CN109636807A - 一种图像分割与像素复原的葡萄病害叶片分割法 - Google Patents

一种图像分割与像素复原的葡萄病害叶片分割法 Download PDF

Info

Publication number
CN109636807A
CN109636807A CN201811425199.7A CN201811425199A CN109636807A CN 109636807 A CN109636807 A CN 109636807A CN 201811425199 A CN201811425199 A CN 201811425199A CN 109636807 A CN109636807 A CN 109636807A
Authority
CN
China
Prior art keywords
pixel
image
size
original
original image
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
CN201811425199.7A
Other languages
English (en)
Inventor
赵冰
陈川
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.)
Suzhou New Material Cloud Computing Service Co Ltd
Original Assignee
Suzhou New Material Cloud Computing Service Co Ltd
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 Suzhou New Material Cloud Computing Service Co Ltd filed Critical Suzhou New Material Cloud Computing Service Co Ltd
Priority to CN201811425199.7A priority Critical patent/CN109636807A/zh
Publication of CN109636807A publication Critical patent/CN109636807A/zh
Pending legal-status Critical Current

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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/20—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
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Abstract

本发明公开了一种图像分割与像素复原的葡萄病害叶片分割法，涉及图像分割技术领域。本发明将图像集内的输入图像按照VOC2007数据集的格式进行制作；通过全卷积网络的多层卷积对输入图像特征提取；通过池化层对特征筛选，缩减特征尺寸；通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸，对具有原始尺寸的特征进行逐像素分类；通过跳跃结构将原图进行局部信息与整体信息整合；对精细化处理的索引图像进行与原图像的1:1的像素点还原。本发明通过像素还原法对索引图像进行像素的还原并加以比较，结果表明该算法对病害叶片的分割都达到了较好的分割结果。

Description

一种图像分割与像素复原的葡萄病害叶片分割法
技术领域
本发明属于图像分割技术领域，特别是涉及一种图像分割与像素复原的葡萄病害叶片分割法。
背景技术
图像分割是进行图像处理和图像分析的核心步骤，是农作物叶片病害高效识别的关键，对具有复杂背景农作物叶片的病斑进行有效精准的分割，其效果直接影响着后期的特征提取以及病害识别。传统的分割方法有阈值分割算法、边缘分割算法、区域的分割算法、数学形态学的分割算法等。
目前，并不存在一种通用的分割方法，能够适用于所有特征、各种情况下的图像，每种分割方法只适用于各自特定的情况。如区域生长的分割算法，选择一组正确的能代表所需区域的种子像素，确定生长过程中的灰度级、彩色、纹理、梯度等相似性准则，制定让生长停止的条件或准则。优点是计算简便，对于均匀的连通目标有较好的分割效果，但人为选择的种子点，具有严重的主观性，这对图像的分割会产生一定的影响。
自然条件下，复杂背景、天气光照都会对图像的成像质量造成较大的影响，容易使图像前景和背景对比度不强，不同图像之间变化很大，导致使用传统方法分割效果不佳、适应性不高。近年来，随着社会科技的进步，一大批性能好且高效的用于图像算法类的硬件如：GPU、TPU的出现，让深度学习再次成为世界科技领域的热门话题。2015年，JonathanLong在International Conference On Computer Vision上发表的一篇《FullyConvolutional Networks for Segmentation》的文章，为深度学习打开了一扇新的大门，将原本只能做到图像级分类问题跨越到可以进行像素级分割，解决了语义级别的图像分割问题。
发明内容
本发明的目的在于提供一种图像分割与像素复原的葡萄病害叶片分割法，对输入葡萄叶片图像的特征进行提取；通过池化层，对特征信息进行筛选，缩减特征尺寸；再通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸，对具有原始尺寸的特征进行逐像素分类，最后通过跳跃结构将较为粗糙的索引图进行局部信息与整体信息的整合，解决了现有葡萄病害叶片分割效果差、不精确的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种图像分割与像素复原的葡萄病害叶片分割法，包括如下步骤：
S00：将图像集内的输入图像按照VOC2007数据集的格式进行制作；
S01：通过全卷积网络的多层卷积对输入图像特征提取；通过池化层对特征筛选，缩减特征尺寸；
S02：通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类，确定原图像中每个像素是前景或后景；
S03：通过跳跃结构将原图进行局部信息与整体信息整合，达到对分割结果进行精细处理的作用；
S04：对精细化处理的索引图像进行与原图像的1:1的像素点还原。
优选地，S00中将图像集内的输入图像按照VOC2007数据集的格式进行制作具体过程如下：
对输入图像进行像素的二值化，再以像素来区分前景/背景；
对制作好的输入图像，按照VOC2007数据集格式分别制作cls文件夹、img文件夹与train.txt文件同时制作包含ImageSets文件夹、JPEGImages文件夹和SegmentationClass文件夹的测试集；
其中，所述cls文件夹存放训练集的索引图；所述img文件夹存放索引图对应的原图；所述train.txt文件存放原图及索引图对应的编号；
其中，所述JPEGImages文件夹存放原图；所述SegmentationClass文件夹保存测试的label图片；所述ImageSets文件夹保存seg11valid.txt文档中测试集图像对应的编号。
优选地，S01中通过全卷积网络的多层卷积对输入图像特征提取；通过池化层对特征筛选，缩减特征尺寸具体包括如下：
将所述训练集中原图送入vgg16的网络中，首先通过第1层的2次卷积，将原图变为尺寸不变、维度64维的特征图；然后通过1次池化，将图像尺寸变为原有的1/2；
再将经过第一层卷积处理的特征图进入第2层卷积层，经过2次卷积，使其维度变为128维；再次通过池化，使图像尺寸在第1层的基础上再减少1/2；
当进入第3卷积层以后，前一层传送的特征图都会进行3次卷积与1次池化，一直到第5层结束，其图像尺寸逐层减倍，维度逐层倍增。
优选地，S02中通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸具体包括如下：
在第5层卷积层后，将原先的3个全连接层变为3个卷积层，通过2次上采样，将特征图的尺寸与维度还原成原图大小。
优选地，S03中通过跳跃结构将原图进行局部信息与整体信息整合具体包括如下：
采用前向网络的池化层与反卷积层输出进行融合：
通过在池化5层后进行一次32倍上采样，得到一个预测池化4层；通过预测池化4层与池化4层的逐像素对比融合方式进行整合；
通过在池化5层后再进行一次16倍上采样，得到一个预测池化3层；通过预测池化3层与池化4层的逐像素对比融合方式进行整合，最后通过一个分类器得到分割图像。
优选地，S04中对精细化处理的索引图像进行与原图像的1:1的像素点还原具体包括如下：
将输出的索引图像通过像素的替换；将背景像素位置用原图的背景像素代替；将前景位置也更换为原图的像素。
本发明具有以下有益效果：
本发明对输入葡萄叶片图像的特征进行提取；通过池化层，对特征信息进行筛选，缩减特征尺寸。再通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸，对具有原始尺寸的特征进行逐像素分类，确定原图像中每个像素位置的标签是背景还是前景，最后通过跳跃结构将较为粗糙的索引图进行局部信息与整体信息的整合，达到对分割结果进行精细化处理的作用，之后通过像素还原法对索引图像进行像素的还原并加以比较，结果表明该算法对病害叶片的分割都达到了较好的分割结果。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明一种图像分割与像素复原的葡萄病害叶片分割法的流程图；
图2为本发明提供的全卷积网络结构图；
图3为本发明提供的信息整合的跳跃结构图；
图4为本发明实施例的一组原始图像分割结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，本发明为一种图像分割与像素复原的葡萄病害叶片分割法，包括如下步骤：
S00：将图像集内的输入图像按照VOC2007数据集的格式进行制作；
具体过程如下：
数据集的制作主要涉及3个部分，分别是cls文件夹、img文件夹与一个train.txt文档；
其中，cls文件夹中放的是训练集的索引图，img文件夹中放的是索引图所对应的原图，train.txt文档中放的是图像对应的编号；
同样的测试集也由3个部分组成，分别是ImageSets文件夹、JPEGImages文件夹和SegmentationClass文档；
其中，JPEGImages文件夹里面装原图；SegmentationClass文件夹里面装的是测试的label图片，其性质相当于训练集中的索引图；ImageSets文件夹里面装的是seg11valid.txt文档中测试集图像所所对应的的编号。
S01：通过全卷积网络的多层卷积对输入图像特征提取；通过池化层对特征筛选，缩减特征尺寸；
请参阅图2所示，具体包括如下：
通过前期数据集的制作，将训练集叶片图像送入vgg16的网络中；
首先通过第1层的2次的卷积，将原图变为尺寸不变，维度变为64维的特征图；之后为了减少训练参数，通过1次池化，使图像尺寸变为原有的1/2；
之后进入第2层卷积层，同样是经过2次卷积，使其维度变为128位，之后为了进一步减少训练的参数，再次使用池化功能，使图像尺寸在第1层的基础上再减少1/2；
当进入第3卷积层以后，前一步骤传送的特征图都会进行3次卷积与1次池化，一直到第5层结束，其图像尺寸逐层减倍，维度逐层倍增。
S02：通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类，确定原图像中每个像素是前景或后景；
具体过程包括如下：
叶片图像在经过vgg16网络的前向传播后，其图像变为一些尺寸很小，维度很厚的一个个特征图；为了将其还原成原尺寸，便于后期的数据分析，在第5层卷积层后，将原先的3个全连接层变为3个卷积层，通过2次上采样，将特征图的尺寸与维度还原成原图大小。
S03：通过跳跃结构将原图进行局部信息与整体信息整合，达到对分割结果进行精细处理的作用；
请参阅图3所示，具体过程包括如下：
反卷积之后的网络输出尺寸与输入图像相同，可以直接对每个像素进行前景/背景分类，但没经过跳跃步骤，输出的结果较为粗糙，像素的丢失比较严重。为了得到较为精细的分割结果，采用了利用前向网络的池化层与反卷积层输出进行融合的方式。通过在池化5层后进行一次32倍上采样，得到一个预测池化4层，该层与池化4层尺寸大小相同，不同点在于池化4层图像的像素种类信息比较多，而预测池化4层图像的像素种类少，可通过两个层的逐像素对比融合方式对信息进行整合。由于进行一次上采样后的图像还是较粗糙，其后再进行一次16倍上采样，得到一个预测池化层3，通过同样的方式对两个层进行整合，最后通过一个分类器得到分割图像。通过2次上采样后，得到的图像相比之前的有明显的改善作用。
S04：对精细化处理的索引图像进行与原图像的1:1的像素点还原；请参阅图4所示，为了获得数据分析，将输出的索引图像，通过像素的替换，将背景像素位置用原图的背景像素代替，前景位置也更换为原图的像素，从而进行后期的对比。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种图像分割与像素复原的葡萄病害叶片分割法，其特征在于，包括如下步骤：
S00：将图像集内的输入图像按照VOC2007数据集的格式进行制作；
S01：通过全卷积网络的多层卷积对输入图像特征提取；通过池化层对特征筛选，缩减特征尺寸；
S02：通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类，确定原图像中每个像素是前景或后景；
S03：通过跳跃结构将原图进行局部信息与整体信息整合，达到对分割结果进行精细处理的作用；
S04：对精细化处理的索引图像进行与原图像的1:1的像素点还原。
2.根据权利要求1所述的一种图像分割与像素复原的葡萄病害叶片分割法，其特征在于，S00中将图像集内的输入图像按照VOC2007数据集的格式进行制作具体过程如下：
对输入图像进行像素的二值化，再以像素来区分前景/背景；
对制作好的输入图像，按照VOC2007数据集格式分别制作cls文件夹、img文件夹与train.txt文件同时制作包含ImageSets文件夹、JPEGImages文件夹和SegmentationClass文件夹的测试集；
其中，所述cls文件夹存放训练集的索引图；所述img文件夹存放索引图对应的原图；所述train.txt文件存放原图及索引图对应的编号；
其中，所述JPEGImages文件夹存放原图；所述SegmentationClass文件夹保存测试的label图片；所述ImageSets文件夹保存seg11valid.txt文档中测试集图像对应的编号。
3.根据权利要求1所述的一种图像分割与像素复原的葡萄病害叶片分割法，其特征在于，S01中通过全卷积网络的多层卷积对输入图像特征提取；通过池化层对特征筛选，缩减特征尺寸具体包括如下：
将所述训练集中原图送入vgg16的网络中，首先通过第1层的2次卷积，将原图变为尺寸不变、维度64维的特征图；然后通过1次池化，将图像尺寸变为原有的1/2；
再将经过第一层卷积处理的特征图进入第2层卷积层，经过2次卷积，使其维度变为128维；再次通过池化，使图像尺寸在第1层的基础上再减少1/2；
当进入第3卷积层以后，前一层传送的特征图都会进行3次卷积与1次池化，一直到第5层结束，其图像尺寸逐层减倍，维度逐层倍增。
4.根据权利要求1所述的一种图像分割与像素复原的葡萄病害叶片分割法，其特征在于，S02中通过反卷积对特征上采样，从高维、小尺寸特征恢复到图像原始尺寸具体包括如下：
在第5层卷积层后，将原先的3个全连接层变为3个卷积层，通过2次上采样，将特征图的尺寸与维度还原成原图大小。
5.根据权利要求1所述的一种图像分割与像素复原的葡萄病害叶片分割法，其特征在于，S03中通过跳跃结构将原图进行局部信息与整体信息整合具体包括如下：
采用前向网络的池化层与反卷积层输出进行融合：
通过在池化5层后进行一次32倍上采样，得到一个预测池化4层；通过预测池化4层与池化4层的逐像素对比融合方式进行整合；
通过在池化5层后再进行一次16倍上采样，得到一个预测池化3层；通过预测池化3层与池化4层的逐像素对比融合方式进行整合，最后通过一个分类器得到分割图像。
6.根据权利要求1所述的一种图像分割与像素复原的葡萄病害叶片分割法，其特征在于，S04中对精细化处理的索引图像进行与原图像的1:1的像素点还原具体包括如下：
将输出的索引图像通过像素的替换；将背景像素位置用原图的背景像素代替；将前景位置也更换为原图的像素。
CN201811425199.7A 2018-11-27 2018-11-27 一种图像分割与像素复原的葡萄病害叶片分割法 Pending CN109636807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811425199.7A CN109636807A (zh) 2018-11-27 2018-11-27 一种图像分割与像素复原的葡萄病害叶片分割法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811425199.7A CN109636807A (zh) 2018-11-27 2018-11-27 一种图像分割与像素复原的葡萄病害叶片分割法

Publications (1)

Publication Number Publication Date
CN109636807A true CN109636807A (zh) 2019-04-16

Family

ID=66069328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811425199.7A Pending CN109636807A (zh) 2018-11-27 2018-11-27 一种图像分割与像素复原的葡萄病害叶片分割法

Country Status (1)

Country Link
CN (1) CN109636807A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490203A (zh) * 2019-07-05 2019-11-22 平安科技（深圳）有限公司 图像分割方法及装置、电子设备和计算机可读存储介质
CN111882565A (zh) * 2020-07-28 2020-11-03 深圳市雨滴科技有限公司 一种图像二值化方法、装置、设备及存储介质
CN111915615A (zh) * 2020-09-10 2020-11-10 中移（杭州）信息技术有限公司 图像分割方法、装置、电子设备及计算机可读存储介质
CN112233058A (zh) * 2019-07-15 2021-01-15 上海交通大学医学院附属第九人民医院 一种头颈部ct影像中淋巴结检测的方法
CN112734786A (zh) * 2020-12-31 2021-04-30 广西慧云信息技术有限公司 一种基于hsv颜色空间的自适应葡萄叶图像分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734719A (zh) * 2017-04-14 2018-11-02 浙江工商大学 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734719A (zh) * 2017-04-14 2018-11-02 浙江工商大学 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵兵,冯全: "基于全卷积网络的葡萄病害叶片分割", 《南京农业大学学报》 *
赵兵: "基于深度学习的葡萄叶片分割", 《中国优秀博硕士学位论文全文数据库(硕士) 农业科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490203A (zh) * 2019-07-05 2019-11-22 平安科技（深圳）有限公司 图像分割方法及装置、电子设备和计算机可读存储介质
WO2021003936A1 (zh) * 2019-07-05 2021-01-14 平安科技（深圳）有限公司 图像分割方法、电子设备和计算机可读存储介质
CN110490203B (zh) * 2019-07-05 2023-11-03 平安科技（深圳）有限公司 图像分割方法及装置、电子设备和计算机可读存储介质
CN112233058A (zh) * 2019-07-15 2021-01-15 上海交通大学医学院附属第九人民医院 一种头颈部ct影像中淋巴结检测的方法
CN111882565A (zh) * 2020-07-28 2020-11-03 深圳市雨滴科技有限公司 一种图像二值化方法、装置、设备及存储介质
CN111915615A (zh) * 2020-09-10 2020-11-10 中移（杭州）信息技术有限公司 图像分割方法、装置、电子设备及计算机可读存储介质
CN112734786A (zh) * 2020-12-31 2021-04-30 广西慧云信息技术有限公司 一种基于hsv颜色空间的自适应葡萄叶图像分割方法

Similar Documents

Publication Publication Date Title
CN109636807A (zh) 一种图像分割与像素复原的葡萄病害叶片分割法
Zhao et al. DIDFuse: Deep image decomposition for infrared and visible image fusion
Li et al. Semantic-aware grad-gan for virtual-to-real urban scene adaption
CN108830855B (zh) 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN110008832A (zh) 基于深度学习人物图像自动分割方法、信息数据处理终端
CN109360156A (zh) 基于生成对抗网络的图像分块的单张图像去雨方法
CN110443763B (zh) 一种基于卷积神经网络的图像阴影去除方法
CN109472232A (zh) 基于多模态融合机制的视频语义表征方法、系统及介质
CN111062892A (zh) 一种基于复合残差网络和深层监督的单幅图像去雨方法
CN111161277A (zh) 一种基于深度学习的自然图像抠图方法
CN111738318A (zh) 一种基于图神经网络的超大图像分类方法
CN107240084A (zh) 一种单幅图像去雨方法及装置
DE102021001438A1 (de) Belichtungsdefektklassifizierung von Bildern unter Nutzung eines neuronalen Netzwerkes
CN107644221A (zh) 基于参数压缩的卷积神经网络交通标志识别方法
CN105787948A (zh) 一种基于多变形分辨率的快速图像分割方法
CN111583201B (zh) 一种用于构建超分辨率病理显微镜的迁移学习方法
CN110415176A (zh) 一种文本图像超分辨率方法
CN113160062A (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN110889360A (zh) 一种基于切换卷积网络的人群计数方法及系统
CN114627269A (zh) 一种基于深度学习目标检测的虚拟现实安防监控平台
CN114782298A (zh) 一种具有区域注意力的红外与可见光图像融合方法
CN102129576A (zh) 全天空极光图像占空比参数的提取方法
CN116485652B (zh) 遥感影像车辆目标检测的超分辨率重建方法
CN111105350B (zh) 大视差场景下基于自身单应性变换的实时视频拼接方法
CN101276476A (zh) 对2d卡通动画的前景背景分离方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190416