CN109978863A - 基于x射线图像的目标检测方法及计算机设备 - Google Patents
基于x射线图像的目标检测方法及计算机设备 Download PDFInfo
- Publication number
- CN109978863A CN109978863A CN201910239361.4A CN201910239361A CN109978863A CN 109978863 A CN109978863 A CN 109978863A CN 201910239361 A CN201910239361 A CN 201910239361A CN 109978863 A CN109978863 A CN 109978863A
- Authority
- CN
- China
- Prior art keywords
- stage
- radioscopic image
- target
- fusion feature
- characteristic pattern
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于X射线图像的目标检测方法及计算机设备,该方法包括:通过训练好的X射线图像的目标检测模型对X射线图像进行目标检测,目标检测包括:将X射线图像通过第一网络模型进行特征提取操作得到M个特征图;将第M个特征图进行第一运算操作得到预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图;从第M阶段开始依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到前一阶段的融合特征图;分别将各阶段的融合特征图通过第二网络模型进行预测操作得到融合特征图中每一像素点的类别及位置区域;将包含有检测目标的位置区域作为目标区域。本发明的技术方案可以自动检测和定位检测目标,准确率高,检测速度快。
Description
技术领域
本发明涉及医学图像处理领域,具体而言,涉及一种基于X射线图像的目标检测方法及计算机设备。
背景技术
现有的基于X射线图像进行目标检测时,例如,骨折检测、结节检测及肺炎检测等,医生通常是基于个人经验进行人工诊断,不但对医生的技术水平要求比较高,而且耗时费力、效率低下。
发明内容
鉴于上述问题,本发明实施例的目的在于提供一种基于X射线图像的目标检测方法,以解决现有技术的不足。
本发明的一个实施方案提供一种基于X射线图像的目标检测方法,包括:
通过训练好的X射线图像的目标检测模型对所述X射线图像进行目标检测,其中,利用所述X射线图像的目标检测模型的目标检测包括:
将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图,其中,M为大于或等于二的整数,第一个特征图至第M个特征图的信息量依次增大;
将第M个特征图进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图;
从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图;
分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及位置区域,其中,所述类别包括检测目标及非检测目标;
将包含有检测目标的位置区域作为目标区域。
在上述的基于X射线图像的目标检测方法中,所述“将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图”包括:
将X射线图像通过第一阶段的特征提取操作后得到第一阶段的特征图;
从第二阶段开始,依次将前一阶段的特征图作为输入,通过当前阶段的特征提取操作后得到当前阶段的特征图,直至提取得到第M阶段的特征图。
在上述的基于X射线图像的目标检测方法中,所述M等于五;
M个阶段的特征提取操作包括:
第一阶段的特征提取操作包括卷积、归一化和非线性激活操作;
第二阶段的特征提取操作包括池化操作及以第一预定次数循环执行的与所述第一阶段相同的特征提取操作;
第三阶段的特征提取操作包括以第二预定次数循环执行的与所述第一阶段相同的特征提取操作;
第四阶段的特征提取操作包括以第三预定次数循环执行的与所述第一阶段相同的特征提取操作;
第五阶段的特征提取操作包括以第四预定次数循环执行的与所述第一阶段相同的特征提取操作。
在上述的基于X射线图像的目标检测方法中,所述第一运算操作包括卷积操作。
在上述的基于X射线图像的目标检测方法中,所述“从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图”包括:
将第M-1个特征图进行所述第一运算操作后得到对应的预处理特征图;
将第M阶段的所述融合特征图进行上采样处理后得到与第M-1阶段的所述预处理特征图的通道数相同的采样融合特征图;
将所述采样融合特征图与第M-1阶段的所述预处理特征图进行叠加得到第M-1阶段的融合特征图;
在得到融合特征图后,后续依次将当前阶段的所述融合特征图进行上采样处理后与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图,直至所述融合特征图的个数达到预定个数。
在上述的基于X射线图像的目标检测方法中,所述第二网络模型包括至少一层,所述至少一层中最后一层包括两个分支;
所述“分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及区域”包括:
将各阶段的融合特征图送入最后一层中一个分支进行第一卷积预测操作后得到该融合特征图中每一像素点对应的类别;
同时将所述融合特征图送入最后一层中另一个分支进行第二卷积预测操作后得到该融合特征图中每一像素点所属的位置区域。
在上述的基于X射线图像的目标检测方法中,所述X射线图像的目标检测模型的目标检测还包括:
根据所述目标区域在对应的融合特征图中裁剪出相应的检测目标特征图;
将所述检测目标特征图通过第三网络模型进行分类操作后得到所述检测目标特征图中每一像素点最终的类别及最终的位置区域,并将包含有检测目标的最终的位置区域作为最终目标区域。
在上述的基于X射线图像的目标检测方法中,所述第三网络模型包括至少一层,所述至少一层中最后一层包括两个分支;
所述“将所述检测目标特征图通过第三网络模型进行分类操作后得到所述检测目标特征图中每一像素点的最终的类别及最终的位置区域”包括:
将所述检测目标特征图送入最后一层中一个分支进行第一全连接分类操作后得到该检测目标特征图中每一像素点对应的最终的类别;
同时将所述检测目标特征图送入最后一层中另一个分支进行第二全连接分类操作后得到该检测目标特征图中每一像素点所属的最终的位置区域。
在上述的基于X射线图像的目标检测方法中,所述X射线图像的目标检测模型的训练过程包括:
获取预定数量的X射线图像,在所述X射线图像中标注检测目标及所述检测目标所属的区域;
将标注后的X射线图像进行直方图均衡化操作,并将直方图均衡化操作后的X射线图像作为训练数据;
根据所述训练数据对所述基于X射线图像的目标模型进行训练直至满足预定收敛条件后停止训练。
在上述的基于X射线图像的目标检测方法中,所述预定收敛条件包括所述目标区域与标注的所述检测目标所属的区域之间的差距满足预定阈值。
本发明的另一个实施方案提供一种基于X射线图像的目标检测装置,包括:
目标检测模块,用于通过训练好的X射线图像的目标检测模型对所述X射线图像进行目标检测,其中,利用所述X射线图像的目标检测模型的目标检测包括:
将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图,其中,M为大于或等于二的整数,第一个特征图至第M个特征图的信息量依次增大;
将第M个特征图进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图;
从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图;
分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及位置区域,其中,所述类别包括检测目标及非检测目标;
将包含有检测目标的位置区域作为目标区域。
本发明的又一个实施方案提供一种计算机设备,所述计算机设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行上述的基于X射线图像的目标检测方法。
本发明的再一个实施方案提供一种计算机可读存储介质,所述计算机可读存储介质储存有上述的计算机设备中所用的所述计算机程序。
本发明的一个实施方式的基于X射线图像的目标检测方法可通过深度学习的方式自动检测和定位检测目标,准确率高,检测速度快。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。
图1示出了本发明第一实施例提供的一种基于X射线图像的目标检测模型中操作的流程示意图。
图2示出了本发明第一实施例提供的一种基于X射线图像的目标检测模型的示意图。
图3示出了本发明第一实施例提供的一种残差模块的示意图。
图4示出了本发明第一实施例提供的另一种残差模块的示意图。
图5示出了本发明第二实施例提供的一种基于X射线图像的目标检测模型中操作的流程示意图。
图6示出了本发明第二实施例提供的一种X射线图像的检测结果的示意图。
图7示出了本发明第三实施例提供的一种基于X射线图像的目标检测方法的流程示意图。
图8示出了本发明第三实施例提供的一种基于X射线图像的目标检测模型的训练方法的流程示意图。
具体实施方式
下面将结合本发明实施例中附图,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。自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本文中所用的术语“包含”、“包括”、“具有”、“含有”或其任何其它变形,意在覆盖非排它性的包括。例如,包含所列要素的组合物、步骤、方法、制品或装置不必仅限于那些要素,而是可以包括未明确列出的其它要素或此种组合物、步骤、方法、制品或装置所固有的要素。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
可通过训练好的X射线图像的目标检测模型对所述X射线图像进行目标检测。
如图1中示出了本发明第一实施例提供的基于X射线图像的目标检测模型中操作的流程示意图。该基于X射线图像的目标检测模型中的操作如下:
在步骤S110中,将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图。
其中,M为大于或等于2的整数。第一个特征图至第M个特征图的信息量依次增大,换言之,第M个特征向量的信息量大于第M-1个特征向量的信息量。
进一步地,所述“将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图”包括:
将X射线图像通过第一阶段的特征提取操作后得到第一阶段的特征图;从第二阶段开始,依次将前一阶段的特征图作为输入,通过当前阶段的特征提取操作后得到当前阶段的特征图,直至提取得到第M阶段的特征图。
具体地,如图2所示,所述第一网络模型包括M个阶段,将X射线图像通过第一阶段特征提取操作后得到第一阶段特征图P1;在第二阶段,将第一阶段的特征图P1通过第二阶段特征提取操作后得到第二阶段特征图P2;在第三阶段,将第二阶段的特征图P2通过第三阶段特征提取操作后得到第三阶段特征图P3;以此类推,在第M阶段,将第M-1阶段的特征图PM-1通过第M阶段特征提取操作后得到第M阶段特征图PM。
在第一阶段的特征图送入第二阶段进行特征提取操作后,意味着将第一阶段提取出的特征图P1又执行了一次第二阶段的特征提取操作,所以,第二阶段的特征图的信息量(也可以称为语义信息)相比于第一阶段的特征图的信息量更大,例如,第一阶段的特征图中可能包含有X射线图像的边缘信息等,第二阶段的特征图可能包含更丰富的边缘信息或位置信息等。同样的,第三阶段的特征图的信息量相较于第二阶段的特征图的信息量更大,依次类推,第M阶段的特征图的信息量相较于第M-1阶段的特征图的信息量更大。
进一步地,所述M等于五,M阶段的特征提取操作包括:
第一阶段的特征提取操作包括卷积、归一化和非线性激活映射操作。
具体地,在第一阶段中,将输入的X射线图像通过卷积操作后得到第一阶段卷积后特征图(其中,在进行卷积操作的卷积核大小可以为1×1或3×3或5×5等,可根据需求而定);将第一阶段卷积后特征图进行归一化处理得到第一阶段归一化后的特征图,以使第一阶段卷积后特征图中所有信息均在统一的数量级中进行描述;将第一阶段归一化后的特征图通过非线性激活函数进行映射后得到第一阶段的特征图。
本实施例中,所述非线性激活函数为relu函数,relu函数收敛速度快。在一些其他的实施例中,所述非线性激活函数还可以为Sigmoid函数或tanh函数等。
第二阶段的特征提取操作包括池化操作及以第一预定次数进行循环执行的与所述第一阶段相同的特征提取操作。
具体地,在第二阶段中,将第一阶段的特征图进行池化操作后得到第二阶段的池化后特征图;将第二阶段的池化后特征图送入与第一阶段相同的特征提取操作后得到第二阶段的第一子特征图,依次将每一次经与第一阶段相同的特征操作后的子特征图作为输入,送入下一次的与第一阶段相同的特征操作,循环第一预定次数后,得到第二阶段的特征图。
值得注意的是,每一次的与第一阶段相同的特征提取操作为卷积、归一化及非线性激活函数映射操作,只有在执行完毕卷积、归一化及非线性激活函数映射操作,才可认为执行一次与第一阶段相同的特征提取操作。
其中,所述池化操作可以为最大池化操作,还可以为平均池化操作等。
进一步地,为了更好的提取特征图的语义特征,还可以定义残差模块包括依次线性连接的第一子残差模块、第二子残差模块及第三子残差模块。
如图3所示,第一子残差模块可以认为一个与第一阶段相同的特征提取操作,包括卷积、归一化及非线性激活函数映射操作;第二子残差模块同样可以认为一个与第一阶段相同的特征提取操作,包括卷积、归一化及非线性激活函数映射操作;第三子残差模块同样可以认为一个与第一阶段相同的特征提取操作,包括卷积、归一化及非线性激活函数映射操作。三个子残差模块中的卷积操作的卷积核大小可不同。
图3中的一个残差模块的特征提取操作包括:将输入的第二阶段的池化后特征图通过第一子残差模块进行卷积(例如卷积核1×1,通道数64)、归一化及非线性激活函数映射操作后得到第二阶段的第一残差特征图,将第二阶段的第一残差特征图送入第二子残差模块进行卷积(例如卷积核3×3,通道数64)、归一化及非线性激活函数映射操作后得到第二阶段的第二残差特征图,将第二阶段的第二残差特征图送入第三子残差模块进行卷积(例如卷积核1×1,通道数256)、归一化及非线性激活函数映射操作后得到第二阶段的第三残差特征图。后续依次将当前残差模块的输出作为下一残差模块的输入,继续依次在三个子残差模块中进行卷积、归一化及非线性激活函数映射处理,直至最后一个残差模块的最后一个子残差模块处理结束,得到第二阶段的特征图。
如图4中的一个残差模块的特征提取操作包括:
将输入的第二阶段的池化后特征图通过第一子残差模块进行卷积(例如卷积核1×1,通道数64)、归一化及非线性激活函数映射操作后得到第二阶段的第一残差特征图,将第二阶段的第一残差特征图送入第二子残差模块进行卷积(例如卷积核3×3,通道数64)、归一化及非线性激活函数映射操作后得到第二阶段的第二残差特征图,将第二阶段的第二残差特征图送入第三子残差模块进行卷积(例如卷积核1×1,通道数256)、归一化及非线性激活函数映射操作后得到第二阶段的第三残差特征图;将第二阶段的池化后特征图与第二阶段的第三残差特征图进行叠加后得到第二阶段的叠加后特征图,再将第二阶段的叠加后特征图进行非线性激活函数映射操作后得到第一个残差模块的输出。
后续依次将当前残差模块的输出作为下一个残差模块的输入,继续执行第一个残差模块中的所有操作,直至最后一个残差模块计算完毕,将最后一个残差模块的输出作为第二阶段的特征图。
优选地,所述第一预定次数可以为9,换言之,在第二阶段中,可以包括池化操作及三个线性连接的残差模块。
第三阶段的特征提取操作包括以第二预定次数进行循环执行的与所述第一阶段相同的特征提取操作。
具体地,第三阶段中,可以将第二阶段的特征图进行第一次的与第一阶段相同的特征提取操作后得到第三阶段的第一子特征图,将第三阶段的第一子特征图作为输入进行第二次的与第一阶段相同的特征提取操作后得到第三阶段的第二子特征图,以此类推,依次将每一次经与第一阶段相同的特征操作后的子特征图作为输入,进行下一次的与第一阶段相同的特征操作,循环第二预定次数后,得到第三阶段的特征图。
优选地,所述第二预定次数可以为12,换言之,第三阶段的特征提取操作包括依次线性连接的4个残差模块。
具体地,将第二阶段的特征图送入第三阶段中的第一残差模块进行如上所述的提取操作后得到第一个残差模块的输出,将第一个残差模块的输出作为该阶段第二残差模块的输入,通过第二残差模块后得到第二个残差模块的输出,将第二个残差模块的输出作为该阶段第三残差模块的输入,通过第三残差模块后得到第三个残差模块的输出,将第三个残差模块的输出作为该阶段第四残差模块的输入,通过第四残差模块后得到第四个残差模块的输出,将该第四个残差模块的输出作为第三阶段的特征图。
第四阶段的特征提取操作包括以第三预定次数进行循环执行的与所述第一阶段相同的特征提取操作。
具体地,第四阶段中,可以将第三阶段的特征图进行第一次的与第一阶段相同的特征提取操作后得到第四阶段的第一子特征图,将第四阶段的第一子特征图作为输入进行第二次的与第一阶段相同的特征提取操作后得到第四阶段的第二子特征图,以此类推,依次将每一次经与第一阶段相同的特征提取操作后的子特征图作为输入,进行下一次的与第一阶段相同的特征提取操作,循环第三预定次数后,得到第四阶段的特征图。
优选地,所述第三预定次数可以为69,换言之,第四阶段的特征提取操作包括依次线性连接的23个残差模块。
具体地,将第三阶段的特征图送入第四阶段中的第一残差模块进行如上所述的提取操作后得到第一个残差模块的输出,将第一个残差模块的输出作为该阶段第二残差模块的输入,通过第二残差模块后得到第二个残差模块的输出,以此类推,将第二十二个残差模块的输出作为该阶段第二十三残差模块的输入,通过第二十三个残差模块后得到第二十三个残差模块的输出,将第二十三个残差模块的输出作为第四阶段的特征图。
第五阶段的特征提取操作包括以第四预定次数进行循环执行的与第一阶段相同的特征提取操作。
具体地,第五阶段中,可以将第四阶段的特征图进行第一次的与第一阶段相同的特征提取操作后得到第五阶段的第一子特征图,将第五阶段的第一子特征图作为输入进行第二次的与第一阶段相同的特征提取操作后得到第五阶段的第二子特征图,以此类推,依次将每一次经与第一阶段相同的特征提取操作后的子特征图作为输入,进行下一次的与第一阶段相同的特征提取操作,循环第四预定次数后,得到第五阶段的特征图。
优选地,所述第四预定次数可以为9,换言之,第五阶段的特征提取操作包括依次线性连接的3个残差模块。
具体地,将第四阶段的特征图送入第五阶段中的第一残差模块进行如上所述的提取操作后得到第一个残差模块的输出,将第一个残差模块的输出作为该阶段第二残差模块的输入,通过第二残差模块后得到第二个残差模块的输出,将第二个残差模块的输出作为该阶段第三残差模块的输入,通过第三残差模块后得到第三个残差模块的输出,将第三个残差模块的输出作为第五阶段的特征图。
在步骤S120中,将第M个特征图进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图。
具体地,融合特征图的个数可以和第一网络模型的各阶段的特征图的个数相同,还可以小于第一网络模型的各阶段的特征图的个数。
进一步地,所述第一运算操作包括卷积操作。
具体地,所述卷积操作的卷积核大小可以为1×1。
在步骤S130中,从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图。
进一步地,所述“从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图”包括:
将第M-1个特征图进行所述第一运算操作后得到对应的预处理特征图;将第M阶段的所述融合特征图进行上采样处理后得到与第M-1阶段的所述预处理特征图的通道数相同的采样融合特征图;将所述采样融合特征图与第M-1阶段的所述预处理特征图进行叠加得到第M-1阶段的融合特征图;在得到融合特征图后,后续依次将当前阶段的所述融合特征图进行上采样处理后与前一阶段的经过所述第一运算操作后得到的所述预处理特征图进行叠加得到该前一阶段的融合特征图,直至所述融合特征图的个数达到预定个数后停止计算。
例如,若M等于五,预定个数为四时,如图2所示,为了使各阶段的融合特征图的通道数相同,首先计算第四阶段对应的第四个特征图进行卷积操作后得到第四阶段的预处理特征图,将第五阶段的融合特征图进行上采样处理,即将第五阶段的融合特征图的维度放大预定倍数,使第五阶段的融合特征图的通道数与第四阶段的预处理特征图的通道数相同,便于后续的叠加运算。
将经上采样处理后的第五阶段的融合特征图与第四阶段的预处理特征图进行叠加处理,得到第四阶段的融合特征图。
同理,计算第三阶段对应的第三个特征图进行卷积操作后得到第三阶段的预处理特征图,将第四阶段的融合特征图进行上采样处理,以使第四阶段的融合特征图的通道数目与第三阶段的预处理特征图的通道数目相同。
将经过上采样处理后的第四阶段的融合特征图与第三阶段的预处理特征图进行叠加处理,得到第三阶段的融合特征图。
计算第二阶段对应的第二个特征图进行卷积操作后得到第二阶段的预处理特征图,将第三阶段的融合特征图进行上采样处理,使第三阶段的融合特征图的通道数目与第二阶段的预处理特征图的通道数目相同。
将经过上采样处理后的第三阶段的融合特征图与第二阶段的预处理特征图进行叠加处理,得到第二阶段的融合特征图。
若预定个数为五时,还计算第一阶段对应的第一个特征图进行卷积操作后得到第一阶段的预处理特征图,将第二阶段的融合特征图进行上采样处理后,与第一阶段的预处理特征图进行叠加处理,得到第一阶段的融合特征图像。
值得注意的是,融合特征图的个数可根据需求而定。
在步骤S140中,分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到融合特征图中每一像素点的类别及位置区域。
进一步地,所述第二网络模型包括至少一层,所述至少一层中最后一层中包括两个分支,所述“分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到融合特征图中每一像素点的类别及位置区域”包括:
将各阶段的融合特征图送入最后一层中一个分支进行第一卷积预测操作后得到该融合特征图中每一像素点对应的类别;同时将所述融合特征图送入最后一层中另一个分支进行第二卷积预测操作后得到该融合特征图中每一像素点所属的位置区域。
具体地,若第二网络模型包括依次线性连接的X层,其中,X为大于或等于2的整数,第X层为最后一层,那么,第X层包括两个分支。
若第二网络模型包括一层,该一层中包括两个分支。
如图2所示,第二网络模型中第1层至倒数第二层均为卷积操作,该第1层至倒数第二层的卷积操作的卷积核的尺寸可不同。
最后一层的第一分支预测操作为卷积操作,第二分支预测操作为卷积操作,该两个分支的卷积操作的卷积核大小不同。
优选地,所述第二网络模型中包括两层,第二层中包括两个分支。
例如,在第二网络模型中包括两层时,第一层可为卷积核大小为3×3的卷积操作,第二层的第一分支可为卷积核大小为1×1的卷积操作,第二分支可为卷积核大小为3×3的卷积操作。
分别将所有的融合特征图通过第一层的卷积操作后得到预识别特征图,将每一预识别特征图同时送入第二层中的两个分支:将预识别特征图通过第一分支的卷积操作后,得到该预识别特征图中每一像素点对应的类别,其中,该类别分为检测目标和非检测目标。将预识别特征图通过第二分支的卷积操作后,得到该预识别特征图中每一像素点所属的位置区域,其中,所述位置区域包括像素点的坐标、宽度和高度。
在步骤S150中,将包含有检测目标的位置区域作为目标区域。
具体地,将多个互邻的类别为检测目标的像素点对应的位置区域作为目标区域。
本实施例中,所述X射线图像可以为X射线的胸片图像。在一些其他的实施例中,所述X射线图像还可以为X射线的其他部位的图像。
本实施例中,所述检测目标可以为骨折。在一些其他的实施例中,所述检测目标还可以为结节、肺炎等。
另外,所述基于X射线图像的目标检测方法可以检测单一的目标,例如,通过所述基于X射线图像的目标检测方法仅检测骨折,或仅检测肺炎,或仅检测结节等。
所述基于X射线图像的目标检测方法还可以同时检测骨折、结节及肺炎等多个目标。
实施例2
通过训练好的X射线图像的目标检测模型对所述X射线图像进行目标检测。
如图5中示出了本发明第二实施例提出的一种基于X射线图像的目标检测模型中操作的流程示意图。该基于X射线图像的目标检测模型中的操作如下:
在步骤S210中,将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图。
该步骤与步骤S110相同,在此不再赘述。
在步骤S220中,将第M个特征图分别进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图。
该步骤与步骤S120相同,在此不再赘述。
在步骤S230中,从第M阶段开始,依次将当前阶段的融合特征图与前一阶的预处理特征图进行叠加得到该前一阶段的融合特征图。
该步骤与步骤S130相同,在此不再赘述。
在步骤S240中,分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到融合特征图中每一像素点的类别及位置区域。
该步骤与步骤S140相同,在此不再赘述。
在步骤S250中,将包含有检测目标的位置区域作为目标区域。
该步骤与步骤S150相同,在此不再赘述。
在步骤S260中,根据目标区域在对应的融合特征图中裁剪出相应的检测目标特征图。
为了提高目标检测的精度,所述基于X射线图像的目标检测方法还可以对目标特征图进行修正,以得到更为精确的检测目标及更为精确的目标区域。
具体地,在得到目标区域后,根据该目标区域在相应的融合特征图中裁剪出相应的检测目标特征图,该检测目标特征图内仅仅包含所述目标区域内的检测目标的特征,该检测目标特征图对应的图像分辨率小于其对应的融合特征图。
在步骤S270中,将检测目标特征图通过第三网络模型进行分类操作后得到检测目标特征图中每一像素点最终的类别及最终的位置区域。
进一步地,所述第三网络模型包括至少一层,所述至少一层中最后一层包括两个分支;
所述“将所述检测目标特征图通过第三网络模型进行分类操作后得到所述检测目标特征图中每一像素点的最终的类别及最终的位置区域”包括:
将所述检测目标特征图送入最后一层中一个分支进行第一全连接分类操作后得到该检测目标特征图中每一像素点对应的最终的类别;同时将所述检测目标特征图送入最后一层中另一个分支进行第二全连接分类操作后得到该检测目标特征图中每一像素点所属的最终的位置区域。
具体地,若第三网络模型包括依次线性连接的Y层,其中,Y为大于或等于2的整数,第Y层为最后一层,那么,第Y层包括两个分支。
若第三网络模型包括一层,该一层中包括两个分支。
第三网络模型中第1层至倒数第二层均为全连接(也可称为分类)操作,该第1层至倒数第二层的全连接操作的神经元节点的数目可不同。
优选地,所述第三网络模型包括三层,第三层包括两个分支。
例如,在第三网络模型中包括依次线性连接的三层时,第一层可为包括1024个神经元节点的全连接分类操作,第二层可以为包括1024个神经元节点的全连接分类操作,第三层的第一分支可为包括2个神经元节点的全连接分类操作,第二分支可为包括4个神经元节点的全连接分类操作。
分别将所有的检测目标特征图通过第一层的全连接分类操作后得到第一预分类特征图,将每一预分类特征图通过第二层的全连接分类操作后得到第二预分类特征图,将第二预分类特征图同时送入第三层中的两个分支:将第二预分类特征图通过第一分支的全连接分类操作后,得到该第二预分类特征图中每一像素点对应的最终的类别,其中,该类别分为检测目标和非检测目标,该最终的类别为对上述得到的目标区域中的每一像素点的类别进行修正,得到的类别结果更精确;将第二预分类特征图通过第二分支的全连接分类操作后,得到该第二预分类特征图中每一像素点所属的最终的位置区域,其中,所述最终的位置区域包括像素点的坐标、宽度和高度,该最终的位置区域为对上述得到的目标区域中的每一像素点所属的区域进行修正,得到的区域结果更精确。
在步骤S280中,将包含有检测目标的最终的位置区域作为最终目标区域。
具体地,对修正后得到的最终的类别和最终的位置区域进行分类,将相邻的多个类别为检测目标的像素点对应的位置区域作为最终目标区域。
如图6所示,以骨折检测为例,图中黑色方框即为得到的最终目标区域,最终目标区域内为检测到的骨折情况。
实施例3
图7中示出了本发明第三实施例提出的一种基于X射线图像的目标检测方法的流程示意图。
该基于X射线图像的目标检测方法包括以下步骤:
在步骤S310中,通过预定数量的训练数据对基于X射线图像的目标检测模型进行训练。
进一步地,图8示出了本发明第三实施例提供的一种基于X射线图像的目标检测模型的训练方法的流程示意图。
该基于X射线图像的目标检测模型的训练方法包括以下步骤:
在步骤S410中,获取预定数量的X射线图像,在X射线图像中标注检测目标及检测目标所属的位置区域。
具体地,在获取预定数量的X射线图像后,通过人工方式在所述X射线图像中标注检测目标区域的数据。
例如,以骨折为例进行说明。在X射线图像中标注骨折及骨折的真实位置区域。并将一X射线图像、在所述X射线图像中标注的骨折及骨折所属的位置区域(即骨折的真实位置区域)作为一待训练的数据。
在步骤S420中,将标注后的X射线图像进行直方图均衡化操作,并将直方图均衡化操作后的X射线图像作为训练数据。
具体地,为了调整待训练的数据的对比度,提高训练精度,还对上述的待训练的数据进行直方图均衡化操作,并将直方图均衡化操作后的待训练的数据作为训练数据。
在步骤S430中,根据训练数据对基于X射线图像的目标检测方法中所有的网络模型进行训练。
具体地,将所述基于X射线图像的目标检测模型中所有的训练相关参数设初值,根据上述得到的预定数量的训练数据送入所述基于X射线图像的目标检测模型得到训练结果。
在步骤S440中,判断是否满足收敛条件。
进一步地,所述收敛条件包括所述目标区域与标注的所述检测目标所属的位置区域之间的差距满足预定阈值。
具体地,所述差距包括两种:一种是训练结果中的目标区域内所有像素点的类别是否正确,一种是训练结果中的目标区域的位置是否准确(具体为训练结果中的目标区域与真实位置区域的差距)。
将两种类型的差距的总和称为该基于X射线的目标检测模型的损失值。
在所述损失值满足预定阈值(也可称为安全范围)时,即基于X射线的目标检测模型满足收敛条件,前进至步骤S450;若所述损失值不满足预定阈值(也可称为安全范围)时,即基于X射线的目标检测模型不满足收敛条件,返回至步骤S430,调整所述基于X射线的目标检测模型中的所有的训练相关参数的值,继续通过后续的训练数据对所述基于X射线的目标检测模型进行训练,直到所述损失值满足预定阈值结束训练。
在步骤S450中,结束训练。
在步骤S320中,通过训练好的X射线图像的目标检测模型对X射线图像进行目标检测。
具体地,在结束训练后,即可通过训练好的基于X射线的目标检测模型对X射线图像中的目标进行检测。
所述X射线图像的目标检测模型中的操作包括:
将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图,其中,M为大于或等于二的整数,所述M个特征图的信息量依次增大;将第M个特征图进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图;从第M阶段开始,依次将当前阶段的融合特征图与前一阶段经过所述第一运算操作后得到的预处理特征图进行叠加得到该前一阶段的融合特征图;分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及位置区域,其中,所述类别包括检测目标及非检测目标;将包含有检测目标的位置区域作为目标区域。
实施例4
本实施例提出的一种基于X射线图像的目标检测装置,该基于X射线图像的目标检测装置对应于实施例1中的基于X射线图像的目标检测方法,实施例1中的任何可选项也适用于本实施例,这里不再详述。
该基于X射线图像的目标检测装置包括目标检测模块。目标检测模块用于通过训练好的X射线图像的目标检测模型对所述X射线图像进行目标检测,其中,所述X射线图像的目标检测模型中的操作包括:
将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图,其中,M为大于或等于二的整数,第一个特征图至第M个特征图的信息量依次增大;将第M个特征图进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图;从第M阶段开始,依次将当前阶段的融合特征图与前一阶的预处理特征图进行叠加得到该前一阶段的融合特征图;分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及位置区域,其中,所述类别包括检测目标及非检测目标;将包含有检测目标的位置区域作为目标区域。
本发明的又一个实施方案提供一种计算机设备,所述计算机设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行上述的基于X射线图像的目标检测方法或基于X射线图像的目标检测装置中的所有模块的功能。
存储模块可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统和至少一个功能所需的应用程序;存储数据区可存储所述基于X射线图像的目标检测方法及所述基于X射线图像的目标检测装置所需的图像、数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供一种计算机可读存储介质,其存储有上述计算机设备中所使用的指令,在所述指令被执行时实施上述的基于X射线图像的目标检测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于X射线图像的目标检测方法,其特征在于,包括:
通过训练好的X射线图像的目标检测模型对所述X射线图像进行目标检测,其中,利用所述X射线图像的目标检测模型的目标检测包括:
将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图,其中,M为大于或等于二的整数,第一个特征图至第M个特征图的信息量依次增大;
将第M个特征图进行第一运算操作后得到对应的预处理特征图,将第M个预处理特征图作为第M阶段的融合特征图;
从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图;
分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及位置区域,其中,所述类别包括检测目标及非检测目标;
将包含有检测目标的位置区域作为目标区域。
2.根据权利要求1所述的基于X射线图像的目标检测方法,其特征在于,所述“将X射线图像通过第一网络模型进行特征提取操作后得到M个特征图”包括:
将X射线图像通过第一阶段的特征提取操作后得到第一阶段的特征图;
从第二阶段开始,依次将前一阶段的特征图作为输入,通过当前阶段的特征提取操作后得到当前阶段的特征图,直至提取得到第M阶段的特征图。
3.根据权利要求2所述的基于X射线图像的目标检测方法,其特征在于,所述M等于五;
M个阶段的特征提取操作包括:
第一阶段的特征提取操作包括卷积、归一化和非线性激活操作;
第二阶段的特征提取操作包括池化操作及以第一预定次数循环执行的与所述第一阶段相同的特征提取操作;
第三阶段的特征提取操作包括以第二预定次数循环执行的与所述第一阶段相同的特征提取操作;
第四阶段的特征提取操作包括以第三预定次数循环执行的与所述第一阶段相同的特征提取操作;
第五阶段的特征提取操作包括以第四预定次数循环执行的与所述第一阶段相同的特征提取操作。
4.根据权利要求1所述的基于X射线图像的目标检测方法,其特征在于,所述第一运算操作包括卷积操作。
5.根据权利要求1所述的基于X射线图像的目标检测方法,其特征在于,所述“从第M阶段开始,依次将当前阶段的融合特征图与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图”包括:
将第M-1个特征图进行所述第一运算操作后得到对应的预处理特征图;
将第M阶段的所述融合特征图进行上采样处理后得到与第M-1阶段的所述预处理特征图的通道数相同的采样融合特征图;
将所述采样融合特征图与第M-1阶段的所述预处理特征图进行叠加得到第M-1阶段的融合特征图;
在得到融合特征图后,后续依次将当前阶段的所述融合特征图进行上采样处理后与前一阶段的预处理特征图进行叠加得到该前一阶段的融合特征图,直至所述融合特征图的个数达到预定个数。
6.根据权利要求1所述的基于X射线图像的目标检测方法,其特征在于,所述第二网络模型包括至少一层,所述至少一层中最后一层包括两个分支;
所述“分别将各阶段的融合特征图通过第二网络模型进行预测操作后得到所述融合特征图中每一像素点的类别及位置区域”包括:
将各阶段的融合特征图送入最后一层中一个分支进行第一卷积预测操作后得到该融合特征图中每一像素点对应的类别;
同时将所述融合特征图送入最后一层中另一个分支进行第二卷积预测操作后得到该融合特征图中每一像素点所属的位置区域。
7.根据权利要求1所述的基于X射线图像的目标检测方法,其特征在于,所述X射线图像的目标检测模型的目标检测还包括:
根据所述目标区域在对应的融合特征图中裁剪出相应的检测目标特征图;
将所述检测目标特征图通过第三网络模型进行分类操作后得到所述检测目标特征图中每一像素点最终的类别及最终的位置区域,并将包含有检测目标的最终的位置区域作为最终目标区域。
8.根据权利要求7所述的基于X射线图像的目标检测方法,其特征在于,所述第三网络模型包括至少一层,所述至少一层中最后一层包括两个分支;
所述“将所述检测目标特征图通过第三网络模型进行分类操作后得到所述检测目标特征图中每一像素点的最终的类别及最终的位置区域”包括:
将所述检测目标特征图送入最后一层中一个分支进行第一全连接分类操作后得到该检测目标特征图中每一像素点对应的最终的类别;
同时将所述检测目标特征图送入最后一层中另一个分支进行第二全连接分类操作后得到该检测目标特征图中每一像素点所属的最终的位置区域。
9.根据权利要求1所述的基于X射线图像的目标检测方法,其特征在于,所述X射线图像的目标检测模型的训练过程包括:
获取预定数量的X射线图像,在所述X射线图像中标注检测目标及所述检测目标所属的区域;
将标注后的X射线图像进行直方图均衡化操作,并将直方图均衡化操作后的X射线图像作为训练数据;
根据所述训练数据对所述基于X射线图像的目标检测模型进行训练直至满足预定收敛条件后停止训练。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行如权利要求1-9任一项所述的基于X射线图像的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239361.4A CN109978863B (zh) | 2019-03-27 | 2019-03-27 | 基于x射线图像的目标检测方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910239361.4A CN109978863B (zh) | 2019-03-27 | 2019-03-27 | 基于x射线图像的目标检测方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978863A true CN109978863A (zh) | 2019-07-05 |
CN109978863B CN109978863B (zh) | 2021-10-08 |
Family
ID=67081025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910239361.4A Active CN109978863B (zh) | 2019-03-27 | 2019-03-27 | 基于x射线图像的目标检测方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978863B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111627027A (zh) * | 2020-05-22 | 2020-09-04 | 深圳前海微众银行股份有限公司 | 图像区域检测方法、装置、设备及存储介质 |
WO2021218037A1 (zh) * | 2020-04-29 | 2021-11-04 | 北京迈格威科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN118130508A (zh) * | 2024-04-29 | 2024-06-04 | 南方电网调峰调频发电有限公司检修试验分公司 | 励磁浇筑母线质量检测方法、装置和计算机设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107644225A (zh) * | 2017-10-31 | 2018-01-30 | 北京青燕祥云科技有限公司 | 肺部病灶识别方法、装置和实现装置 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
CN108229455A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108305248A (zh) * | 2018-01-17 | 2018-07-20 | 慧影医疗科技(北京)有限公司 | 一种骨折识别模型的构建方法及应用 |
US20180342077A1 (en) * | 2017-05-26 | 2018-11-29 | Fujitsu Limited | Teacher data generation apparatus and method, and object detection system |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
CN109447998A (zh) * | 2018-09-29 | 2019-03-08 | 华中科技大学 | 基于PCANet深度学习模型下的自动分割方法 |
US10235606B2 (en) * | 2015-07-22 | 2019-03-19 | Siemens Healthcare Gmbh | Method and system for convolutional neural network regression based 2D/3D image registration |
-
2019
- 2019-03-27 CN CN201910239361.4A patent/CN109978863B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10235606B2 (en) * | 2015-07-22 | 2019-03-19 | Siemens Healthcare Gmbh | Method and system for convolutional neural network regression based 2D/3D image registration |
CN108229455A (zh) * | 2017-02-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 物体检测方法、神经网络的训练方法、装置和电子设备 |
US20180342077A1 (en) * | 2017-05-26 | 2018-11-29 | Fujitsu Limited | Teacher data generation apparatus and method, and object detection system |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN107644225A (zh) * | 2017-10-31 | 2018-01-30 | 北京青燕祥云科技有限公司 | 肺部病灶识别方法、装置和实现装置 |
CN107944442A (zh) * | 2017-11-09 | 2018-04-20 | 北京智芯原动科技有限公司 | 基于改进卷积神经网络的对象检测装置及方法 |
CN108305248A (zh) * | 2018-01-17 | 2018-07-20 | 慧影医疗科技(北京)有限公司 | 一种骨折识别模型的构建方法及应用 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN109447998A (zh) * | 2018-09-29 | 2019-03-08 | 华中科技大学 | 基于PCANet深度学习模型下的自动分割方法 |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
范钦民: "基于多层特征融合的 SSD 目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218037A1 (zh) * | 2020-04-29 | 2021-11-04 | 北京迈格威科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN111627027A (zh) * | 2020-05-22 | 2020-09-04 | 深圳前海微众银行股份有限公司 | 图像区域检测方法、装置、设备及存储介质 |
CN118130508A (zh) * | 2024-04-29 | 2024-06-04 | 南方电网调峰调频发电有限公司检修试验分公司 | 励磁浇筑母线质量检测方法、装置和计算机设备 |
CN118130508B (zh) * | 2024-04-29 | 2024-07-02 | 南方电网调峰调频发电有限公司检修试验分公司 | 励磁浇筑母线质量检测方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109978863B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3961484B1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
Dvornik et al. | Modeling visual context is key to augmenting object detection datasets | |
Tudor Ionescu et al. | How hard can it be? Estimating the difficulty of visual search in an image | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN107408209A (zh) | 无需取样及特征选择的自动缺陷分类 | |
CN109978863A (zh) | 基于x射线图像的目标检测方法及计算机设备 | |
Liao et al. | Competitive multi-scale convolution | |
CN107506793A (zh) | 基于弱标注图像的服装识别方法及系统 | |
CN109740668A (zh) | 深度模型训练方法及装置、电子设备及存储介质 | |
CN108399431A (zh) | 分类模型训练方法以及分类方法 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
US11568212B2 (en) | Techniques for understanding how trained neural networks operate | |
CN110766039B (zh) | 渣土车运输状态识别方法、介质、设备及渣土车 | |
CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN111611851B (zh) | 模型生成方法、虹膜检测方法及装置 | |
KR102188649B1 (ko) | 영상 처리 장치 및 방법 | |
CN106485259A (zh) | 一种基于高约束高分散主成分分析网络的图像分类方法 | |
CN108647571A (zh) | 视频动作分类模型训练方法、装置及视频动作分类方法 | |
US11694428B1 (en) | Method for detecting Ophiocephalus argus cantor under intra-class occulusion based on cross-scale layered feature fusion | |
Seyedhosseini et al. | Segmentation of mitochondria in electron microscopy images using algebraic curves | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
CN109472257A (zh) | 一种字符版面确定方法及装置 | |
CN113670929A (zh) | 输电线异物检测方法与装置、存储介质、终端设备 | |
Dawoud et al. | Human-centered evaluation of xai methods |
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 |