28特征,最后同样经过步骤⑵的处理,直至获得112×112的特征;
⑷将112×112特征经过卷积和上采样处理,得到输出的预测分割图。
7.根据权利要求1所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述步骤4的具体实现方法包括以下步骤:
⑴计算预测分割图与已标注好的分割图的交叉熵损失,利用反向传播算法更新权重;
⑵网络训练完成后,使用mIoU衡量其预测性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841610.2A CN109190752B (zh) | 2018-07-27 | 2018-07-27 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810841610.2A CN109190752B (zh) | 2018-07-27 | 2018-07-27 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190752A true CN109190752A (zh) | 2019-01-11 |
CN109190752B CN109190752B (zh) | 2021-07-23 |
Family
ID=64937222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810841610.2A Active CN109190752B (zh) | 2018-07-27 | 2018-07-27 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190752B (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816100A (zh) * | 2019-01-30 | 2019-05-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于双向融合网络的显著性物体检测方法及装置 |
CN109840914A (zh) * | 2019-02-28 | 2019-06-04 | 华南理工大学 | 一种基于用户交互式的纹理分割方法 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
CN109872364A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置、存储介质和医学影像处理设备 |
CN109886221A (zh) * | 2019-02-26 | 2019-06-14 | 浙江水利水电学院 | 基于图像显著性检测的采砂船识别方法 |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
CN110210485A (zh) * | 2019-05-13 | 2019-09-06 | 常熟理工学院 | 基于注意力机制指导特征融合的图像语义分割方法 |
CN110363101A (zh) * | 2019-06-24 | 2019-10-22 | 杭州电子科技大学 | 一种基于cnn特征融合框架的花卉识别方法 |
CN110464611A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种数字化弱视增强训练装置和系统及其相关算法 |
CN110517254A (zh) * | 2019-08-29 | 2019-11-29 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
CN110705381A (zh) * | 2019-09-09 | 2020-01-17 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN110752028A (zh) * | 2019-10-21 | 2020-02-04 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN110827398A (zh) * | 2019-11-04 | 2020-02-21 | 北京建筑大学 | 基于深度神经网络的室内三维点云自动语义分割算法 |
CN111079683A (zh) * | 2019-12-24 | 2020-04-28 | 天津大学 | 基于卷积神经网络的遥感图像云雪检测方法 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111241338A (zh) * | 2020-01-08 | 2020-06-05 | 成都三零凯天通信实业有限公司 | 一种基于注意力机制的深度特征融合视频拷贝检测方法 |
CN111275721A (zh) * | 2020-02-14 | 2020-06-12 | 北京推想科技有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
CN111292317A (zh) * | 2020-03-11 | 2020-06-16 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
CN111373439A (zh) * | 2020-02-10 | 2020-07-03 | 香港应用科技研究院有限公司 | 使用cnn进行图像分割的方法 |
CN111508010A (zh) * | 2019-01-31 | 2020-08-07 | 北京地平线机器人技术研发有限公司 | 对二维图像进行深度估计的方法、装置及电子设备 |
WO2020215984A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
WO2020238123A1 (en) * | 2019-05-31 | 2020-12-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving color quality of images |
CN112069958A (zh) * | 2020-08-27 | 2020-12-11 | 广西柳工机械股份有限公司 | 物料识别方法、装置、设备及存储介质 |
WO2021063119A1 (en) * | 2019-10-01 | 2021-04-08 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for image processing, terminal |
CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN113642585A (zh) * | 2021-10-14 | 2021-11-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、存储介质及计算机程序产品 |
CN113657480A (zh) * | 2021-08-13 | 2021-11-16 | 江南大学 | 一种基于特征融合网络模型的服装解析方法 |
WO2022021422A1 (zh) * | 2020-07-31 | 2022-02-03 | Oppo广东移动通信有限公司 | 视频编码方法、编码器、系统以及计算机存储介质 |
US11270447B2 (en) | 2020-02-10 | 2022-03-08 | Hong Kong Applied Science And Technology Institute Company Limited | Method for image segmentation using CNN |
CN115272377A (zh) * | 2022-09-27 | 2022-11-01 | 松立控股集团股份有限公司 | 一种融合图像边缘信息的车辆分割方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350930A1 (en) * | 2015-05-28 | 2016-12-01 | Adobe Systems Incorporated | Joint Depth Estimation and Semantic Segmentation from a Single Image |
CN106971155A (zh) * | 2017-03-21 | 2017-07-21 | 电子科技大学 | 一种基于高度信息的无人车车道场景分割方法 |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107463881A (zh) * | 2017-07-07 | 2017-12-12 | 中山大学 | 一种基于深度增强学习的人物图像搜索方法 |
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
US20180137605A1 (en) * | 2016-11-11 | 2018-05-17 | Kabushiki Kaisha Toshiba | Image processing device, image processing method, computer program product |
CN108256527A (zh) * | 2018-01-23 | 2018-07-06 | 深圳市唯特视科技有限公司 | 一种基于端到端全卷积网络的皮肤病变多类语义分割方法 |
-
2018
- 2018-07-27 CN CN201810841610.2A patent/CN109190752B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350930A1 (en) * | 2015-05-28 | 2016-12-01 | Adobe Systems Incorporated | Joint Depth Estimation and Semantic Segmentation from a Single Image |
US20180137605A1 (en) * | 2016-11-11 | 2018-05-17 | Kabushiki Kaisha Toshiba | Image processing device, image processing method, computer program product |
CN106971155A (zh) * | 2017-03-21 | 2017-07-21 | 电子科技大学 | 一种基于高度信息的无人车车道场景分割方法 |
CN107463881A (zh) * | 2017-07-07 | 2017-12-12 | 中山大学 | 一种基于深度增强学习的人物图像搜索方法 |
CN107247949A (zh) * | 2017-08-02 | 2017-10-13 | 北京智慧眼科技股份有限公司 | 基于深度学习的人脸识别方法、装置和电子设备 |
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN108256527A (zh) * | 2018-01-23 | 2018-07-06 | 深圳市唯特视科技有限公司 | 一种基于端到端全卷积网络的皮肤病变多类语义分割方法 |
Non-Patent Citations (2)
Title |
---|
KAIMING HE 等: "Deep Residual Learning for Image Recognition", 《CVPR 2016》 * |
熊风烨: "基于深度学习的人脸特征提取及识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
CN109858539A (zh) * | 2019-01-24 | 2019-06-07 | 武汉精立电子技术有限公司 | 一种基于深度学习图像语义分割模型的roi区域提取方法 |
CN109872364A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 图像区域定位方法、装置、存储介质和医学影像处理设备 |
CN109816100A (zh) * | 2019-01-30 | 2019-05-28 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于双向融合网络的显著性物体检测方法及装置 |
CN109816100B (zh) * | 2019-01-30 | 2020-09-01 | 中科人工智能创新技术研究院(青岛)有限公司 | 一种基于双向融合网络的显著性物体检测方法及装置 |
CN111508010A (zh) * | 2019-01-31 | 2020-08-07 | 北京地平线机器人技术研发有限公司 | 对二维图像进行深度估计的方法、装置及电子设备 |
CN111508010B (zh) * | 2019-01-31 | 2023-08-08 | 北京地平线机器人技术研发有限公司 | 对二维图像进行深度估计的方法、装置及电子设备 |
CN109886221A (zh) * | 2019-02-26 | 2019-06-14 | 浙江水利水电学院 | 基于图像显著性检测的采砂船识别方法 |
CN109840914B (zh) * | 2019-02-28 | 2022-12-16 | 华南理工大学 | 一种基于用户交互式的纹理分割方法 |
CN109840914A (zh) * | 2019-02-28 | 2019-06-04 | 华南理工大学 | 一种基于用户交互式的纹理分割方法 |
US11861829B2 (en) | 2019-04-22 | 2024-01-02 | Tencent Technology (Shenzhen) Company Limited | Deep learning based medical image detection method and related device |
WO2020215984A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技(深圳)有限公司 | 基于深度学习的医学图像检测方法及相关设备 |
CN110210485A (zh) * | 2019-05-13 | 2019-09-06 | 常熟理工学院 | 基于注意力机制指导特征融合的图像语义分割方法 |
WO2020238123A1 (en) * | 2019-05-31 | 2020-12-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving color quality of images |
CN110363101A (zh) * | 2019-06-24 | 2019-10-22 | 杭州电子科技大学 | 一种基于cnn特征融合框架的花卉识别方法 |
CN110464611A (zh) * | 2019-07-23 | 2019-11-19 | 苏州国科视清医疗科技有限公司 | 一种数字化弱视增强训练装置和系统及其相关算法 |
CN110517254A (zh) * | 2019-08-29 | 2019-11-29 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
CN110517254B (zh) * | 2019-08-29 | 2023-03-10 | 清华大学 | 基于深度学习的临床靶区自动勾画方法、装置及相关设备 |
CN110705381A (zh) * | 2019-09-09 | 2020-01-17 | 北京工业大学 | 遥感影像道路提取方法及装置 |
WO2021063119A1 (en) * | 2019-10-01 | 2021-04-08 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for image processing, terminal |
CN110752028A (zh) * | 2019-10-21 | 2020-02-04 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
CN110827398B (zh) * | 2019-11-04 | 2023-12-26 | 北京建筑大学 | 基于深度神经网络的室内三维点云自动语义分割方法 |
CN110827398A (zh) * | 2019-11-04 | 2020-02-21 | 北京建筑大学 | 基于深度神经网络的室内三维点云自动语义分割算法 |
CN111079683B (zh) * | 2019-12-24 | 2023-12-12 | 天津大学 | 基于卷积神经网络的遥感图像云雪检测方法 |
CN111079683A (zh) * | 2019-12-24 | 2020-04-28 | 天津大学 | 基于卷积神经网络的遥感图像云雪检测方法 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111241338A (zh) * | 2020-01-08 | 2020-06-05 | 成都三零凯天通信实业有限公司 | 一种基于注意力机制的深度特征融合视频拷贝检测方法 |
CN111241338B (zh) * | 2020-01-08 | 2023-09-15 | 深圳市网联安瑞网络科技有限公司 | 一种基于注意力机制的深度特征融合视频拷贝检测方法 |
CN111275712A (zh) * | 2020-01-15 | 2020-06-12 | 浙江工业大学 | 一种面向大尺度图像数据的残差语义网络训练方法 |
CN111373439B (zh) * | 2020-02-10 | 2023-05-02 | 香港应用科技研究院有限公司 | 使用cnn进行图像分割的方法 |
US11270447B2 (en) | 2020-02-10 | 2022-03-08 | Hong Kong Applied Science And Technology Institute Company Limited | Method for image segmentation using CNN |
CN111373439A (zh) * | 2020-02-10 | 2020-07-03 | 香港应用科技研究院有限公司 | 使用cnn进行图像分割的方法 |
CN111275721A (zh) * | 2020-02-14 | 2020-06-12 | 北京推想科技有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
CN111275721B (zh) * | 2020-02-14 | 2021-06-08 | 推想医疗科技股份有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
CN111292317B (zh) * | 2020-03-11 | 2022-06-07 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
CN111292317A (zh) * | 2020-03-11 | 2020-06-16 | 四川大学华西医院 | 一种增强图像局部特征式多任务分割乳腺导管内原位癌区域的方法 |
WO2022021422A1 (zh) * | 2020-07-31 | 2022-02-03 | Oppo广东移动通信有限公司 | 视频编码方法、编码器、系统以及计算机存储介质 |
CN112069958A (zh) * | 2020-08-27 | 2020-12-11 | 广西柳工机械股份有限公司 | 物料识别方法、装置、设备及存储介质 |
CN113033570B (zh) * | 2021-03-29 | 2022-11-11 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN113657480A (zh) * | 2021-08-13 | 2021-11-16 | 江南大学 | 一种基于特征融合网络模型的服装解析方法 |
CN113642585B (zh) * | 2021-10-14 | 2022-02-11 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、存储介质及计算机程序产品 |
CN113642585A (zh) * | 2021-10-14 | 2021-11-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、存储介质及计算机程序产品 |
CN115272377A (zh) * | 2022-09-27 | 2022-11-01 | 松立控股集团股份有限公司 | 一种融合图像边缘信息的车辆分割方法 |
CN115272377B (zh) * | 2022-09-27 | 2022-12-27 | 松立控股集团股份有限公司 | 一种融合图像边缘信息的车辆分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109190752B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN109190626A (zh) | 一种基于深度学习的多路径特征融合的语义分割方法 | |
Yuliang et al. | Detecting curve text in the wild: New dataset and new solution | |
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN111844101B (zh) | 一种多指灵巧手分拣规划方法 | |
CN105184265A (zh) | 一种基于自学习的手写表格数字字符串快速识别的方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
CN107730553B (zh) | 一种基于伪真值搜寻法的弱监督物体检测方法 | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN111753682A (zh) | 一种基于目标检测算法的吊装区域动态监控方法 | |
Hu et al. | LE–MSFE–DDNet: a defect detection network based on low-light enhancement and multi-scale feature extraction | |
CN109543498B (zh) | 一种基于多任务网络的车道线检测方法 | |
Feng et al. | Lane detection base on deep learning | |
Ma et al. | Intelligent detection model based on a fully convolutional neural network for pavement cracks | |
Gong et al. | A method for wheat head detection based on yolov4 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
Mu et al. | Salient object detection in low contrast images via global convolution and boundary refinement | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及系统 | |
Zhu et al. | Scene text relocation with guidance | |
CN111797704A (zh) | 一种基于相关物体感知的动作识别方法 |
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 |