CN110276777A - 一种基于深度图学习的图像分割方法及装置 - Google Patents
一种基于深度图学习的图像分割方法及装置 Download PDFInfo
- Publication number
- CN110276777A CN110276777A CN201910559420.6A CN201910559420A CN110276777A CN 110276777 A CN110276777 A CN 110276777A CN 201910559420 A CN201910559420 A CN 201910559420A CN 110276777 A CN110276777 A CN 110276777A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- similitude
- correction
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005192 partition Methods 0.000 title claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000638 solvent extraction Methods 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims description 11
- 230000000052 comparative effect Effects 0.000 claims description 8
- 238000004040 coloring Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度图学习的图像分割方法,涉及图像处理技术领域,包括训练部分和分割部分;在训练部分,通过采集图像、校正图像、将校正后的图像抽象成一个相似性图、利用图卷积神经网络分割相似图并得到分割结果,最终通过深度学习构建图卷积神经网络模型;在分割部分,则通过采集图像、校正图像、将校正后的图像抽象成一个相似性图、利用图卷积神经网络模型分割相似图并得到分割结果,由此基于图像中像素之间的关联性信息,实现了图像的高精度分割。本发明还提供一种基于深度图学习的图像分割方法及装置,同样可以实现图像的高精度分割。
Description
技术领域
本发明涉及图像处理技术领域,具体的说是一种基于深度图学习的图像分割方法及装置。
背景技术
图像分割是图像分析的重要基础。基于学习的方法已成为图像分割的一种主流方法。然而现有的基于学习的方法忽略了像素之间的关联性信息,降低了分割性能。因此,如何有效挖掘和利用像素点之间的关联性信息,提高图像分割精度,具有重要的研究意义和应用价值。
发明内容
本发明针对现有基于学习的方法因忽略了像素之间的关联性信息而降低图像分割精度的问题,提供一种基于深度图学习的图像分割方法及装置。
首先,本发明提供一种基于深度图学习的图像分割方法,解决上述技术问题采用的技术方案如下:
一种基于深度图学习的图像分割方法,该方法的实现过程包括:
(一)训练部分:
步骤一、采集图像,将所采集图像作为样本图像;
步骤二、利用局部信息对图像的噪声像素进行校正;
步骤三、利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
步骤四、将抽象得到的相似性图输入图卷积神经网络,获取像素点之间的关联性信息,得到相似性图的分割结果;
步骤五、循环执行步骤一至步骤四,尤其学习同一张图像中像素点之间的关联性信息和得到的分割结果,在图卷积神经网络的基础上训练并构建图卷积神经网络模型;
(二)分割部分:
步骤一、采集图像,所采集图像作为待分割图像;
步骤二、对图像的噪声像素进行校正;
步骤三、利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
步骤四、将抽象得到的相似性图输入图卷积神经网络模型,得到分割结果。
具体的,利用局部信息对图像的噪声像素进行校正的具体步骤包括:
1)在图像中选择N*N邻域;
2)基于N*N邻域,依次计算中心像素的灰度值S、周围像素的灰度平均值M、周围像素灰度方差V;
3)设置阈值T,计算|S-M|/V;
4)在|S-M|/V的计算结果大于T时,则认为该中心像素是噪声,对中心像素进行灰度校正,将中心像素的像素值改为M。
具体的,将校正后的图像抽象成相似性图的具体步骤包括:
1)以每个像素为节点,以像素之间的相似性信息为边,构造相似性图;
2)基于图像的颜色信息,利用欧式距离比较两两像素之间的相似性,同时,设置阈值T1;
3)基于像素的空间位置信息,比较两两像素之间的相似性,同时,设置阈值T2;
4)如果两个像素的颜色差值小于T1且空间差值小于T2,则认为这两个像素是有关联性的,则将这两个像素建立一条边;
5)针对两两像素,重复步骤1)-4),最终构建完整的相似图。
优选,所涉及图卷积神经网络模型包含1*1的卷积层。
其次,本发明还提供一种基于深度图学习的图像分割装置,该装置包括:
采集模块,用于采集图像,将所采集图像作为样本图像;
校正模块,用于利用局部信息对图像的噪声像素进行校正;
抽象模块,用于利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
图卷积神经网络,用于接收相似性图并获取像素点之间的关联性信息,进而输出相似图的分割结果;
学习构建模块,用于学习同一张图像中像素点之间的关联性信息和得到的分割结果,并在图卷积神经网络的基础上构建图卷积神经网络模型;
图卷积神经网络模型对抽象模块输出的相似性图进行分割,进而得到分割结果。
具体的,所涉及校正模块包括:
选取子模块,用于在图像中选择N*N邻域;
计算子模块,基于N*N邻域,用于计算中心像素的灰度值S、周围像素的灰度平均值M、周围像素灰度方差V,还用于计算|S-M|/L比值结果;
设定子模块一,用于设定阈值T;
比较判定子模块,用于比较|S-M|/L和阈值T,在|S-M|/V的计算结果大于T时,则认为该中心像素是噪声;
校正子模块,用于对中心像素进行灰度校正,将中心像素的像素值修正为M。
具体的,所涉及抽象模块包括:
构造子模块,针对校正后图像,用于将每个像素作为节点,以像素之间的相似性信息为边,构造相似性图;
设定子模块二,用于设定阈值T1、T2;
比较子模块一,基于图像的颜色信息,利用欧式距离比较两两像素之间的相似;
比较子模块二,基于像素的空间位置信息,用于比较两两像素之间的相似性;
差值判定子模块,用于比较两个像素的颜色差值和空间差值,在颜色差值小于T1且空间差值小于T2时,判定这两个像素是有关联性的,则将这两个像素建立一条边;
构建子模块,针对图像中所有的两两像素,用于构建完整的相似图。
具体的,所涉及图卷积神经网络模型包含1*1的卷积层。
本发明的一种基于深度图学习的图像分割方法及装置,与现有技术相比具有的有益效果是:
1)本发明的图像分割方法包括训练部分和分割部分;在训练部分,通过采集图像、校正图像、将校正后的图像抽象成一个相似性图、利用图卷积神经网络分割相似图并得到分割结果,最终通过深度学习构建图卷积神经网络模型;在分割部分,则通过采集图像、校正图像、将校正后的图像抽象成一个相似性图、利用图卷积神经网络模型分割相似图并得到分割结果,由此基于图像中像素之间的关联性信息,实现了图像的高精度分割;
2)本发明的图像分割装置通过采集模块、校正模块、抽象模块、图卷积神经网络、学习构建模块完成图卷积神经网络模型的构建,基于图像中像素之间的关联性信息,又通过采集模块、校正模块、抽象模块、图卷积神经网络模型完成了图像的高精度分割。
附图说明
附图1是本发明实施例一训练部分的流程框图;
附图2是本发明实施例一分割部分的流程框图;
附图3是本发明实施例二的结构框图。
附图3中各标号信息表示:
10、采集模块,20、校正模块,30、抽象模块,40、图卷积神经网络,
50、学习构建模块,60、图卷积神经网络模型;
21、选取子模块,22、计算子模块,23、设定子模块一,
24、比较判定子模块,25、校正子模块;
31、构造子模块,32、设定子模块二,33、比较子模块一,
34、比较子模块二,35、差值判定子模块,36、构建子模块。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。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获得的所有实施例,都在本发明的保护范围之内。
实施例一:
结合附图1、2,本实施例提出一种基于深度图学习的图像分割方法,该方法的实现过程包括:
S10、训练部分:
S11、采集图像,将所采集图像作为样本图像;
S12、利用局部信息对图像的噪声像素进行校正;
S13、利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
S14、将抽象得到的相似性图输入图卷积神经网络,获取像素点之间的关联性信息,得到相似性图的分割结果;
S15、循环执行步骤S11至步骤S14,尤其学习同一张图像中像素点之间的关联性信息和得到的分割结果,在图卷积神经网络的基础上训练并构建图卷积神经网络模型;
S20、分割部分:
S21、采集图像,所采集图像作为待分割图像;
S22、对图像的噪声像素进行校正;
S23、利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
S24、将抽象得到的相似性图输入图卷积神经网络模型,得到分割结果。
在本实施例中,利用局部信息对图像的噪声像素进行校正的具体步骤包括:
S12-1)在图像中选择N*N邻域;
S12-2)基于N*N邻域,依次计算中心像素的灰度值S、周围像素的灰度平均值M、周围像素灰度方差V;
S12-3)设置阈值T,计算|S-M|/V;
S12-4)在|S-M|/V的计算结果大于T时,则认为该中心像素是噪声,对中心像素进行灰度校正,将中心像素的像素值改为M。
在本实施例中,将校正后的图像抽象成相似性图的具体步骤包括:
S13-1)以每个像素为节点,以像素之间的相似性信息为边,构造相似性图;
S13-2)基于图像的颜色信息,利用欧式距离比较两两像素之间的相似性,同时,设置阈值T1;
S13-3)基于像素的空间位置信息,比较两两像素之间的相似性,同时,设置阈值T2;
S13-4)如果两个像素的颜色差值小于T1且空间差值小于T2,则认为这两个像素是有关联性的,则将这两个像素建立一条边;
S13-5)针对两两像素,重复步骤S13-1)至步骤S13-4),最终构建完整的相似图。
在本实施例中,所涉及图卷积神经网络模型包含1*1的卷积层。
本实施例包括训练部分和分割部分;在训练部分旨在利用图卷积神经网络分割相似图并得到分割结果,并通过深度学习相似图特征和分割结果构建图卷积神经网络模型;在分割部分,则直接将待分割图像的相似性图输入图卷积神经网络模型,获得待分割图像的高精度分割结果。
实施例二:
结合附图3,本实施例提出一种基于深度图学习的图像分割装置,该装置包括:
采集模块10,用于采集图像,将所采集图像作为样本图像;
校正模块20,用于利用局部信息对图像的噪声像素进行校正;
抽象模块30,用于利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
图卷积神经网络40,用于接收相似性图并获取像素点之间的关联性信息,进而输出相似图的分割结果;
学习构建模块50,用于学习同一张图像中像素点之间的关联性信息和得到的分割结果,并在图卷积神经网络40的基础上构建图卷积神经网络模型60;
图卷积神经网络模型60对抽象模块30输出的相似性图进行分割,进而得到分割结果。
在本实施例中,所涉及校正模块20包括:
选取子模块21,用于在图像中选择N*N邻域;
计算子模块22,基于N*N邻域,用于计算中心像素的灰度值S、周围像素的灰度平均值M、周围像素灰度方差V,还用于计算|S-M|/L比值结果;
设定子模块一23,用于设定阈值T;
比较判定子模块24,用于比较|S-M|/L和阈值T,在|S-M|/V的计算结果大于T时,则认为该中心像素是噪声;
校正子模块25,用于对中心像素进行灰度校正,将中心像素的像素值修正为M。
在本实施例中,所涉及抽象模块30包括:
构造子模块21,针对校正后图像,用于将每个像素作为节点,以像素之间的相似性信息为边,构造相似性图;
设定子模块二32,用于设定阈值T1、T2;
比较子模块一33,基于图像的颜色信息,利用欧式距离比较两两像素之间的相似;
比较子模块二34,基于像素的空间位置信息,用于比较两两像素之间的相似性;
差值判定子模块35,用于比较两个像素的颜色差值和空间差值,在颜色差值小于T1且空间差值小于T2时,判定这两个像素是有关联性的,则将这两个像素建立一条边;
构建子模块36,针对图像中所有的两两像素,用于构建完整的相似图。
在本实施例中,所涉及图卷积神经网络模型60包含1*1的卷积层。
本实施例通过采集模块10、校正模块20、抽象模块30、图卷积神经网络40、学习构建模块50完成图卷积神经网络模型60的构建;基于图像中像素之间的关联性信息,又通过采集模块10、校正模块20、抽象模块30、图卷积神经网络模型60完成了图像的高精度分割。
综上可知,采用本发明的一种基于深度图学习的图像分割方法及装置,通过分析图像中像素之间的关联性信息,可以实现图像的高精度分割。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述,这些实施例只是用于帮助理解本发明的核心技术内容,并不用于限制本发明的保护范围,本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.一种基于深度图学习的图像分割方法,其特征在于,该方法的实现过程包括:
(一)训练部分:
步骤一、采集图像,将所采集图像作为样本图像;
步骤二、利用局部信息对图像的噪声像素进行校正;
步骤三、利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
步骤四、将抽象得到的相似性图输入图卷积神经网络,获取像素点之间的关联性信息,得到相似性图的分割结果;
步骤五、循环执行步骤一至步骤四,尤其学习同一张图像中像素点之间的关联性信息和得到的分割结果,在图卷积神经网络的基础上训练并构建图卷积神经网络模型;
(二)分割部分:
步骤一、采集图像,所采集图像作为待分割图像;
步骤二、对图像的噪声像素进行校正;
步骤三、利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
步骤四、将抽象得到的相似性图输入图卷积神经网络模型,得到分割结果。
2.根据权利要求1所述的一种基于深度图学习的图像分割方法,其特征在于,利用局部信息对图像的噪声像素进行校正的具体步骤包括:
1)在图像中选择N*N邻域;
2)基于N*N邻域,依次计算中心像素的灰度值S、周围像素的灰度平均值M、周围像素灰度方差V;
3)设置阈值T,计算|S-M|/V;
4)在|S-M|/V的计算结果大于T时,则认为该中心像素是噪声,对中心像素进行灰度校正,将中心像素的像素值改为M。
3.根据权利要求1所述的一种基于深度图学习的图像分割方法,其特征在于,将校正后的图像抽象成相似性图的具体步骤包括:
1)以每个像素为节点,以像素之间的相似性信息为边,构造相似性图;
2)基于图像的颜色信息,利用欧式距离比较两两像素之间的相似性,同时,设置阈值T1;
3)基于像素的空间位置信息,比较两两像素之间的相似性,同时,设置阈值T2;
4)如果两个像素的颜色差值小于T1且空间差值小于T2,则认为这两个像素是有关联性的,则将这两个像素建立一条边;
5)针对两两像素,重复步骤1)-4),最终构建完整的相似图。
4.根据权利要求1所述的一种基于深度图学习的图像分割方法,其特征在于,所述图卷积神经网络模型包含1*1的卷积层。
5.一种基于深度图学习的图像分割装置,其特征在于,该装置包括:
采集模块,用于采集图像,将所采集图像作为样本图像;
校正模块,用于利用局部信息对图像的噪声像素进行校正;
抽象模块,用于利用图像的灰度信息以及空间信息,将校正后的图像抽象成一个相似性图;
图卷积神经网络,用于接收相似性图并获取像素点之间的关联性信息,进而输出相似图的分割结果;
学习构建模块,用于学习同一张图像中像素点之间的关联性信息和得到的分割结果,并在图卷积神经网络的基础上构建图卷积神经网络模型;
所述图卷积神经网络模型对抽象模块输出的相似性图进行分割,进而得到分割结果。
6.根据权利要求5所述的一种基于深度图学习的图像分割装置,其特征在于,所述校正模块包括:
选取子模块,用于在图像中选择N*N邻域;
计算子模块,基于N*N邻域,用于计算中心像素的灰度值S、周围像素的灰度平均值M、周围像素灰度方差V,还用于计算|S-M|/L比值结果;
设定子模块一,用于设定阈值T;
比较判定子模块,用于比较|S-M|/L和阈值T,在|S-M|/V的计算结果大于T时,则认为该中心像素是噪声;
校正子模块,用于对中心像素进行灰度校正,将中心像素的像素值修正为M。
7.根据权利要求5所述的一种基于深度图学习的图像分割装置,其特征在于,所述抽象模块包括:
构造子模块,针对校正后图像,用于将每个像素作为节点,以像素之间的相似性信息为边,构造相似性图;
设定子模块二,用于设定阈值T1、T2;
比较子模块一,基于图像的颜色信息,利用欧式距离比较两两像素之间的相似;
比较子模块二,基于像素的空间位置信息,用于比较两两像素之间的相似性;
差值判定子模块,用于比较两个像素的颜色差值和空间差值,在颜色差值小于T1且空间差值小于T2时,判定这两个像素是有关联性的,则将这两个像素建立一条边;
构建子模块,针对图像中所有的两两像素,用于构建完整的相似图。
8.根据权利要求5所述的一种基于深度图学习的图像分割装置,其特征在于,所述图卷积神经网络模型包含1*1的卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559420.6A CN110276777B (zh) | 2019-06-26 | 2019-06-26 | 一种基于深度图学习的图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559420.6A CN110276777B (zh) | 2019-06-26 | 2019-06-26 | 一种基于深度图学习的图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276777A true CN110276777A (zh) | 2019-09-24 |
CN110276777B CN110276777B (zh) | 2022-03-22 |
Family
ID=67963265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559420.6A Active CN110276777B (zh) | 2019-06-26 | 2019-06-26 | 一种基于深度图学习的图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276777B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080654A (zh) * | 2019-11-18 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
CN112686906A (zh) * | 2020-12-25 | 2021-04-20 | 山东大学 | 基于均匀分布迁移引导的图像分割方法及系统 |
WO2021097595A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
TWI768555B (zh) * | 2020-11-23 | 2022-06-21 | 威盛電子股份有限公司 | 調整神經網路輸入資料的系統及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN105550685A (zh) * | 2015-12-11 | 2016-05-04 | 哈尔滨工业大学 | 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法 |
CN105913451A (zh) * | 2016-06-23 | 2016-08-31 | 哈尔滨工业大学 | 一种基于图模型的自然图像超像素分割方法 |
US20170116466A1 (en) * | 2015-10-21 | 2017-04-27 | 15 Seconds of Fame, Inc. | Methods and apparatus for false positive minimization in facial recognition applications |
CN107316289A (zh) * | 2017-06-08 | 2017-11-03 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
CN107403434A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
EP3333771A1 (en) * | 2016-12-09 | 2018-06-13 | Fujitsu Limited | Method, program, and apparatus for comparing data hypergraphs |
US20180276841A1 (en) * | 2017-03-23 | 2018-09-27 | Intel Corporation | Method and system of determining object positions for image processing using wireless network angle of transmission |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109087330A (zh) * | 2018-06-08 | 2018-12-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于由粗到精图像分割的运动目标检测方法 |
CN109117701A (zh) * | 2018-06-05 | 2019-01-01 | 东南大学 | 基于图卷积的行人意图识别方法 |
CN109255791A (zh) * | 2018-07-19 | 2019-01-22 | 杭州电子科技大学 | 一种基于图卷积神经网络的形状协同分割方法 |
CN109829413A (zh) * | 2019-01-25 | 2019-05-31 | 清华大学 | 一种基于快速多图融合学习的立体视觉对象识别系统 |
CN109919062A (zh) * | 2019-02-27 | 2019-06-21 | 上海浪潮云计算服务有限公司 | 一种基于特征量融合的道路场景天气识别方法 |
CN109934826A (zh) * | 2019-02-28 | 2019-06-25 | 东南大学 | 一种基于图卷积网络的图像特征分割方法 |
-
2019
- 2019-06-26 CN CN201910559420.6A patent/CN110276777B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170116466A1 (en) * | 2015-10-21 | 2017-04-27 | 15 Seconds of Fame, Inc. | Methods and apparatus for false positive minimization in facial recognition applications |
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN105550685A (zh) * | 2015-12-11 | 2016-05-04 | 哈尔滨工业大学 | 基于视觉注意机制的大幅面遥感影像感兴趣区域提取方法 |
CN105913451A (zh) * | 2016-06-23 | 2016-08-31 | 哈尔滨工业大学 | 一种基于图模型的自然图像超像素分割方法 |
EP3333771A1 (en) * | 2016-12-09 | 2018-06-13 | Fujitsu Limited | Method, program, and apparatus for comparing data hypergraphs |
US20180276841A1 (en) * | 2017-03-23 | 2018-09-27 | Intel Corporation | Method and system of determining object positions for image processing using wireless network angle of transmission |
CN107316289A (zh) * | 2017-06-08 | 2017-11-03 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
CN107403434A (zh) * | 2017-07-28 | 2017-11-28 | 西安电子科技大学 | 基于两阶段聚类的sar图像语义分割方法 |
CN109117701A (zh) * | 2018-06-05 | 2019-01-01 | 东南大学 | 基于图卷积的行人意图识别方法 |
CN109087330A (zh) * | 2018-06-08 | 2018-12-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于由粗到精图像分割的运动目标检测方法 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109255791A (zh) * | 2018-07-19 | 2019-01-22 | 杭州电子科技大学 | 一种基于图卷积神经网络的形状协同分割方法 |
CN109829413A (zh) * | 2019-01-25 | 2019-05-31 | 清华大学 | 一种基于快速多图融合学习的立体视觉对象识别系统 |
CN109919062A (zh) * | 2019-02-27 | 2019-06-21 | 上海浪潮云计算服务有限公司 | 一种基于特征量融合的道路场景天气识别方法 |
CN109934826A (zh) * | 2019-02-28 | 2019-06-25 | 东南大学 | 一种基于图卷积网络的图像特征分割方法 |
Non-Patent Citations (3)
Title |
---|
MUDASSAR RAZA 等: "Pedestrian classification by using stacked sparse autoencoders", 《2017 2ND INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS》 * |
徐启恒 等: "结合超像素和卷积神经网络的国产高分辨率遥感", 《测绘通报》 * |
李继德 等: "基于超像素分类的显著目标检测", 《计算机应用与软件》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080654A (zh) * | 2019-11-18 | 2020-04-28 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
WO2021097595A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 图像的病变区域分割方法、装置及服务器 |
TWI768555B (zh) * | 2020-11-23 | 2022-06-21 | 威盛電子股份有限公司 | 調整神經網路輸入資料的系統及方法 |
CN112686906A (zh) * | 2020-12-25 | 2021-04-20 | 山东大学 | 基于均匀分布迁移引导的图像分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110276777B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276777A (zh) | 一种基于深度图学习的图像分割方法及装置 | |
Bashir et al. | A comprehensive review of deep learning-based single image super-resolution | |
WO2020098158A1 (zh) | 行人重识别方法、装置及计算机可读存储介质 | |
KR101856584B1 (ko) | 교통 표지의 인식 방법 및 장치 | |
Hsu et al. | Adaptive fusion of multi-scale YOLO for pedestrian detection | |
CN110674688A (zh) | 用于视频监控场景的人脸识别模型获取方法、系统和介质 | |
CN108197623A (zh) | 用于检测目标的方法和装置 | |
CN107862275A (zh) | 人体行为识别模型及其构建方法和人体行为识别方法 | |
CN105678216A (zh) | 基于深度学习的时空数据流视频行为识别方法 | |
CN109523470A (zh) | 一种深度图像超分辨率重建方法及系统 | |
CN113052764B (zh) | 一种基于残差连接的视频序列超分重建方法 | |
CN111696033B (zh) | 基于角点引导级联沙漏网络结构学习的真实图像超分辨率模型及方法 | |
CN103208125B (zh) | 视频帧图像中颜色和运动全局对比度的视觉显著性算法 | |
CN111275638A (zh) | 基于多通道注意力选择生成对抗网络的人脸修复方法 | |
CN112084859A (zh) | 一种基于稠密边界块和注意力机制的建筑物分割方法 | |
Xu et al. | BANet: A balanced atrous net improved from SSD for autonomous driving in smart transportation | |
CN114820655A (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN113807214A (zh) | 基于deit附属网络知识蒸馏的小目标人脸识别方法 | |
CN110889335B (zh) | 基于多通道时空融合网络人体骨架双人交互行为识别方法 | |
CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 | |
CN112767277B (zh) | 一种基于参考图像的深度特征排序去模糊方法 | |
CN109902751A (zh) | 一种融合卷积神经网络和半字模板匹配的表盘数字字符识别方法 | |
CN115588130B (zh) | 一种基于域自适应的跨域yolo检测方法 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN109753999B (zh) | 针对任意视角汽车图片的细粒度车型识别方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220224 Address after: Building S02, 1036 Gaoxin Langchao Road, Jinan, Shandong 250100 Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: North 6th floor, S05 building, Langchao Science Park, 1036 Langchao Road, hi tech Zone, Jinan City, Shandong Province, 250100 Applicant before: SHANDONG INSPUR ARTIFICIAL INTELLIGENCE RESEARCH INSTITUTE Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |