CN110348445B - 一种融合空洞卷积和边缘信息的实例分割方法 - Google Patents

一种融合空洞卷积和边缘信息的实例分割方法 Download PDF

Info

Publication number
CN110348445B
CN110348445B CN201910490237.5A CN201910490237A CN110348445B CN 110348445 B CN110348445 B CN 110348445B CN 201910490237 A CN201910490237 A CN 201910490237A CN 110348445 B CN110348445 B CN 110348445B
Authority
CN
China
Prior art keywords
network
segmentation
feature
layer
extraction network
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.)
Expired - Fee Related
Application number
CN201910490237.5A
Other languages
English (en)
Other versions
CN110348445A (zh
Inventor
韩守东
刘昱均
郑丽君
夏晨斐
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910490237.5A priority Critical patent/CN110348445B/zh
Publication of CN110348445A publication Critical patent/CN110348445A/zh
Application granted granted Critical
Publication of CN110348445B publication Critical patent/CN110348445B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种融合空洞卷积和边缘信息的实例分割方法，包括：建立包括特征金字塔提取网络、感兴趣区域提取网络、初步分割网络和边缘检测网络的实例分割模型；其中，特征金字塔提取网络包括第一特征提取网络、第二特征提取网络和混合空洞卷积层；混合空洞卷积层，用于对第一特征提取网络和第二特征提取网络输出的特征金字塔的顶层特征图进行混合空洞卷积；初步分割网络，用于对感兴趣区域提取网络输出的感兴趣区域进行分类、位置回归和分割；边缘检测网络，用于对分割结果进行边缘检测，得到最终的图像分割结果；采用训练好的实例分割模型进行实例分割；本发明的方法能够避免特征信息丢失，同时改善图像边缘拟合效果，提高了分割精度。

Description

一种融合空洞卷积和边缘信息的实例分割方法
技术领域
本发明属于图像处理和机器视觉中的实例分割研究领域，更具体地，涉及一种融合空洞卷积和边缘信息的实例分割方法。
背景技术
实例分割是图像分割的一种，它将场景图像分割成多个区域，每个区域对应一个对象，并且注明该区域的类别标签。相较于其他分割方法而言，实例分割更接近我们人类对世界的认知，而且允许对场景构成元素直接进行后续处理，如对行人进行动作识别等。但对于人类感知而言，将图像分割为多个子集，较多地依赖于主观判断，并没有客观的标准或规定指导实例分割，因此，实例分割的结果没有标准答案；此外，图像中包含的信息错综复杂，找到合理利用这些信息的方法也是一个技术难题，且实例分割综合了目标检测和语义分割等多个任务，实现起来具有一定的挑战性，是当前计算机视觉领域的研究热点和难点。
Mask R-CNN是当前最先进的实例分割方法之一，因其效果好、扩展性强，不仅经常作为主干网络出现在各大顶级会议之中，还被广泛应用在各项计算机视觉比赛中。Mask R-CNN由Faster R-CNN的网络框架扩展而来，在目标检测的基础上添加了掩码分割分支，综合分类、回归和分割的结果，以实现快速准确的实例分割。Mask R-CNN不仅能实现优秀的实例分割结果，还具有很强的扩展性，可以进一步应用在人体特征点检测等方面。
但是该算法在深度网络的计算过程中，原始图像中的部分特征信息会随着特征图的大小变化而丢失，导致分割精确度不高，并且，通过观察Mask R-CNN的分割结果，由于算法没有结合图像的边缘特征，分割结果的边缘往往会与目标的真实边缘有一定差距，甚至丢失目标的某些部分。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种融合空洞卷积和边缘信息的实例分割方法，旨在解决现有实例分割方法存在特征信息丢失，且分割结果具有边缘误差，导致分割精度低的问题。
为实现上述目的，本发明提供了一种融合空洞卷积和边缘信息的实例分割方法，包括：
(1)建立实例分割模型；
所述实例分割模型包括依次连接的特征金字塔提取网络、感兴趣区域提取网络、初步分割网络和边缘检测网络；
所述特征金字塔提取网络包括第一特征提取网络、第二特征提取网络和混合空洞卷积层；所述第一特征提取网络，用于对输入图像自下而上逐层卷积，得到不同尺寸的特征图；所述第二特征提取网络，用于对所述第一特征提取网络的最顶层特征图进行上采样，并与所述第一特征提取网络的次高层特征图进行相加，形成特征金字塔的一层，自顶向下的逐层构建所述特征金字塔的各层；所述混合空洞卷积层，用于对所述特征金字塔的顶层特征图进行混合空洞卷积；
所述感兴趣区域提取网络，用于对所述特征金字塔各层感兴趣区域进行提取和筛选，并将筛选出的感兴趣区域和特征金字塔中对应层的特征图进行对齐；
所述初步分割网络，用于对特征金字塔各层中经过对齐的感兴趣区域进行图像分类、位置回归和图像分割；
所述边缘检测网络，用于对所述图像分割结果进行边缘检测，得到最终的图像分割结果；
(2)实例分割模型训练；
对图像中设定类别的像素点、与所述设定类别对应的目标位置及相同类别的不同实例进行标注，并将标注的图像作为训练集输入所述实例分割模型进行端到端的训练，得到训练好的实例分割模型；
(3)实例分割；
将待测图像输入训练好的实例分割模型，得到图像类别、位置和分割结果。
可选的，所述特征金字塔提取网络为基于Resnet-50的FPN。
进一步地，所述混合空洞卷积层包括四个扩张率不同的空洞卷积。
可选的，所述四个空洞卷积的扩张率分别为2、1、2和3。
进一步地，所述边缘检测网络包括用于描述水平梯度的横向滤波器和用于描述垂直梯度的纵向滤波器。
可选的，所述横向滤波器和纵向滤波器分别为：
Figure BDA0002086755810000031
其中，Sx为横向滤波器；Sy为纵向滤波器。
进一步地，所述感兴趣区域提取网络包括，区域提议网络RPN和感兴趣区域对齐单元；
所述区域提议网络RPN包括级联的多个相同单元，每个单元包括依次连接的卷积层、ReLU激活层、归一化层和最大池化层；
所述区域提议网络RPN，用于对所述特征金字塔各层感兴趣区域进行提取和筛选；
所述感兴趣区域对齐单元，用于将筛选出的感兴趣区域和特征金字塔中对应层的特征图进行对齐。
进一步地，所述实例分割模型的损失函数包括边缘损失函数。
可选的，所述边缘损失函数为：
Figure BDA0002086755810000032
其中，y为预测结果，
Figure BDA0002086755810000041
为真实结果，Mp为预测结果与真实结果之间的p次幂平均误差
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下
有益效果：
(1)本发明在Mask R-CNN的基础上，通过融合混合空洞卷积代替网络中的池化操作，在扩大感受野的同时，保持特征图的分辨率不变，避免特征信息丢失，因此能够充分利用原始图像包含的信息，提高分割精确度。
(2)本发明在网络末端添加边缘检测分支，使得分割结果在图像边缘处更精确，改善边缘拟合效果，同时将边缘检测结果添加到网络损失中，提高网络收敛速度，相比采用Mask R-CNN算法的实例分割结果，本发明的方法在加速网络训练速度的同时提高了实例分割的精度。
附图说明
图1是本发明实施例提供的实例分割模型框架图；
图2是本发明实施例提供的边缘误差计算网络结构图；
图3(a)是本发明实施例提供的添加边缘损失与不添加边缘损失，掩码分割损失随迭代次数的变化曲线对比图；
图3(b)是本发明实施例提供的添加边缘损失与不添加边缘损失，分割准确率随迭代次数的变化曲线对比图；
图4(a)是本发明实施例提供的待测图像；
图4(b)是采用Mask R-CNN算法得到的实例分割结果；
图4(c)是采用本发明的方法得到的实例分割结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供的融合空洞卷积和边缘信息的实例分割方法，包括：
(1)建立实例分割模型；
如图1所示，实例分割模型包括依次连接的特征金字塔提取网络、感兴趣区域提取网络、初步分割网络和边缘检测网络；
其中，特征金字塔提取网络包括第一特征提取网络、第二特征提取网络和混合空洞卷积层；第一特征提取网络，用于对输入图像自下而上逐层卷积，得到不同尺寸的特征图C1-C5；第二特征提取网络，用于对第一特征提取网络的最顶层特征图进行上采样得到M2-M5，并与第一特征提取网络的次高层特征图进行相加，形成特征金字塔的一层，自顶向下的逐层构建特征金字塔的各层P2-P5；混合空洞卷积层，用于对特征金字塔的顶层特征图P5进行混合空洞卷积，得到P6；
感兴趣区域提取网络，用于对所述特征金字塔各层感兴趣区域进行提取和筛选，并将筛选出的感兴趣区域和特征金字塔中对应层的特征图进行对齐；
初步分割网络，用于对特征金字塔各层中经过对齐的感兴趣区域进行图像分类、位置回归和图像分割；
边缘检测网络，用于对图像分割结果进行边缘检测，得到最终的图像分割结果；
在一个可选的实施方式中，上述特征金字塔提取网络为基于残差网络ResNet-50(Residual Network)的特征金字塔网络FPN(Feature Pyramid Networks)；
本发明在分割网络中使用混合空洞卷积，假设卷积网络有n层，每层的卷积核大小均为K×K，各层扩张率分别为[r1,…,ri,…,rn]，构建混合空洞卷积的目的在于，当完成一系列空洞卷积操作后，计算得到的特征图可以涵盖一个正方形区域的所有像素点，可以通过以下公式计算得到两个非0像素点之间的最大距离：
Mi＝max[Mi+1-2ri,Mi+1-2(Mi+1-ri),ri]
其中，Mn＝rn，有效的混合空洞卷积都有一个共同的特性，M2≤K。
为了尽可能利用特征图中所有像素点的信息，在实际进行空洞卷积操作时，各层的扩张率不尽相同，在本发明实施例中，扩张率的设计呈“锯齿形”，将每个扩张率r＝2的空洞卷积层后的三层卷积的扩张率设计为[1,2,3]，这样可以使顶层像素点利用到更多底层像素点来计算特征；
在一个可选的实施方式中，上述感兴趣区域提取网络包括，区域提议网络RPN(Region Proposal Network)和感兴趣区域对齐单元；
区域提议网络RPN包括级联的多个相同单元，每个单元包括依次连接的卷积层、ReLU激活层、归一化层和最大池化层；
区域提议网络RPN，对特征金字塔各层感兴趣区域进行提取，得到多个候选框，通过非极大值抑制算法对候选框进行筛选，得到待处理的感兴趣区域；
感兴趣区域对齐单元，将筛选出的感兴趣区域和特征金字塔中对应层的特征图进行对齐；
为改善目标边缘的分割效果，本发明将边缘检测网络作为一个分支融入到网络中，在一个可选的实施方式中，边缘检测网络包括用于描述水平梯度的横向滤波器和用于描述垂直梯度的纵向滤波器：
Figure BDA0002086755810000061
其中，Sx为横向滤波器；Sy为纵向滤波器。
因此，本发明的边缘检测网络可视为一个卷积核大小为3×3×2的Sobel滤波器；
如图2所示，对大小为28×28的掩码分割的结果进行卷积，同时，将边缘误差Ledge添加到实例分割模型的损失函数L中，边缘误差Ledge产生在边缘检测结果与目标真实边缘之间，实例分割模型的损失函数为：
L＝Lcls+Lbox+Lmask+Ledge
其中，Lcls为分类误差、Lbox为回归误差、Lmask为分割误差，Ledge为边缘损失函数；
边缘损失函数Ledge为：
Figure BDA0002086755810000071
其中，y为预测结果，
Figure BDA0002086755810000072
为真实结果，为预测结果与真实结果之间的p次幂平均误差，当p＝2时，Mp为均方误差。
(2)实例分割模型训练；
对图像中设定类别的像素点、与所述设定类别对应的目标位置及相同类别的不同实例进行标注，并将标注的图像作为训练集输入所述实例分割模型进行端到端的训练，得到训练好的实例分割模型；
本发明使用精细标注的城市街景数据集Cityscapes对构建的实例分割模型进行端到端的训练，该数据集包含从50个不同城市收集的街景片段，在精细标注的数据集中，训练、验证和测试集分别包含2975、500和1525幅图像，这些图像都进行了像素级的标注，涉及到的类别包括人、小轿车、自行车等30类；
为了客观反映添加边缘损失对网络训练过程的影响，在实验中记录了每次迭代的掩码分割损失和分割准确率，随着迭代次数的增加，掩码分割损失变化如图3(a)所示，分割准确率变化如图3(b)所示，其中实线代表添加边缘信息后的实验结果，虚线代表不含边缘信息的实验结果。由图3(a)可看出，当边缘损失加入网络损失后，在刚开始迭代时，损失较大，但随着迭代过程分割损失迅速下降，在第3代后低于不添加边缘损失的原始网络的损失值；对于图3(b)中的准确率，添加边缘损失的分割准确率上升更快，并且二者都在迭代到一定次数时趋于稳定，由此可见，添加边缘损失可以在一定程度上加速网络收敛。
(3)实例分割；
将待测图像输入训练好的实例分割模型，得到图像类别、位置和分割结果。
图4(a)为输入图像，使用原始算法的实例分割结果如图4(b)所示，可以看出，图4(b)中存在漏检行人(右三)和车辆(自行车)的情况，使用本发明方法的实例分割结果如图4(c)所示，与图4(b)对比可以看出，图4(c)中行人的分割结果更贴合目标的真实边缘，且没有漏检。
本发明在一定程度上改善了原始的Mask R-CNN算法对目标边缘提取不精确的问题，这得益于算法中边缘信息的融合，此外，混合空洞卷积更好的考虑了图像的全局信息，减少误检和漏检，使得目标的检测和分割更加准确。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，包括：
(1)建立实例分割模型；
所述实例分割模型包括依次连接的特征金字塔提取网络、感兴趣区域提取网络、初步分割网络和边缘检测网络；
所述特征金字塔提取网络包括第一特征提取网络、第二特征提取网络和混合空洞卷积层；所述第一特征提取网络，用于对输入图像自下而上逐层卷积，得到不同尺寸的特征图；所述第二特征提取网络，用于对所述第一特征提取网络的最顶层特征图进行上采样，并与所述第一特征提取网络的次高层特征图进行相加，形成特征金字塔的一层，自顶向下的逐层构建所述特征金字塔的各层；所述混合空洞卷积层，用于对所述特征金字塔的顶层特征图进行混合空洞卷积；
所述感兴趣区域提取网络，用于对所述特征金字塔各层感兴趣区域进行提取和筛选，并将筛选出的感兴趣区域和特征金字塔中对应层的特征图进行对齐；
所述初步分割网络，用于对特征金字塔各层中经过对齐的感兴趣区域进行图像分类、位置回归和图像分割；
所述边缘检测网络，用于对所述图像分割结果进行边缘检测，得到最终的图像分割结果；
(2)实例分割模型训练；
对图像中设定类别的像素点、与所述设定类别对应的目标位置及相同类别的不同实例进行标注，并将标注的图像作为训练集输入所述实例分割模型进行端到端的训练，得到训练好的实例分割模型；
(3)实例分割；
将待测图像输入训练好的实例分割模型，得到图像中每个实例的分类、位置和分割结果。
2.根据权利要求1所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述特征金字塔提取网络为基于Resnet-50的FPN。
3.根据权利要求1或2所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述混合空洞卷积层包括四个扩张率不同的空洞卷积，依次对所述特征金字塔的顶层特征图进行混合空洞卷积。
4.根据权利要求3所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述四个空洞卷积的扩张率分别为2、1、2和3。
5.根据权利要求1所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述边缘检测网络包括用于描述水平梯度的横向滤波器和用于描述垂直梯度的纵向滤波器。
6.根据权利要求5所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述横向滤波器和纵向滤波器分别为：
Figure FDA0003043493840000021
其中，Sx为横向滤波器；Sy为纵向滤波器。
7.根据权利要求1所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述感兴趣区域提取网络包括，区域提议网络RPN和感兴趣区域对齐单元；
所述区域提议网络RPN包括级联的多个相同单元，每个单元包括依次连接的卷积层、ReLU激活层、归一化层和最大池化层；
所述区域提议网络RPN，用于对所述特征金字塔各层感兴趣区域进行提取和筛选；
所述感兴趣区域对齐单元，用于将筛选出的感兴趣区域和特征金字塔中对应层的特征图进行对齐。
8.根据权利要求1所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述实例分割模型的损失函数包括边缘损失函数。
9.根据权利要求8所述的一种融合空洞卷积和边缘信息的实例分割方法，其特征在于，所述边缘损失函数为：
Figure FDA0003043493840000031
其中，y为边缘检测结果，
Figure FDA0003043493840000032
为目标真实边缘，Mp为边缘检测结果与目标真实边缘之间的p次幂平均误差。
CN201910490237.5A 2019-06-06 2019-06-06 一种融合空洞卷积和边缘信息的实例分割方法 Expired - Fee Related CN110348445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910490237.5A CN110348445B (zh) 2019-06-06 2019-06-06 一种融合空洞卷积和边缘信息的实例分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910490237.5A CN110348445B (zh) 2019-06-06 2019-06-06 一种融合空洞卷积和边缘信息的实例分割方法

Publications (2)

Publication Number Publication Date
CN110348445A CN110348445A (zh) 2019-10-18
CN110348445B true CN110348445B (zh) 2021-07-27

Family

ID=68181553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910490237.5A Expired - Fee Related CN110348445B (zh) 2019-06-06 2019-06-06 一种融合空洞卷积和边缘信息的实例分割方法

Country Status (1)

Country Link
CN (1) CN110348445B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079516B (zh) * 2019-10-31 2022-12-20 浙江工商大学 基于深度神经网络的行人步态分割方法
CN111104962B (zh) * 2019-11-05 2023-04-18 北京航空航天大学青岛研究院 图像的语义分割方法、装置、电子设备及可读存储介质
CN110826560B (zh) * 2019-11-06 2023-10-27 山东省计算中心（国家超级计算济南中心） 一种食管癌病理图像标注方法
CN110992314A (zh) * 2019-11-15 2020-04-10 广东华路交通科技有限公司 一种路面缺陷检测方法、装置及存储介质
CN111160085A (zh) * 2019-11-19 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种人体图像关键点姿态估计方法
CN111325764B (zh) * 2020-02-11 2022-05-31 广西师范大学 一种果实图像轮廓识别方法
CN111461110B (zh) * 2020-03-02 2023-04-28 华南理工大学 一种基于多尺度图像和加权融合损失的小目标检测方法
CN111507182B (zh) * 2020-03-11 2021-03-16 杭州电子科技大学 基于骨骼点融合循环空洞卷积的乱丢垃圾行为检测方法
CN111428876B (zh) * 2020-03-18 2022-08-23 广西师范大学 基于自步学习的混合空洞卷积神经网络的图像分类方法
CN111444923A (zh) * 2020-04-13 2020-07-24 中国人民解放军国防科技大学 自然场景下图像语义分割方法和装置
CN111626298B (zh) * 2020-04-17 2023-08-18 中国科学院声学研究所 一种实时图像语义分割装置及分割方法
CN111882581B (zh) * 2020-07-21 2022-10-28 青岛科技大学 一种深度特征关联的多目标跟踪方法
CN112001401B (zh) * 2020-07-29 2022-12-09 苏州浪潮智能科技有限公司 用于实例分割的模型及训练方法，实例分割网络
CN111870279B (zh) * 2020-07-31 2022-01-28 西安电子科技大学 超声图像左室心肌的分割方法、系统及应用
CN112085734B (zh) * 2020-09-25 2022-02-01 西安交通大学 一种基于gan的图像修复的缺陷检测方法
CN112215128B (zh) * 2020-10-09 2024-04-05 武汉理工大学 融合fcos的r-cnn城市道路环境识别方法及装置
CN112381835A (zh) * 2020-10-29 2021-02-19 中国农业大学 基于卷积神经网络的作物叶片分割方法及装置
CN112365501B (zh) * 2021-01-13 2021-05-28 南京理工大学 一种基于卷积神经网络的焊件轮廓检测算法
CN112907605B (zh) * 2021-03-19 2023-11-17 南京大学 用于实例分割的数据增强方法
CN113128408B (zh) * 2021-04-21 2023-09-22 深圳大学 一种物品检测方法、装置、终端及存储介质
CN113673534B (zh) * 2021-04-22 2024-06-11 江苏大学 一种基于Faster RCNN的RGB-D图像果实检测方法
CN113762476B (zh) * 2021-09-08 2023-12-19 中科院成都信息技术股份有限公司 一种用于文字检测的神经网络模型及其文字检测方法
CN114332802A (zh) * 2022-03-15 2022-04-12 北京中科慧眼科技有限公司 基于双目相机的路面平坦度语义分割方法和系统
CN115063446A (zh) * 2022-05-12 2022-09-16 福州大学 一种辅助驾驶系统的城市街景实例分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549893A (zh) * 2018-04-04 2018-09-18 华中科技大学 一种任意形状的场景文本端到端识别方法
CN109063710A (zh) * 2018-08-09 2018-12-21 成都信息工程大学 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法
CN109117822A (zh) * 2018-08-31 2019-01-01 贵州大学 一种基于深度学习的零件实例分割识别方法
CN109784350A (zh) * 2018-12-29 2019-05-21 天津大学 结合空洞卷积与级联金字塔网络的服饰关键点定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10824862B2 (en) * 2017-11-14 2020-11-03 Nuro, Inc. Three-dimensional object detection for autonomous robotic systems using image proposals

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549893A (zh) * 2018-04-04 2018-09-18 华中科技大学 一种任意形状的场景文本端到端识别方法
CN109063710A (zh) * 2018-08-09 2018-12-21 成都信息工程大学 基于多尺度特征金字塔的3d cnn鼻咽癌分割方法
CN109117822A (zh) * 2018-08-31 2019-01-01 贵州大学 一种基于深度学习的零件实例分割识别方法
CN109784350A (zh) * 2018-12-29 2019-05-21 天津大学 结合空洞卷积与级联金字塔网络的服饰关键点定位方法

Also Published As

Publication number Publication date
CN110348445A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110348445B (zh) 一种融合空洞卷积和边缘信息的实例分割方法
CN109977812B (zh) 一种基于深度学习的车载视频目标检测方法
CN109376572B (zh) 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法
CN108921083B (zh) 基于深度学习目标检测的非法流动摊贩识别方法
CN110751099B (zh) 一种基于深度学习的无人机航拍视频轨迹高精度提取方法
CN109242884A (zh) 基于JCFNet网络的遥感视频目标跟踪方法
CN106228528B (zh) 一种基于决策图与稀疏表示的多聚焦图像融合方法
CN111339839B (zh) 一种密集型目标检测计量方法
CN107305635A (zh) 对象识别方法、对象识别装置和分类器训练方法
CN109492596B (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN112633149B (zh) 一种域自适应雾天图像目标检测方法和装置
CN110472634A (zh) 基于多尺度深度特征差值融合网络的变化检测方法
CN112287906B (zh) 一种基于深度特征融合的模板匹配跟踪方法及系统
CN101369312B (zh) 检测图像中交叉口的方法和设备
CN112861840A (zh) 基于多特征融合卷积网络的复杂场景字符识别方法及系统
CN111127520A (zh) 一种基于视频分析的车辆跟踪方法和系统
Asgarian Dehkordi et al. Vehicle type recognition based on dimension estimation and bag of word classification
CN111027542A (zh) 一种基于Faster RCNN算法改进的目标检测方法
Tran et al. City-scale multi-camera vehicle tracking of vehicles based on YOLOv7
CN111881914B (zh) 一种基于自学习阈值的车牌字符分割方法及系统
CN111339834B (zh) 车辆行驶方向的识别方法、计算机设备及存储介质
CN105488099B (zh) 一种基于相似度学习的车辆检索方法
CN114494893B (zh) 基于语义重用上下文特征金字塔的遥感图像特征提取方法
Sheng et al. A faster R-CNN based high-normalization sample calibration method for dense subway passenger flow detection
CN111339824A (zh) 基于机器视觉的路面抛洒物检测方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210727