CN110059586A - 一种基于空洞残差注意力结构的虹膜定位分割系统 - Google Patents
一种基于空洞残差注意力结构的虹膜定位分割系统 Download PDFInfo
- Publication number
- CN110059586A CN110059586A CN201910248893.4A CN201910248893A CN110059586A CN 110059586 A CN110059586 A CN 110059586A CN 201910248893 A CN201910248893 A CN 201910248893A CN 110059586 A CN110059586 A CN 110059586A
- Authority
- CN
- China
- Prior art keywords
- module
- output
- input
- convolutional layer
- darb
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于空洞残差注意力结构的虹膜定位分割系统,包括特征提取结构、分割结构以及评分结构;特征提取结构包括M个逐级串联的特征提取模块,第M级特征提取模块的输出分别与评分结构的输入以及分割结构的输入;分割结构包括间隔逐级串联的M‑1个上采样模块和M‑2个特征融合模块,第i级特征提取模块的输出至第M‑i级特征融合模块一个输入,特征融合模块的另一个输入与本级的上采样模块的输出相连,第M‑1级上采样模块输出分割完成后的掩膜图像。特征提取模块包含了N个空洞注意力残差结构DARB以及1个下采样的空洞注意力残差结构DADRB。本发明使用DARB来搭建神经网络,通过设计多分支网络实现准确快速虹膜区域划分,实现对虹膜区域质量自动评估。
Description
技术领域
本发明属于数字图像处理与机器学习领域,主要用于虹膜图像检测与分割。
背景技术
虹膜识别是一种利用生物虹膜内部纤维组织构成的特征点,对人的身份进行验证识别的一种生物特征识别技术。由于虹膜具有很高的稳定性,唯一性,防伪性等优秀的性质。相较于其他生物特征识方法,虹膜验证识别精度更高,因此也得到了更加广泛的使用。
虹膜识别过程一般由预处理,虹膜定位,特征提取,特征匹配几个部分组成。而虹膜定位分割算法是虹膜识别中最重要的一环,不准确的虹膜定位区域会直接影响后续的特征提取的准确性,从而导致最终的识别准确性下降。目前已经有很多的虹膜定位算法,比如Dungman 的圆模板定位算法,基于边缘检测和霍夫圆变换的定位算法,基于统计原理的定位算法等。这些方法单纯将虹膜区域当作圆来处理,忽略了睫毛眼睑的遮挡问题,同时通常情况下只能处理近距离拍摄的虹膜图像,使用体验不佳;对于质量较差的虹膜图像适应性不强,鲁棒性比较差。
残差结构是何凯明在2016年计算机视觉与模式识别国际大会(CVPR)中提出的一种新型网络结构,该结构能够有效减轻神经网络由于网络层数提升使网络陷入饱和区时所带来的梯度弥散问题,使得网络更容易训练,残差结构如图1所示,主要分为两个分支:残差学习分支与残差分支。残差学习分支主要由三层卷积神经网络构成,第一层与第三层卷积的卷积核通常为1×1,分别进行通道压缩与通道拓展;中间层卷积核大小为k×k(通常k=3),主要用于特征学习。残差分支将残差结构的输入与残差学习分支的输出进行按位置相加操作。
空洞卷积是一种能在不增加运算量的同时增大网络感受野的卷积方式。传统卷积神经网络在处理类图像的特征张量I的过程中,只接受一个k×k大小区域内的信息,式(1)展示了特征张量I与卷积K操作的过程。式中(i,j)表示坐标位置,m,n表示卷积核中的位置。
F(i,j)=(I*K)i,j=∑m∑nI(i+m,j+n)K(m,n) (1)
式(2)展示了空洞卷积的操作过程。空洞卷积和普通卷积的最大区别是空洞参数d的引入。空洞参数d控制着卷积的操作方式,在卷积核大小不变的情况下空洞卷积可以通过控制空洞参数d的大小改变网络的感受野。
F(i,j)=(I*K)(i,j)=∑m∑nI(i+dm,j+dn)K(m,n) (2)
发明内容
本发明所要解决的技术问题是,提供一种旨在解决复杂条件下的虹膜定位与分割的虹膜图像分割系统。
本发明为解决上述技术问题所采用的技术方案是,基于空洞残差注意力结构的虹膜定位分割系统,包括特征提取结构、分割结构以及评分结构;
特征提取结构包括M个特征提取模块,M个特征提取模块逐级串联,第1级特征提取模块的输入为待分割的虹膜图像,第M级特征提取模块的输出分别与评分结构的输入以及分割结构的输入;
分割结构包括M-1个上采样模块和M-2个特征融合模块,M-1个上采样模块和M-2个特征融合模块间隔逐级串联,第M级特征提取模块输出至第1级上采样模块的输入,第i级特征提取模块的输出至第M-i级特征融合模块一个输入,i=2,…,M-1,特征融合模块的另一个输入与本级的上采样模块的输出相连,各级特征融合模块均作为下一级上采样模块的输入,第M-1级上采样模块输出分割完成后的掩膜图像;
评分结构包括全局池化层与全连接层,全局池化层用于将来自于第M级特征提取模块的特征图映射为输出向量,全连接层对输出向量进行分类从而判断虹膜质量是否合格;
每个特征提取模块包含了N个空洞注意力残差结构DARB以及1个下采样的空洞注意力残差结构DADRB;N个DARB与1个DADRB逐级串联,第1级DARB的输入作为特征提取模块的输入,第N个DARB的输出至DADRB的输入,DADRB的输出作为特征提取模块的输出;
每个上采样模块包含了1个卷积层、1个像素重排模块以及2个DARB,卷积层、像素重排模块以及2个DARB逐级串联,卷积层的输入作为上采样模块的输入,第2级DARB的输出作为上采样模块的输出。
本发明的有益效果是,使用空洞残差注意力结构来搭建神经网络,通过设计多分支网络实现准确快速虹膜区域划分,并实现对虹膜区域质量自动评估。
附图说明
图1为残差结构;
图2为注意力机制的实现结构;
图3为空洞注意力残差结构;
图4为下采样的空洞注意力残差结构;
图5为分割系统示意图;
图6为Block结构示意图;
图7为UP结构示意图;
图8为虹膜区域在图像中位置示意图;
图9为模型自融合分割过程示意图;
图10为评分通过的分割实例。
具体实施方式
1.结构设计
为了更好的进行虹膜分割,本文提出了空间注意力机制来提升分割性能,具体的注意力结构如图2所示。为了避免直接对通道压缩带来的问题,本文提出的注意力机制首先对特征图进行全局池化,对于一个维度为的特征张量经过全局池化后得到维度为的向量,然后将该向量使用两层全连接网络得到通道掩膜向量。该两层全连接网络实现 的映射过程。得到通道掩膜后,使用对应通道相乘的方式得到通道加权后的特征图,然后使用卷积核为1×1的卷积操作将特征图通道压缩为1。将压缩后的单通道特征图展开为向量形式在经过类似通道注意的两层全连接网络得到空间注意力掩膜,最后将空间注意力掩膜与原始特征图对应空间位置相乘得到便完成了空间注意力操作。
在基于传统残差结构的基础上本发明设计了基于空洞卷积与空间注意力机制的空洞残差注意力结构(Dilation and Attention based Residual Block,DARB),如图3所示。每个 DARB包括3个卷积层、1个空洞卷积层、1个特征组合层、1个注意力模块以及1个张量加法模块,DARB输入的特征图至第1卷积层与张量加法模块的1个输入,第1卷积层分别输出至空洞卷积层与第2卷积层,空洞卷积层与第2卷积层的输出至特征组合层,特征组合层输出至第3卷积层,第3卷积层输出至注意力模块,注意力模块输出空间注意力掩膜至张量加法模块的另1个输入,张量加法模块输出作为DARB的输出。
由于图像分割涉及到像素级别的处理,对于卷积的感受野大小更加敏感,但是直接增大卷积核大小来提升感受野,会带来平方级的参数量与计算量的增加,而空洞卷积能够有效避免这种问题。该结构相对于传统残差结构提升了感受野区域大小,并使用注意力机制增强了分割能力。
为了将特征图分辨率下以采样降低网络后续的计算量,设计了用于两倍下采样的空洞注意力残差结构(Dilation and Attention based Down-sampling Residual Block,DADRB),将DARB 结构中注意力模块前的卷积层步进(stride)设置为2,其结构如图4所示。本文中未特别说明步进的卷积层的步进均为1。DADRB包括2个卷积层、1个空洞卷积层、1个特征组合层、 2个步进为2的卷积层、1个注意力模块以及1个张量加法模块,DADRB输入的特征图至第1 卷积层与一个步进为2的卷积层,该步进为2的卷积层输出至张量加法模块的1个输入,第 1卷积层分别输出至空洞卷积层与第2卷积层,空洞卷积层与第2卷积层的输出至特征组合层,特征组合层输出至另一个步进为2的卷积层,该步进为2的卷积层输出至注意力模块,注意力模块输出空间注意力掩膜至张量加法模块的另1个输入,张量加法模块输出作为DADRB 的输出。
2.网络设计
对于虹膜的正确分割关系到整个识别系统的性能,本文通过重新设计损失函数与神经网络,使得分割与质量评估能够同时由单个神经网络得到。
该网络是多任务网络,即在同一特征提取骨干架构下分别进行虹膜分割与质量评估。网络整体来看是一个‘U’型结构,主要包含了特征提取结构,评分结构以及分割结构,如图5 所示。
特征提取结构包括M=5个特征提取模块block,5个block逐级串联,第1级block的输入为待分割的虹膜图像,第5级block的输出分别与评分结构的输入以及分割结构的输入;分割结构包括4个上采样模块UP和M-2=3个特征融合模块C,4个UP和3个特征融合模块C间隔逐级串联,第5级block的输出至第1级UP的输入,第i级block的输出至第M-i级特征融合模块C的一个输入,i=2,…,M-1,特征融合模块C的另一个输入与本级的UP的输出相连,各级特征融合模块C均作为下一级上采样模块UP的输入,第M-1级UP输出分割完成后的掩膜图像。
Block的具体结构如图6所示,包含了N=4个空洞注意力残差结构DARB以及1个下采样的空洞注意力残差结构DADRB;4个DARB与1个DADRB逐级串联,第1级DARB的输入作为特征提取模块的输入,第4个DARB的输出至DADRB的输入,DADRB的输出作为特征提取模块的输出。
评分结构在block5输出特征图的基础上进行构建。评分结构包括全局池化层与全连接层,全局池化层用于将来自于第5级block的特征图映射为输出向量,全连接层对输出向量进行分类从而判断虹膜质量是否合格;
分割结构是一个结合像素重排操作进行上采样的过程。对于一个维度为W×H×r2C的特征图T,通过像素重排后得到维度为rW×rH×C的特征图T′,T′定义如式(3)所示,式中x,y,c 分别表示特征图的空间坐标。像素重排相比传统的反卷积操作更加快捷,易于训练。
一个UP结构如图7所示,包含了1个卷积层、1个像素重排模块以及2个DARB,卷积层、像素重排模块以及2个DARB逐级串联,卷积层的输入作为上采样模块的输入,第2级DARB的输出作为上采样模块的输出;UP结构首先利用一个卷积层将特征图通道数映射为上采样倍数r的平方数,以便于像素重排。接着使用两个DARB结构对像素重排后的特征进行学习。
在上采样过程中还涉及到特征复用,即将特征提取结构中与分割结构中空间分辨率相同的特征在通道数上进行组合,同时加入上采样过程中,便于提升分割的准确度。
3.损失函数
网络损失函数分为两个部分,分类损失Lc与分割损失Ls,总的损失函数为L=Lc+γLs。其中γ为平衡因子,用于平衡两个不同损失在总的损失函数中的占比。
分类损失函数Lc是二分类损失函数,Lc定义如式(4)所示,其中yc∈[0,1]表示图像的标签是否合格,pc是评分网络的预测概率。
Lc(pc,yc)=-yclog(pc)-(1-yc)log(1-pc) (4)
分割网络损失Ls是根据虹膜特性设计的掩膜分割损失函数。根据国际标准,一张合格的虹膜图像,虹膜位置应该包含与如图8所示的圆区域内。根据该特点,我们设计了如式(5) 所示的掩膜损失,式中ys表示圆形区域中每个像素点是否属于虹膜区域,ps表示网络的分割结果。如果图片不合格,即yc=0则不考虑分割的结果。
最终整个分割评分网络总的损失函数如式(6)所示。式中γ表示平衡因子,用于平衡分类损失与分割损失在总损失函数中的占比。
3.网络训练
对于训练数据,在集合{0°,90°,180°,270°}中随机选择旋转角度α对虹膜图像进行旋转,并适当随机调整图像的对比度与亮度参数作为数据增强技术。使用Adam优化器对网络进行训练。第n次迭代的学习率rn使用式(7)所示的余弦准则进行更新,式中r0表示初始学习率,N表示总的迭代次数。
rn=0.5×(1+cos(nπ/N))×r0 (7)
4.模型自融合
在测试阶段将输入的虹膜图像分别随机旋转0°、90°、180°及270°,将这四张图像组成一个批(batch)传入分割评分网络,对于该图像的评分结果采用未旋转图像的结果(旋转角度为0°),如果评分合格,对于分割图像便将四张旋转图像得到的分割结果反旋转回去,然后进行按位置取均值处理得到最终的分割结果,以增加分割性能。过程如图9所示。
5.效果展示
图10展示了本发明中评分通过的分割结果,由于采用的定制化的一阶检测网络,速度非常快,整个检测过程能达到实时的需求,通过检测结果引导相机进行虹膜对焦,拍摄清晰虹膜区域图像。同时也采用神经网络的方式对虹膜图像进行提取分割,无需人为干涉,能够自动提取虹膜区域,并通过评分机制对遮挡严重、图像模糊等造成不能完整提取虹膜信息的样本图片自动筛除。由于整个过程采用深度学习算法,此发明对于虹膜采集设备依赖较低,适应性强,并且具有很高的鲁棒性。
Claims (5)
1.基于空洞残差注意力结构的虹膜定位分割系统,其特征在于,包括特征提取结构、分割结构以及评分结构;
特征提取结构包括M个特征提取模块,M个特征提取模块逐级串联,第1级特征提取模块的输入为待分割的虹膜图像,第M级特征提取模块的输出分别为评分结构的输入以及分割结构的输入;
分割结构包括M-1个上采样模块和M-2个特征融合模块,M-1个上采样模块和M-2个特征融合模块间隔逐级串联,第M级特征提取模块输出至第1级上采样模块的输入,第i级特征提取模块的输出至第M-i级特征融合模块一个输入,i=2,…,M-1,特征融合模块的另一个输入与本级的上采样模块的输出相连,各级特征融合模块均作为下一级上采样模块的输入,第M-1级上采样模块输出分割完成后的掩膜图像;
评分结构包括全局池化层与全连接层,全局池化层用于将来自于第M级特征提取模块的特征图映射为输出向量,全连接层对输出向量进行分类从而判断虹膜质量是否合格;
所述特征提取模块包含了N个空洞注意力残差结构DARB以及1个下采样的空洞注意力残差结构DADRB;N个DARB与1个DADRB逐级串联,第1级DARB的输入作为特征提取模块的输入,第N个DARB的输出至DADRB的输入,DADRB的输出作为特征提取模块的输出;
所述上采样模块包含了1个卷积层、1个像素重排模块以及2个DARB,卷积层、像素重排模块以及2个DARB逐级串联,卷积层的输入作为上采样模块的输入,第2级DARB的输出作为上采样模块的输出。
2.如权利要求1所述系统,其特征在于,所述DARB包括3个卷积层、1个空洞卷积层、1个特征组合层、1个注意力模块以及1个张量加法模块,DARB输入的特征图至第1卷积层与张量加法模块的1个输入,第1卷积层分别输出至空洞卷积层与第2卷积层,空洞卷积层与第2卷积层的输出至特征组合层,特征组合层输出至第3卷积层,第3卷积层输出至注意力模块,注意力模块输出至张量加法模块的另1个输入,张量加法模块输出作为DARB的输出;
所述DADRB包括2个卷积层、1个空洞卷积层、1个特征组合层、2个步进为2的卷积层、1个注意力模块以及1个张量加法模块,DADRB输入的特征图至第1卷积层与一个步进为2的卷积层,该步进为2的卷积层输出至张量加法模块的1个输入,第1卷积层分别输出至空洞卷积层与第2卷积层,空洞卷积层与第2卷积层的输出至特征组合层,特征组合层输出至另一个步进为2的卷积层,该步进为2的卷积层输出至注意力模块,注意力模块输出至张量加法模块的另1个输入,张量加法模块输出作为DADRB的输出。
3.如权利要求1所述系统,其特征在于,系统的网络损失函数L=Lc+γLs,Lc为分类损失,Ls为分割损失,γ为平衡因子。
4.如权利要求1所述系统,其特征在于,在测试阶段将输入的每一张原始虹膜图像分别旋转0°、90°、180°及270°,将这四张旋转图像组成一个批传入系统;对于当一批中旋转角度为0°的虹膜图像被评分结构分类为合格,对于分割结构输出的掩膜图像则为将四张旋转图像得到的分割结果反旋转回去,然后进行按位置取均值处理得到最终的分割结果。
5.如权利要求1所述系统,其特征在于,M=5,N=4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248893.4A CN110059586B (zh) | 2019-03-29 | 2019-03-29 | 一种基于空洞残差注意力结构的虹膜定位分割系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910248893.4A CN110059586B (zh) | 2019-03-29 | 2019-03-29 | 一种基于空洞残差注意力结构的虹膜定位分割系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059586A true CN110059586A (zh) | 2019-07-26 |
CN110059586B CN110059586B (zh) | 2022-03-15 |
Family
ID=67318016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910248893.4A Active CN110059586B (zh) | 2019-03-29 | 2019-03-29 | 一种基于空洞残差注意力结构的虹膜定位分割系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059586B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675405A (zh) * | 2019-09-12 | 2020-01-10 | 电子科技大学 | 基于注意力机制的one-shot图像分割方法 |
CN110766670A (zh) * | 2019-10-18 | 2020-02-07 | 厦门粉红思黛医学科技有限公司 | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 |
CN110796665A (zh) * | 2019-10-21 | 2020-02-14 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN111639654A (zh) * | 2020-05-12 | 2020-09-08 | 博泰车联网(南京)有限公司 | 一种图像处理方法、装置及计算机存储介质 |
CN112508625A (zh) * | 2020-12-18 | 2021-03-16 | 国网河南省电力公司经济技术研究院 | 基于多分枝残差注意力网络的智能稽查建模方法 |
CN112905816A (zh) * | 2021-03-19 | 2021-06-04 | 上海聚虹光电科技有限公司 | 虹膜搜索识别方法、装置、处理器及电子装置 |
CN113537111A (zh) * | 2021-07-26 | 2021-10-22 | 南京信息工程大学 | 基于双支路深度卷积网络的虹膜分割方法 |
CN113706469A (zh) * | 2021-07-29 | 2021-11-26 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
CN113793345A (zh) * | 2021-09-07 | 2021-12-14 | 复旦大学附属华山医院 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
CN115762787A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学 | 基于眼睑拓扑形态分析的眼睑疾病手术疗效评估方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544420A (zh) * | 2013-08-15 | 2014-01-29 | 马建 | 用于智能眼镜的防伪虹膜身份认证方法 |
CN105787472A (zh) * | 2016-03-28 | 2016-07-20 | 电子科技大学 | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 |
US20180089834A1 (en) * | 2016-09-29 | 2018-03-29 | Magic Leap, Inc. | Neural network for eye image segmentation and image quality estimation |
CN108229580A (zh) * | 2018-01-26 | 2018-06-29 | 浙江大学 | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 |
CN108537776A (zh) * | 2018-03-12 | 2018-09-14 | 维沃移动通信有限公司 | 一种图像风格迁移模型生成方法及移动终端 |
CN108629262A (zh) * | 2017-03-18 | 2018-10-09 | 上海荆虹电子科技有限公司 | 虹膜识别方法及相应装置 |
-
2019
- 2019-03-29 CN CN201910248893.4A patent/CN110059586B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544420A (zh) * | 2013-08-15 | 2014-01-29 | 马建 | 用于智能眼镜的防伪虹膜身份认证方法 |
CN105787472A (zh) * | 2016-03-28 | 2016-07-20 | 电子科技大学 | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 |
US20180089834A1 (en) * | 2016-09-29 | 2018-03-29 | Magic Leap, Inc. | Neural network for eye image segmentation and image quality estimation |
CN108629262A (zh) * | 2017-03-18 | 2018-10-09 | 上海荆虹电子科技有限公司 | 虹膜识别方法及相应装置 |
CN108229580A (zh) * | 2018-01-26 | 2018-06-29 | 浙江大学 | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 |
CN108537776A (zh) * | 2018-03-12 | 2018-09-14 | 维沃移动通信有限公司 | 一种图像风格迁移模型生成方法及移动终端 |
Non-Patent Citations (3)
Title |
---|
RONGRONG SHI等: "An Efficient Recognition Method for Incomplete Iris Image Based on CNN Model", 《网页在线公开:HTTPS://IEEEXPLORE.IEEE.ORG/STAMP/STAMP.JSP?TP=&ARNUMBER=8560178》 * |
周涛等: "基于ARM和DSP的虹膜识别系统的设计", 《全国第八届嵌入式系统学术年会论文集》 * |
王延年等: "基于阈值分割及边缘检测的虹膜定位算法", 《微处理机》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675405A (zh) * | 2019-09-12 | 2020-01-10 | 电子科技大学 | 基于注意力机制的one-shot图像分割方法 |
CN110675405B (zh) * | 2019-09-12 | 2022-06-03 | 电子科技大学 | 基于注意力机制的one-shot图像分割方法 |
CN110766670A (zh) * | 2019-10-18 | 2020-02-07 | 厦门粉红思黛医学科技有限公司 | 一种基于深度卷积神经网络的乳腺钼靶图像肿瘤定位算法 |
CN110796665A (zh) * | 2019-10-21 | 2020-02-14 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110796665B (zh) * | 2019-10-21 | 2022-04-22 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN111639654A (zh) * | 2020-05-12 | 2020-09-08 | 博泰车联网(南京)有限公司 | 一种图像处理方法、装置及计算机存储介质 |
CN111639654B (zh) * | 2020-05-12 | 2023-12-26 | 博泰车联网(南京)有限公司 | 一种图像处理方法、装置及计算机存储介质 |
CN112508625A (zh) * | 2020-12-18 | 2021-03-16 | 国网河南省电力公司经济技术研究院 | 基于多分枝残差注意力网络的智能稽查建模方法 |
CN112905816A (zh) * | 2021-03-19 | 2021-06-04 | 上海聚虹光电科技有限公司 | 虹膜搜索识别方法、装置、处理器及电子装置 |
CN112905816B (zh) * | 2021-03-19 | 2024-05-17 | 上海聚虹光电科技有限公司 | 虹膜搜索识别方法、装置、处理器及电子装置 |
CN113537111A (zh) * | 2021-07-26 | 2021-10-22 | 南京信息工程大学 | 基于双支路深度卷积网络的虹膜分割方法 |
CN113706469A (zh) * | 2021-07-29 | 2021-11-26 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
CN113706469B (zh) * | 2021-07-29 | 2024-04-05 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多模型投票机制的虹膜自动分割方法及系统 |
CN113793345A (zh) * | 2021-09-07 | 2021-12-14 | 复旦大学附属华山医院 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
CN113793345B (zh) * | 2021-09-07 | 2023-10-31 | 复旦大学附属华山医院 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
CN115762787A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学 | 基于眼睑拓扑形态分析的眼睑疾病手术疗效评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110059586B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059586A (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
CN108038476B (zh) | 一种基于边缘检测与sift的人脸表情识别特征提取方法 | |
CN108021916B (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
CN109544555B (zh) | 基于生成式对抗网络的细小裂缝分割方法 | |
CN108288075A (zh) | 一种改进ssd的轻量化小目标检测方法 | |
CN107862698B (zh) | 基于k均值聚类的光场前景分割方法及装置 | |
CN105518709B (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
CN108334847A (zh) | 一种真实场景下的基于深度学习的人脸识别方法 | |
CN111898406B (zh) | 基于焦点损失和多任务级联的人脸检测方法 | |
CN108334848A (zh) | 一种基于生成对抗网络的微小人脸识别方法 | |
CN104361313B (zh) | 一种基于多核学习异构特征融合的手势识别方法 | |
CN106228166B (zh) | 字符图像的识别方法 | |
CN110349167A (zh) | 一种图像实例分割方法及装置 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN108615058A (zh) | 一种字符识别的方法、装置、设备及可读存储介质 | |
CN109615358B (zh) | 一种基于深度学习图像识别的餐厅自动结算方法及系统 | |
CN111914838A (zh) | 一种基于文本行识别的车牌识别方法 | |
CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
CN109934081A (zh) | 一种基于深度神经网络的行人属性识别方法、装置及存储介质 | |
CN113313149B (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
CN110610174A (zh) | 复杂条件下银行卡号识别方法 | |
CN109903339A (zh) | 一种基于多维融合特征的视频群体人物定位检测方法 | |
CN116385430A (zh) | 一种机器视觉瑕疵检测方法、装置、介质及设备 | |
CN114937266A (zh) | 一种基于yolox-s的硬壳蛤生物体征识别方法 |
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 |