CN110991611A - 一种基于图像分割的全卷积神经网络 - Google Patents
一种基于图像分割的全卷积神经网络 Download PDFInfo
- Publication number
- CN110991611A CN110991611A CN201911199166.XA CN201911199166A CN110991611A CN 110991611 A CN110991611 A CN 110991611A CN 201911199166 A CN201911199166 A CN 201911199166A CN 110991611 A CN110991611 A CN 110991611A
- Authority
- CN
- China
- Prior art keywords
- feature
- convolution
- feature fusion
- module
- fusion
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 106
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000011800 void material Substances 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000007499 fusion processing Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 9
- 210000000416 exudates and transudate Anatomy 0.000 description 7
- 206010012689 Diabetic retinopathy Diseases 0.000 description 6
- 230000004256 retinal image Effects 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及神经网络领域，提供了一种基于图像分割的全卷积神经网络，包括特征提取模块、第一特征融合模块、第二特征融合模块、分割图生成模块，其中特征提取模块用于提取输入图像的低层次特征和高层次特征；第一特征融合模块用于对低层次特征和高层次特征分别进行卷积和融合处理，以得到第一、第二特征融合图；所述第二特征融合模块，用于将第一特征融合图进行处理，最终输出第三特征融合图；所述分割图生成模块用于将第二融合特征图和第三特征融合图进行拼接处理，得到目标分割图像。本发明能够有效提升全卷积神经网络的有效感受野，从而更好地融合高层特征的空间信息，获得更好的语义分割效果。
Description
技术领域
本发明涉及神经网络技术领域，具体涉及一种基于图像分割的全卷积神经网络。
背景技术
糖尿病视网膜病变(DR)一直是工作年龄人士失明的主要原因。据世界糖尿病基金会估计，到2030年将有4.38亿人获得DR。因此，早期介入和DR筛查对于预防视力丧失至关重要。由于DR筛查具有成本低，无痛，无创等优点，因此分析眼底视网膜图像是最流行的方法。此外，眼底视网膜图像中硬渗出物(EX)的存在和大小是诊断DR严重程度的主要指标。因此，开发用于硬渗出物检测的自动化工具至关重要。
相关技术中，采用神经网络分割方法进行眼底视网膜图像的硬渗出物分割。神经网络方法进行视网膜眼底图像分割可以被看作是一个语义分割问题。语义分割任务最初流行的深度学习方法是进行图像块分类，即利用像素周围的图像块对每一个像素进行独立的分类。加州大学伯克利分校的Long等人提出全卷积神经网络，使用全卷积神经网络进行图像分割可生成任意大小的图像分割图，且该方法比传统图像块分类法效率更高。然而使用现有的全卷积神经网络进行眼底视网膜图像分割时，由于是逐层提取特征，会导致许多有用的信息丢失，进而使得提取的高层特征缺乏语义信息，降低了眼底视网膜图像的硬渗出物分割边界的精度。
发明内容
针对上述问题，本发明提供一种基于图像分割的全卷积神经网络。
本发明的目的采用以下技术方案来实现：
本发明提供了一种基于图像分割的全卷积神经网络，包括特征提取模块、第一特征融合模块、第二特征融合模块、分割图生成模块，其中：
所述特征提取模块，用于提取输入图像的低层次特征和高层次特征；
所述第一特征融合模块，与所述特征提取模块连接，用于对所述低层次特征和高层次特征分别进行卷积处理，以及将处理后的低层次特征和高层次特征相乘得到第一特征融合图，将所述第一特征融合图与所述高层次特征相加得到第二融合特征图；
所述第二特征融合模块，与所述第一特征融合模块连接，用于将所述第一特征融合图依次进行global pooling卷积操作、1×1卷积以及多次空洞卷积，每次空洞卷积的空洞率不同且逐渐增加，最终输出第三特征融合图；
所述分割图生成模块，与所述第一特征融合模块、第二特征融合模块皆连接，用于将所述第二融合特征图和第三特征融合图进行拼接处理，得到目标分割图像；
其中，在训练神经网络之前，根据所述特征提取模块、第一特征融合模块、第二特征融合模块和分割图生成模块构建所述全卷积神经网络，采用随机初始化的参数初始化所述全卷积神经网络，且基于预设训练样本集训练所述全卷积神经网络。
在一种能够实现的方式中，所述多次空洞卷积，包括：空洞率为6的3×3卷积、空洞率为12的3×3卷积和空洞率为24的3×3卷积。
在一种能够实现的方式中，所述global pooling卷积操作、1×1卷积、空洞率为6的3×3卷积、空洞率为12的3×3卷积和空洞率为24的3×3卷积的输入皆包括初始的第一特征融合图。
在一种能够实现的方式中，所述第一特征融合模块包括低层次特征处理层、高层次特征处理层以及多级特征融合层，所述低层次特征处理层用于对所述低层次特征执行3×3的卷积操作，所述高层次特征处理层用于将所述高层次特征的全局上下文信息依次经过1×1卷积、batch normalization和RELU处理，所述多级特征融合层用于将处理后的低层次特征和高层次特征相乘得到第一特征融合图，所述多级特征融合层还用于将所述第一特征融合图与所述高层次特征相加得到第二融合特征图。
在一种能够实现的方式中，所述分割图生成模块将所述第二特征融合图进行1×1卷积操作，将第三特征融合图进行上采样，将处理后的第二特征融合图和第三特征融合图拼接后进行3×3卷积，再进行上采样，得到所述目标分割图像。
在一种能够实现的方式中，所述进行global pooling卷积操作，具体为：将所述第一特征融合图进行双线性插值以及3×3卷积。
本发明的有益效果包括：本发明通过第一融合模块和第二融合模块实现了神经网络中多级特征的融合，有利于提高神经网络的学习能力，进而提高对眼底视网膜图像的硬渗出物进行分割的精度；通过采用逐步递增的空洞率对特征进行卷积，能够有效提升全卷积神经网络的有效感受野，从而更好地融合高层特征的空间信息，获得更好的语义分割效果；通过随机初始化多网络的参数，在神经网络收敛的情况下，基于该参数初始化全卷积神经网络，参数简单，有利于提高全卷积神经网络的运算速度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明一个示例性实施例一种基于图像分割的全卷积神经网络的结构连接示意图。
附图标记：
特征提取模块1、第一特征融合模块2、第二特征融合模块3、分割图生成模块4。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本发明实施例提供了一种基于图像分割的全卷积神经网络，包括特征提取模块1、第一特征融合模块2、第二特征融合模块3、分割图生成模块4，其中：
所述特征提取模块1，用于提取输入图像的低层次特征和高层次特征；
所述第一特征融合模块2，与所述特征提取模块1连接，用于对所述低层次特征和高层次特征分别进行卷积处理，以及将处理后的低层次特征和高层次特征相乘得到第一特征融合图，将所述第一特征融合图与所述高层次特征相加得到第二融合特征图；
所述第二特征融合模块3，与所述第一特征融合模块2连接，用于将所述第一特征融合图依次进行global pooling卷积操作、1×1卷积以及多次空洞卷积，每次空洞卷积的空洞率不同且逐渐增加，最终输出第三特征融合图；
所述分割图生成模块4，与所述第一特征融合模块2、第二特征融合模块3皆连接，用于将所述第二融合特征图和第三特征融合图进行拼接处理，得到目标分割图像；
其中，在训练神经网络之前，根据所述特征提取模块1、第一特征融合模块2、第二特征融合模块3和分割图生成模块4构建所述全卷积神经网络，采用随机初始化的参数初始化所述全卷积神经网络，且基于预设训练样本集训练所述全卷积神经网络。
本发明上述实施例通过第一融合模块和第二融合模块实现了神经网络中多级特征的融合，有利于提高神经网络的学习能力，进而提高对眼底视网膜图像的硬渗出物进行分割的精度；通过采用逐步递增的空洞率对特征进行卷积，能够有效提升全卷积神经网络的有效感受野，从而更好地融合高层特征的空间信息，获得更好的语义分割效果；通过随机初始化多网络的参数，在神经网络收敛的情况下，基于该参数初始化全卷积神经网络，参数简单，有利于提高全卷积神经网络的运算速度。
在一种能够实施的方式中，所述第一特征融合模块2包括低层次特征处理层、高层次特征处理层以及多级特征融合层，所述低层次特征处理层用于对所述低层次特征执行3×3的卷积操作，以减少特征图的通道数。
所述高层次特征处理层用于将所述高层次特征的全局上下文信息依次经过1×1卷积、batch normalization和RELU处理。结合高层次特征的全局上下文信息，能够更好地融合全局信息。
所述多级特征融合层用于将处理后的低层次特征和高层次特征相乘得到第一特征融合图，所述多级特征融合层还用于将所述第一特征融合图与所述高层次特征相加得到第二融合特征图。
在一种能够实现的方式中，所述多次空洞卷积，包括：空洞率为6的3×3卷积、空洞率为12的3×3卷积和空洞率为24的3×3卷积。其中每一个卷积的输出都是256个Channels的特征图.其中，所述global pooling卷积操作、1×1卷积、空洞率为6的3×3卷积、空洞率为12的3×3卷积和空洞率为24的3×3卷积的输入皆包括初始的第一特征融合图。例如，所述1×1卷积操作的输入包括global pooling卷积操作所输出的结果以及该初始的第一特征融合图。其中在global pooling卷积操作进行1×1卷积操作，能减少特征图的数量。
其中，所述进行global pooling卷积操作，具体为：将所述第一特征融合图进行双线性插值以及3×3卷积。
本实施例通过采用逐步递增的空洞率进行卷积，能够使得神经网络的感受野为空洞率6+空洞率12+空洞率24＝空洞率42，从而更好融合空间信息，获得更好的语义分割效果。本实施例克服传统神经网络方法中高层特征缺乏语义信息，边界分割精确度低的问题。
在一种能够实现的方式中，所述分割图生成模块4将所述第二特征融合图进行1×1卷积操作，将第三特征融合图进行上采样，将处理后的第二特征融合图和第三特征融合图拼接后进行3×3卷积，再进行上采样，得到所述目标分割图像。其中，上采样的倍数可以根据实际情况进行设定，本实施例对此不作限定。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种基于图像分割的全卷积神经网络，其特征是，包括特征提取模块、第一特征融合模块、第二特征融合模块、分割图生成模块，其中：
所述特征提取模块，用于提取输入图像的低层次特征和高层次特征；
所述第一特征融合模块，与所述特征提取模块连接，用于对所述低层次特征和高层次特征分别进行卷积处理，以及将处理后的低层次特征和高层次特征相乘得到第一特征融合图，将所述第一特征融合图与所述高层次特征相加得到第二融合特征图；
所述第二特征融合模块，与所述第一特征融合模块连接，用于将所述第一特征融合图依次进行global pooling卷积操作、1×1卷积以及多次空洞卷积，每次空洞卷积的空洞率不同且逐渐增加，最终输出第三特征融合图；
所述分割图生成模块，与所述第一特征融合模块、第二特征融合模块皆连接，用于将所述第二融合特征图和第三特征融合图进行拼接处理，得到目标分割图像；
其中，在训练神经网络之前，根据所述特征提取模块、第一特征融合模块、第二特征融合模块和分割图生成模块构建所述全卷积神经网络，采用随机初始化的参数初始化所述全卷积神经网络，且基于预设训练样本集训练所述全卷积神经网络。
2.根据权利要求1所述的一种基于图像分割的全卷积神经网络，其特征是，所述进行global pooling卷积操作，具体为：将所述第一特征融合图进行双线性插值以及3×3卷积。
3.根据权利要求1所述的一种基于图像分割的全卷积神经网络，其特征是，所述多次空洞卷积，包括：空洞率为6的3×3卷积、空洞率为12的3×3卷积和空洞率为24的3×3卷积。
4.根据权利要求3所述的一种基于图像分割的全卷积神经网络，其特征是，所述globalpooling卷积操作、1×1卷积、空洞率为6的3×3卷积、空洞率为12的3×3卷积和空洞率为24的3×3卷积的输入皆包括初始的第一特征融合图。
5.根据权利要求1-4任一项所述的一种基于图像分割的全卷积神经网络，其特征是，所述第一特征融合模块包括低层次特征处理层、高层次特征处理层以及多级特征融合层，所述低层次特征处理层用于对所述低层次特征执行3×3的卷积操作，所述高层次特征处理层用于将所述高层次特征的全局上下文信息依次经过1×1卷积、batch normalization和RELU处理，所述多级特征融合层用于将处理后的低层次特征和高层次特征相乘得到第一特征融合图，所述多级特征融合层还用于将所述第一特征融合图与所述高层次特征相加得到第二融合特征图。
6.根据权利要求1-4任一项所述的一种基于图像分割的全卷积神经网络，其特征是，所述分割图生成模块将所述第二特征融合图进行1×1卷积操作，将第三特征融合图进行上采样，将处理后的第二特征融合图和第三特征融合图拼接后进行3×3卷积，再进行上采样，得到所述目标分割图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911199166.XA CN110991611A (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像分割的全卷积神经网络 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911199166.XA CN110991611A (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像分割的全卷积神经网络 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991611A true CN110991611A (zh) | 2020-04-10 |
Family
ID=70088257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911199166.XA Pending CN110991611A (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像分割的全卷积神经网络 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991611A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968137A (zh) * | 2020-10-22 | 2020-11-20 | 平安科技（深圳）有限公司 | 头部ct图像分割方法、装置、电子设备及存储介质 |
| CN112365525A (zh) * | 2020-11-19 | 2021-02-12 | 北京航天泰坦科技股份有限公司 | 高分辨率遥感影像变化检测网络和方法及装置 |
| TWI776489B (zh) * | 2020-06-16 | 2022-09-01 | 國立臺灣科技大學 | 用於文件分割的電子裝置和方法 |
| US11657279B2 (en) | 2020-06-16 | 2023-05-23 | National Taiwan University Of Science And Technology | Electronic device and method for document segmentation |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109671094A (zh) * | 2018-11-09 | 2019-04-23 | 杭州电子科技大学 | 一种基于频域分级的眼底图像血管分割方法 |
| US20190130575A1 (en) * | 2017-10-30 | 2019-05-02 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
| CN110097550A (zh) * | 2019-05-05 | 2019-08-06 | 电子科技大学 | 一种基于深度学习的医学图像分割方法及系统 |
| CN110232394A (zh) * | 2018-03-06 | 2019-09-13 | 华南理工大学 | 一种多尺度图像语义分割方法 |
| CN110335276A (zh) * | 2019-07-10 | 2019-10-15 | 四川大学 | 医学图像分割模型、方法、存储介质及电子设备 |
| CN110490876A (zh) * | 2019-03-12 | 2019-11-22 | 珠海上工医信科技有限公司 | 一种用于图像分割的轻量级神经网络 |
-
2019
- 2019-11-29 CN CN201911199166.XA patent/CN110991611A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130575A1 (en) * | 2017-10-30 | 2019-05-02 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
| CN110232394A (zh) * | 2018-03-06 | 2019-09-13 | 华南理工大学 | 一种多尺度图像语义分割方法 |
| CN109671094A (zh) * | 2018-11-09 | 2019-04-23 | 杭州电子科技大学 | 一种基于频域分级的眼底图像血管分割方法 |
| CN110490876A (zh) * | 2019-03-12 | 2019-11-22 | 珠海上工医信科技有限公司 | 一种用于图像分割的轻量级神经网络 |
| CN110097550A (zh) * | 2019-05-05 | 2019-08-06 | 电子科技大学 | 一种基于深度学习的医学图像分割方法及系统 |
| CN110335276A (zh) * | 2019-07-10 | 2019-10-15 | 四川大学 | 医学图像分割模型、方法、存储介质及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| HUAN WANG等: "High- and Low-Level Feature Enhancement for Medical Image Segmentation", MACHINE LEARNING IN MEDICAL IMAGING * |
| SONG GUO等: "A Lightweight Neural Network for Hard Exudate Segmentation of Fundus Image", ARTIFICIAL NEURAL NETWORKS AND MACHINE LEARNING – ICANN 2019 * |
| 杜宇华;范影乐;武薇;: "眼底视网膜血管多级分割的随机共振方法", 航天医学与医学工程 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI776489B (zh) * | 2020-06-16 | 2022-09-01 | 國立臺灣科技大學 | 用於文件分割的電子裝置和方法 |
| US11657279B2 (en) | 2020-06-16 | 2023-05-23 | National Taiwan University Of Science And Technology | Electronic device and method for document segmentation |
| CN111968137A (zh) * | 2020-10-22 | 2020-11-20 | 平安科技（深圳）有限公司 | 头部ct图像分割方法、装置、电子设备及存储介质 |
| CN112365525A (zh) * | 2020-11-19 | 2021-02-12 | 北京航天泰坦科技股份有限公司 | 高分辨率遥感影像变化检测网络和方法及装置 |
| CN112365525B (zh) * | 2020-11-19 | 2023-05-16 | 北京航天泰坦科技股份有限公司 | 高分辨率遥感影像变化检测网络和方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991611A (zh) | 一种基于图像分割的全卷积神经网络 | |
| CN112541503B (zh) | 基于上下文注意力机制和信息融合的实时语义分割方法 | |
| CN111325751B (zh) | 基于注意力卷积神经网络的ct图像分割系统 | |
| US11373305B2 (en) | Image processing method and device, computer apparatus, and storage medium | |
| US10402680B2 (en) | Methods and apparatus for image salient object detection | |
| CN109146944B (zh) | 一种基于深度可分卷积神经网络的视觉深度估计方法 | |
| CN112132156A (zh) | 多深度特征融合的图像显著性目标检测方法及系统 | |
| CN115641340A (zh) | 基于多尺度注意力门控网络的视网膜血管图像分割方法 | |
| CN110175986A (zh) | 一种基于卷积神经网络的立体图像视觉显著性检测方法 | |
| CN110009700B (zh) | 基于rgb图和梯度图的卷积神经网络视觉深度估计方法 | |
| CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
| CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
| CN109740656A (zh) | 一种基于卷积神经网络的矿石分选方法 | |
| CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
| CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
| CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
| CN116342867A (zh) | 一种基于自适应递归金字塔的YOLOv4小目标检测方法 | |
| CN113963170A (zh) | 一种基于交互式特征融合的rgbd图像显著性检测方法 | |
| CN113361466A (zh) | 一种基于多模态交叉指导学习的多光谱目标检测方法 | |
| CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
| Sallam et al. | Diabetic retinopathy grading using resnet convolutional neural network | |
| CN115471718A (zh) | 基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法 | |
| CN110610480A (zh) | 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型 | |
| CN110490876B (zh) | 一种基于轻量级神经网络的图像分割方法 | |
| CN117523202A (zh) | 一种基于视觉注意力融合网络的眼底血管图像分割方法 |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240126 |
|
| AD01 | Patent right deemed abandoned |