CN110288026A - 一种基于度量关系图学习的图像分割方法及装置 - Google Patents
一种基于度量关系图学习的图像分割方法及装置 Download PDFInfo
- Publication number
- CN110288026A CN110288026A CN201910565107.3A CN201910565107A CN110288026A CN 110288026 A CN110288026 A CN 110288026A CN 201910565107 A CN201910565107 A CN 201910565107A CN 110288026 A CN110288026 A CN 110288026A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- metric
- relation
- metric relation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于度量关系图学习的图像分割方法,涉及图像处理技术领域,方法包括训练部分和分割部分;在训练部分,通过采集图像、平滑校正图像、引入最大区间近邻度量学习方法构建度量关系图、将度量关系图输入图卷积神经网络进行处理后获得分割结果,最终通过学习度量关系图和分割结果构建图卷积神经网络模型;在分割部分,则通过采集图像、平滑校正图像、引入最大区间近邻度量学习方法构建度量关系图、利用图卷积神经网络模型处理度量关系图并得到分割结果,由此实现了图像的高精度分割。本发明还公开一种基于度量关系图学习的图像分割装置,其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度量关系图学习的图像分割方法及装置。
背景技术
图像分割旨在将图像中感兴趣的目标提取出来,是图像处理、计算机视觉等学习的基础。利用统计学习方法将图像分割问题转化为像素二分类问题已成为图像分割的一种趋势。利用像素的关联性信息是提高图像分割精度的一种思路。现有的方法大多利用传统的欧式距离计算两个像素点之间的相似度,从而作为两两像素之间的关系。然而,并不是所有任务中的像素都符合欧式空间。因此,如何更有效地获取像素之间的关系信息具有重要的研究意义和应用价值。
发明内容
本发明针对目前技术发展的需求和不足之处,提供一种基于度量关系图学习的图像分割方法及装置。
首先,本发明保护一种基于度量关系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:
一种基于度量关系图学习的图像分割方法,包括如下步骤:
(一)训练部分:
步骤一、采集图像,所采集图像作为样本图像;
步骤二、利用邻域灰度分布对图像的噪声进行平滑校正;
步骤三、针对去噪后图像,基于像素的灰度、空间特征,引入最大区间近邻度量学习方法,获取像素之间的相关性关系,从而构建度量关系图;
步骤四、将度量关系图输入图卷积神经网络进行处理,获得分割结果;
步骤五、循环执行步骤一至步骤四,学习同一张图像的度量关系图和分割结果,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、利用邻域灰度分布对图像的噪声进行平滑校正;
步骤三、针对去噪后图像,基于像素的灰度、空间特征,引入最大区间近邻度量学习方法,获取像素之间的相关性关系,从而构建度量关系图;
步骤四、将度量关系图输入图卷积神经网络模型,获得分割结果。
具体的,利用邻域灰度分布对图像的噪声进行平滑校正的具体步骤包括:
1)针对图像每个像素点,选取其M*M邻域;
2)基于M*M邻域,计算该邻域中心像素的灰度值S、周围像素的平均灰度值K、该邻域所有像素点的灰度差平均值L;
3)设定噪声阈值Q,计算|S-M|/L;
4)在|S-M|/L的计算结果大于噪声阈值Q时,则认为该像素是噪声,对该像素进行均匀化处理,即将该像素的灰度值改为K。
具体的,构建度量关系图的具体过程包括:
1)针对去噪后图像,将图像的每个像素作为图的节点,构造图的节点;
2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。;
3)基于最大间隔近邻度量学习方法,学习一个马氏度量空间,该空间是基于现有数据学习出来的最优相似度度量空间;
4)学习马氏度量空间后,可以获取像素之间的相关性信息;
5)马氏度量空间计算出来的距离即为两两像素之间的相似度,基于像素之间的相似度和设定阈值,构建图中任意两个节点的边,从而完成度量关系图的构建。
具体的,所涉及图卷积神经网络模型包含1*1的卷积层。
其次,本发明还保护一种基于度量关系图学习的图像分割装置,其结构包括:
采集模块,用于采集图像并作为样本图像;
平滑校正模块,用于利用邻域灰度分布对图像的噪声进行平滑校正;
引入构建模块,用于基于去噪后图像的像素灰度、空间特征引入最大区间近邻度量学习方法,并通过获取像素之间的相关性关系构建度量关系图;
图卷积神经网络,用于接收度量关系图并获取像素之间的相关性关系,进而输出分割结果;
学习构建模块,用于学习同一张图像的度量关系图和分割结果,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;
图卷积神经网络模型对构建的度量关系图进行分割,获得分割结果。
具体的,所涉及平滑校正模块又包括:
选取子模块,针对图像每个像素点,用于图像的M*M邻域;
计算子模块,基于M*M邻域,用于计算M*M邻域中心像素的灰度值S、周围像素的平均灰度值K、该邻域所有像素点的灰度差平均值L,还用于计算|S-M|/L比值结果;
设定子模块一,用于设定噪声阈值Q;
比较判定子模块,用于比较|S-M|/L和噪声阈值Q,在|S-M|/L的计算结果大于噪声阈值Q时,判定该像素是噪声;
校正子模块,用于均匀化处理判定为噪声的像素点,并将该像素点的灰度值改为K。
具体的,所涉及引入构建模块包括:
构造子模块,针对去噪后图像,用于将图像的每个像素作为图的节点,以构造图的节点;
提取子模块,用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征;
引入学习子模块,用于引入最大间隔近邻度量学习方法,并学习一个马氏度量空间,该空间是基于现有数据学习出来的最优相似度度量空间;
获取子模块,通过学习马氏度量空间获取像素之间的相关性信息;
设定子模块二,用于设定相似度阈值;
计算构建子模块,用于通过马氏度量空间计算两两像素之间的相似度,并基于相似度和设定的相似度阈值构建图中任意两个节点的边,从而完成度量关系图的构建。
具体的,所涉及图卷积神经网络模型包含1*1的卷积层。
本发明的一种基于度量关系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、平滑校正图像、引入最大区间近邻度量学习方法构建度量关系图、将度量关系图输入图卷积神经网络进行处理后获得分割结果,最终通过学习度量关系图和分割结果构建图卷积神经网络模型;在分割部分,则通过采集图像、平滑校正图像、引入最大区间近邻度量学习方法构建度量关系图、利用图卷积神经网络模型处理度量关系图并得到分割结果,由此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、平滑校正模块、引入构建模块、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,又通过采集模块、平滑校正模块、引入构建模块、图卷积神经网络模型完成图像的高精度分割。
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连接框图。
附图3中各标号信息表示:
10、采集模块,20、平滑校正模块,30、引入构建模块,
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、引入学习子模块,33、获取子模块,
34、设定子模块二,35、计算构建子模块,36、提取子模块。
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度量关系图学习的图像分割方法,包括如下步骤:
S10、训练部分:
S11、采集图像,所采集图像作为样本图像;
S12、利用邻域灰度分布对图像的噪声进行平滑校正;
S13、针对去噪后图像,基于像素的灰度、空间特征,引入最大区间近邻度量学习方法,获取像素之间的相关性关系,从而构建度量关系图;
S14、将度量关系图输入图卷积神经网络进行处理,获得分割结果;
S15、循环执行步骤S11至步骤S14,学习同一张图像的度量关系图和分割结果,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60;
S20、分割部分:
S21、采集图像,所采集图像作为待分割图像;
S22、利用邻域灰度分布对图像的噪声进行平滑校正;
S23、针对去噪后图像,基于像素的灰度、空间特征,引入最大区间近邻度量学习方法,获取像素之间的相关性关系,从而构建度量关系图;
S24、将度量关系图输入图卷积神经网络模型60,获得分割结果。
在本实施例中,利用邻域灰度分布对图像的噪声进行平滑校正的具体步骤包括:
1)针对图像每个像素点,选取其M*M邻域;
2)基于M*M邻域,计算该邻域中心像素的灰度值S、周围像素的平均灰度值K、该邻域所有像素点的灰度差平均值L;
3)设定噪声阈值Q,计算|S-M|/L;
4)在|S-M|/L的计算结果大于噪声阈值Q时,则认为该像素是噪声,对该像素进行均匀化处理,即将该像素的灰度值改为K。
在本实施例中,构建度量关系图的具体过程包括:
1)针对去噪后图像,将图像的每个像素作为图的节点,构造图的节点;
2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。;
3)基于最大间隔近邻度量学习方法,学习一个马氏度量空间,该空间是基于现有数据学习出来的最优相似度度量空间;
4)学习马氏度量空间后,可以获取像素之间的相关性信息;
5)马氏度量空间计算出来的距离即为两两像素之间的相似度,基于像素之间的相似度和设定阈值,构建图中任意两个节点的边,从而完成度量关系图的构建。
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。
本实施例的图像分割方法包括训练部分和分割部分,在训练部分,旨在将度量关系图输入图卷积神经网络,图卷积神经网络输出分割结果,随后,学习同一张图像的度量关系图和分割结果,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,在分割部分则依次进行如下操作:采集图像、对图像进行平滑校正、基于像素之间的相关性关系构建图像的度量关系图,最后,将度量关系图输入已经构建完成的图卷积神经网络模型,基于该度量关系图,获得该图像的高精度分割结果。
实施例二:
结合附图3,本实施例一种基于度量关系图学习的图像分割装置,其结构包括:
采集模块10,用于采集图像并作为样本图像;
平滑校正模块20,用于利用邻域灰度分布对图像的噪声进行平滑校正;
引入构建模块30,用于基于去噪后图像的像素灰度、空间特征引入最大区间近邻度量学习方法,并通过获取像素之间的相关性关系构建度量关系图;
图卷积神经网络40,用于接收度量关系图并获取像素之间的相关性关系,进而输出分割结果;
学习构建模块50,用于学习同一张图像的度量关系图和分割结果,在图卷积神经网络40的基础上训练并构建图卷积神经网络模型60。
图卷积神经网络模型60对构建的度量关系图进行分割,获得分割结果。
在本实施例中,所构建的图卷积神经网络模型60包含1*1的卷积层。
在本实施例中,结合附图3,所涉及平滑校正模块20又包括:
选取子模块21,针对图像每个像素点,用于图像的M*M邻域;
计算子模块22,基于M*M邻域,用于计算M*M邻域中心像素的灰度值S、周围像素的平均灰度值K、该邻域所有像素点的灰度差平均值L,还用于计算|S-M|/L比值结果;
设定子模块一23,用于设定噪声阈值Q;
比较判定子模块24,用于比较|S-M|/L和噪声阈值Q,在|S-M|/L的计算结果大于噪声阈值Q时,判定该像素是噪声;
校正子模块25,用于均匀化处理判定为噪声的像素点,并将该像素点的灰度值改为K。
在本实施例中,结合附图3,所涉及引入构建模块30包括:
构造子模块31,针对去噪后图像,用于将图像的每个像素作为图的节点,以构造图的节点;
提取子模块36,用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征;
引入学习子模块32,用于引入最大间隔近邻度量学习方法,并学习一个马氏度量空间,该空间是基于现有数据学习出来的最优相似度度量空间;
获取子模块33,通过学习马氏度量空间获取像素之间的相关性信息;
设定子模块二34,用于设定相似度阈值;
计算构建子模块35,用于通过马氏度量空间计算两两像素之间的相似度,并基于相似度和设定的相似度阈值构建图中任意两个节点的边,从而完成度量关系图的构建。
本实施例的图像分割装置通过采集模块10、平滑校正模块20、引入构建模块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,又通过采集模块10、平滑校正模块20、引入构建模块30、图卷积神经网络模型60完成图像的高精度分割。
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。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)
1.一种基于度量关系图学习的图像分割方法,其特征在于,包括如下步骤:
(一)训练部分:
步骤一、采集图像,所采集图像作为样本图像;
步骤二、利用邻域灰度分布对图像的噪声进行平滑校正;
步骤三、针对去噪后图像,基于像素的灰度、空间特征,引入最大区间近邻度量学习方法,获取像素之间的相关性关系,从而构建度量关系图;
步骤四、将度量关系图输入图卷积神经网络进行处理,获得分割结果;
步骤五、循环执行步骤一至步骤四,学习同一张图像的度量关系图和分割结果,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、利用邻域灰度分布对图像的噪声进行平滑校正;
步骤三、针对去噪后的图像,基于像素的灰度、空间特征,引入最大区间近邻度量学习方法,获取像素之间的相关性关系,从而构建度量关系图;
步骤四、将度量关系图输入图卷积神经网络模型,获得分割结果。
2.根据权利要求1所述的一种基于度量关系图学习的图像分割方法,其特征在于,利用邻域灰度分布对图像的噪声进行平滑校正的具体步骤包括:
1)针对图像每个像素点,选取其M*M邻域;
2)基于M*M邻域,计算该邻域中心像素的灰度值S、周围像素的平均灰度值K、该邻域所有像素点的灰度差平均值L;
3)设定噪声阈值Q,计算|S-M|/L;
4)在|S-M|/L的计算结果大于噪声阈值Q时,则认为该像素是噪声,对该像素进行均匀化处理,即将该像素的灰度值改为K。
3.根据权利要求1所述的一种基于度量关系图学习的图像分割方法,其特征在于,构建度量关系图的具体过程包括:
1)针对去噪后图像,将图像的每个像素作为图的节点,构造图的节点;
2)提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征。;
3)基于最大间隔近邻度量学习方法,学习一个马氏度量空间,该空间是基于现有数据学习出来的最优相似度度量空间;
4)学习马氏度量空间后,可以获取像素之间的相关性信息;
5)马氏度量空间计算出来的距离即为两两像素之间的相似度,基于像素之间的相似度和设定阈值,构建图中任意两个节点的边,从而完成度量关系图的构建。
4.根据权利要求1所述的一种基于度量关系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。
5.一种基于度量关系图学习的图像分割装置,其特征在于,其结构包括:
采集模块,用于采集图像并作为样本图像;
平滑校正模块,用于利用邻域灰度分布对图像的噪声进行平滑校正;
引入构建模块,用于基于去噪后图像的像素灰度、空间特征引入最大区间近邻度量学习方法,并通过获取像素之间的相关性关系构建度量关系图;
图卷积神经网络,用于接收度量关系图并获取像素之间的相关性关系,进而输出分割结果;
学习构建模块,用于学习同一张图像的度量关系图和分割结果,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;
所述图卷积神经网络模型对构建的度量关系图进行分割,获得分割结果。
6.根据权利要求5所述的一种基于度量关系图学习的图像分割装置,其特征在于,所述平滑校正模块又包括:
选取子模块,针对图像每个像素点,用于图像的M*M邻域;
计算子模块,基于M*M邻域,用于计算M*M邻域中心像素的灰度值S、周围像素的平均灰度值K、该邻域所有像素点的灰度差平均值L,还用于计算|S-M|/L比值结果;
设定子模块一,用于设定噪声阈值Q;
比较判定子模块,用于比较|S-M|/L和噪声阈值Q,在|S-M|/L的计算结果大于噪声阈值Q时,判定该像素是噪声;
校正子模块,用于均匀化处理判定为噪声的像素点,并将该像素点的灰度值改为K。
7.根据权利要求5所述的一种基于度量关系图学习的图像分割装置,其特征在于,所述引入构建模块包括:
构造子模块,针对去噪后图像,用于将图像的每个像素作为图的节点,以构造图的节点;
提取子模块,用于提取每个像素点的灰度、空间及邻域平均灰度信息作为每个像素点的特征;
引入学习子模块,用于引入最大间隔近邻度量学习方法,并学习一个马氏度量空间,该空间是基于现有数据学习出来的最优相似度度量空间;
获取子模块,通过学习马氏度量空间获取像素之间的相关性信息;
设定子模块二,用于设定相似度阈值;
计算构建子模块,用于通过马氏度量空间计算两两像素之间的相似度,并基于相似度和设定的相似度阈值构建图中任意两个节点的边,从而完成度量关系图的构建。
8.根据权利要求5所述的一种基于度量关系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 |
---|---|---|---|
CN201910565107.3A CN110288026B (zh) | 2019-06-27 | 2019-06-27 | 一种基于度量关系图学习的图像分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910565107.3A CN110288026B (zh) | 2019-06-27 | 2019-06-27 | 一种基于度量关系图学习的图像分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288026A true CN110288026A (zh) | 2019-09-27 |
CN110288026B CN110288026B (zh) | 2021-08-10 |
Family
ID=68007708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910565107.3A Active CN110288026B (zh) | 2019-06-27 | 2019-06-27 | 一种基于度量关系图学习的图像分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288026B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111223100A (zh) * | 2020-01-09 | 2020-06-02 | 济南浪潮高新科技投资发展有限公司 | 一种基于双路相关性学习网络的图像分割方法及系统 |
CN111583284A (zh) * | 2020-04-22 | 2020-08-25 | 中国科学院大学 | 一种基于混合模型的小样本图像语义分割方法 |
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 (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015175806A1 (en) * | 2014-05-16 | 2015-11-19 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
CN106570192A (zh) * | 2016-11-18 | 2017-04-19 | 广东技术师范学院 | 一种基于深度学习的多视图图像检索方法 |
WO2017205532A1 (en) * | 2016-05-24 | 2017-11-30 | Allegheny-Singer Research Institute | Methods and systems using c4 gene copy number and cell-bound complement activation products for identification of lupus and pre-lupus |
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 |
CN109325517A (zh) * | 2018-08-14 | 2019-02-12 | 浙江大学 | 一种基于Attention的循环神经网络模型的图分类方法 |
CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种图像分割方法、装置和存储介质 |
US20190095806A1 (en) * | 2017-09-28 | 2019-03-28 | Siemens Aktiengesellschaft | SGCNN: Structural Graph Convolutional Neural Network |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109858390A (zh) * | 2019-01-10 | 2019-06-07 | 浙江大学 | 基于端到端时空图学习神经网络的人体骨架的行为识别方法 |
CN109903314A (zh) * | 2019-03-13 | 2019-06-18 | 腾讯科技(深圳)有限公司 | 一种图像区域定位的方法、模型训练的方法及相关装置 |
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
- 2019-06-27 CN CN201910565107.3A patent/CN110288026B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015175806A1 (en) * | 2014-05-16 | 2015-11-19 | The Trustees Of The University Of Pennsylvania | Applications of automatic anatomy recognition in medical tomographic imagery based on fuzzy anatomy models |
WO2017205532A1 (en) * | 2016-05-24 | 2017-11-30 | Allegheny-Singer Research Institute | Methods and systems using c4 gene copy number and cell-bound complement activation products for identification of lupus and pre-lupus |
CN106570192A (zh) * | 2016-11-18 | 2017-04-19 | 广东技术师范学院 | 一种基于深度学习的多视图图像检索方法 |
US20190095806A1 (en) * | 2017-09-28 | 2019-03-28 | Siemens Aktiengesellschaft | SGCNN: Structural Graph Convolutional Neural Network |
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 |
CN109325517A (zh) * | 2018-08-14 | 2019-02-12 | 浙江大学 | 一种基于Attention的循环神经网络模型的图分类方法 |
CN109410185A (zh) * | 2018-10-10 | 2019-03-01 | 腾讯科技(深圳)有限公司 | 一种图像分割方法、装置和存储介质 |
CN109741347A (zh) * | 2018-12-30 | 2019-05-10 | 北京工业大学 | 一种基于卷积神经网络的迭代学习的图像分割方法 |
CN109858390A (zh) * | 2019-01-10 | 2019-06-07 | 浙江大学 | 基于端到端时空图学习神经网络的人体骨架的行为识别方法 |
CN109636658A (zh) * | 2019-01-17 | 2019-04-16 | 电子科技大学 | 一种基于图卷积的社交网络对齐方法 |
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 |
CN109903314A (zh) * | 2019-03-13 | 2019-06-18 | 腾讯科技(深圳)有限公司 | 一种图像区域定位的方法、模型训练的方法及相关装置 |
Non-Patent Citations (5)
Title |
---|
HANCAN ZHU等: "Metric Learning for Multi-atlas based Segmentation of Hippocampus", 《NEUROINFORM》 * |
LOIC LANDRIEU等: "Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning", 《CVPR 2019》 * |
RUOYU LI等: "Adaptive Graph Convolutional Neural Networks", 《HTTPS://ARXIV.ORG/ABS/1801.03226》 * |
胡光亮等: "基于卷积神经网络的鼻咽肿瘤MR图像分割", 《计算机应用》 * |
陈巧娜: "距离度量学习的理论与算法研究:核回归、大间隔最近邻与Fisher线性判别", 《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 |
---|---|---|---|---|
CN111223100A (zh) * | 2020-01-09 | 2020-06-02 | 济南浪潮高新科技投资发展有限公司 | 一种基于双路相关性学习网络的图像分割方法及系统 |
CN111223100B (zh) * | 2020-01-09 | 2024-03-22 | 山东浪潮科学研究院有限公司 | 一种基于双路相关性学习网络的图像分割方法及系统 |
CN111583284A (zh) * | 2020-04-22 | 2020-08-25 | 中国科学院大学 | 一种基于混合模型的小样本图像语义分割方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110288026B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | SaliencyGAN: Deep learning semisupervised salient object detection in the fog of IoT | |
CN106778604B (zh) | 基于匹配卷积神经网络的行人再识别方法 | |
CN110246181B (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和系统 | |
WO2016023264A1 (zh) | 指纹识别方法及其指纹识别装置 | |
CN110082821B (zh) | 一种无标签框微地震信号检测方法及装置 | |
CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 | |
CN111931764B (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
CN111259940A (zh) | 一种基于空间注意力地图的目标检测方法 | |
CN107229920B (zh) | 基于整合深度典型时间规整及相关修正的行为识别方法 | |
CN110263874A (zh) | 一种基于注意力关系图学习的图像分类方法及装置 | |
CN108681689B (zh) | 基于生成对抗网络的帧率增强步态识别方法及装置 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN104867137A (zh) | 一种基于改进ransac算法的图像配准方法 | |
CN111259735B (zh) | 基于多级预测特征增强卷积神经网络的单人姿态估计方法 | |
CN110135277B (zh) | 一种基于卷积神经网络的人体行为识别方法 | |
Ruan et al. | Dynamic gesture recognition based on improved DTW algorithm | |
CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 | |
CN112801047A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112364708A (zh) | 基于知识蒸馏与对抗学习的多模态人体动作识别方法 | |
CN112381895A (zh) | 一种心脏射血分数计算方法与装置 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN104964684B (zh) | 一种高动态下快速星跟踪方法 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN110705355A (zh) | 一种基于关键点约束的人脸姿态估计方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210721 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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |