CN111209915B - 一种基于深度学习的三维图像同步识别和分割方法 - Google Patents

一种基于深度学习的三维图像同步识别和分割方法 Download PDF

Info

Publication number
CN111209915B
CN111209915B CN201911351800.7A CN201911351800A CN111209915B CN 111209915 B CN111209915 B CN 111209915B CN 201911351800 A CN201911351800 A CN 201911351800A CN 111209915 B CN111209915 B CN 111209915B
Authority
CN
China
Prior art keywords
target
segmentation
layer
semantic
space
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.)
Active
Application number
CN201911351800.7A
Other languages
English (en)
Other versions
CN111209915A (zh
Inventor
武海雷
韩飞
孙俊
梁彦
牟金震
阳光
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.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN201911351800.7A priority Critical patent/CN111209915B/zh
Publication of CN111209915A publication Critical patent/CN111209915A/zh
Application granted granted Critical
Publication of CN111209915B publication Critical patent/CN111209915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/40—Extraction of image or video features
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种基于深度学习的三维图像同步识别和分割方法，采用Faster RCNN网络实现对空间非结构复杂环境的三维图像的目标分类和目标检测，采用U‑Net网络实现对空间非结构复杂环境的场景的语义分割和实例分割，最终获得空间目标或部组件实体，基于目标分类、目标检测、语义分割和实例分割结果实现目标的智能识别和场景理解。本发明基于深度学习实现空间非结构复杂环境目标识别、目标检测、语义分割和实例分割等智能感知，完成空间非结构复杂环境场景解析与表征，解决了目标识别和场景理解存在的识别鲁棒性差、泛化性差以及难以获得更深层次语义信息的问题，为在轨抓捕和精细操作奠定基础。

Description

一种基于深度学习的三维图像同步识别和分割方法
技术领域
本发明涉及一种基于深度学习的三维图像同步识别和分割方法。
背景技术
实现失效目标的在轨操作任务的前提是解决目标识别和场景理解问题，传统方法大多采用Faster R-CNN算法进行目标分类和目标检测，借助SegNet、ENet等实施语义分割，采用Mask R-CNN方法进行实例分割，会存在以下弊端：1)仅能对2D图像操作，并在2D空间输出结果，而空间可以提供完备的场景深度信息，由于没有很好地利用空间3D信息，无法获得更好的性能；2)已有方法都是孤立地去处理目标识别、目标检测、实例分割和语义分割等任务，没有很好地利用任务之间的关联，充分挖掘内在的关联信息，无法获得大幅度的性能提升。
发明内容
本发明提供一种基于深度学习的三维图像同步识别和分割方法，基于深度学习实现空间非结构复杂环境目标识别、目标检测、语义分割和实例分割等智能感知，完成空间非结构复杂环境场景解析与表征，解决了目标识别和场景理解存在的识别鲁棒性差、泛化性差以及难以获得更深层次语义信息的问题，为在轨抓捕和精细操作奠定基础。
为了达到上述目的，本发明提供一种基于深度学习的三维图像同步识别和分割方法，包含以下步骤：
采用Faster RCNN网络实现对空间非结构复杂环境的三维图像的目标分类和目标检测，采用U-Net网络实现对空间非结构复杂环境的场景的语义分割和实例分割，最终获得空间目标或部组件实体；
基于目标分类、目标检测、语义分割和实例分割结果，提取各目标与部组件实体，利用视觉系统中深度相机输出的三维点云信息，抽取不同目标或部组件实体之间的几何关系，并将其映射至各目标或部组件实体对应的节点之间的空间关系、时序关系以及语义关系，生成描述空间非结构复杂环境的知识图谱，完成目标尺寸、位置、角度、速度和角速度的语义描述，实现目标的智能识别和场景理解。
所述的采用Faster RCNN网络实现目标分类和目标检测的方法包含：
通过多层的卷积层和池化层来提取三维图像的特征图；
区域提议网络根据倒数第二层的卷积层和池化层的输出结果生成候选区域；
候选区域匹配综合倒数第二层的卷积层和池化层的输出结果，以及区域提议网络输出的候选区域，提取候选区域的特征图送入最后一层的卷积层和池化层；
全连接层根据最后一层的卷积层和池化层输出的候选区域的特征图判定目标类别，实现目标分类，全连接层使用检测框回归方法获得检测框的精确位置，实现目标检测。
所述的区域提议网络通过softmax函数判断图像区域属于正类或者负类，再利用检测框回归方法进行修正以获得精确的候选区域，损失函数是分类误差和回归误差的联合损失：
式中，i表示第i个锚点，表示第i个锚点为正样本，/>表示候选区域边框t＝(tx,ty,tz,tw,th,td)和真实边框v＝(vx,vy,vz,vw,vh,vd)之间的偏差，且
其中，(Gx,Gy,Gz,Gw,Gh,Gd)表示真实目标的中心坐标和边框宽、高和深度，(Px,Py,Pz,Pw,Ph,Pd)表示候选区域的中心坐标和区域的宽、高和深度；
对于边框回归层定义的损失为：
其中，
所述的采用U-Net网络实现语义分割和实例分割的方法包含：在语义分割分支中，所述的U-Net网络对Faster RCNN网络中卷积运算的各个维度的卷积池化计算结果进行复制和裁剪，把各个维度归一化后的结果进行卷积和池化，并对后一层的卷积池化结果不断进行上采样，将上采样层的输出结果与每一步卷积过程中得到的特征图进行融合，以还原特征在原图上的位置信息，实现语义分割；在实例分割分支中，所述的U-Net网络在目标检测的基础上，对Faster RCNN网络的最后一层的卷积层和池化层的输出进行卷积来实现检测对象的分割。
所述的基于目标分类、目标检测、语义分割和实例分割结果，实现目标的智能识别和场景理解的方法包含：
基于目标分类、目标检测、语义分割和实例分割结果，将场景中的每个空间目标或部组件实体对应为知识图谱中的一个节点，建立知识图谱；
对知识谱图中各节点之间的关系进行知识抽取，将节点名称映射为其对应的语义分割标签，利用视觉系统中深度相机输出的三维点云信息，抽取不同节点间的几何关系，将其映射至知识图谱中各节点的关系与属性，实现对知识图谱中各节点之间的关系的抽取和建立；
利用空间目标先验知识库中已有的安装关系、主备份关系、关键属性等先验知识，对已建立的知识图谱进行知识合并、实体消岐修正，最终形成修正后的知识图谱，形成场景内关键目标的语义关系描述。
本发明为了提高目标识别和分割的性能，借鉴多任务学习思想，提出基于三维图像的同步识别与分割方法，设计同步识别与分割的基础网络架构来挖掘不同任务间的联系，分别采用基于三维数据的Faster RCNN网络实现目标识别和检测，以及采用U-Net网络实现场景语义分割和实例分割，所设计的同步识别与分割的基础网络架构只经过一次训练过程，就能够同时处理目标检测识别和实例分割等多种任务，大大提升各任务精度，并有效降低了训练时间。通过空间非结构复杂环境场景解析与表征技术，完成目标尺寸、位置、角度、速度和角速度的语义获取，实现目标的智能识别和场景理解，为失效目标的在轨模块更换、帆板辅助展开等操作任务提供了技术支撑。
附图说明
图1是本发明提供的一种基于深度学习的三维图像同步识别和分割方法的流程图。
图2是同步识别与分割的基础网络架构的示意图。
图3是知识图谱场景解析关系构建过程图。
具体实施方式
以下根据图1～图3，具体说明本发明的较佳实施例。
针对失效目标抓捕和操作任务需求，为了解决失效目标加注口、对接环、帆板等特定部位的识别和分割问题，如图1所示，本发明提供一种基于深度学习的三维图像同步识别和分割方法，包含以下步骤：
步骤S1、建立同步识别与分割的基础网络架构，采用Faster RCNN网络实现对空间非结构复杂环境的三维图像的目标分类和目标检测，采用U-Net网络实现对空间非结构复杂环境的场景的语义分割和实例分割；
所述的识别包含目标分类和目标检测：目标分类是确定图像中目标的类别；目标检测是确定图像中目标的长、宽和高等具体位置；
所述的分割包含语义分割和实例分割：语义分割是对图像进行逐像素分类；实例分割是对图像中的目标进行检测，并对检测到的目标进行分割。
步骤S2、基于目标分类、目标检测、语义分割和实例分割结果，提取各目标与部组件实体，利用视觉系统中深度相机输出的三维点云信息，抽取不同目标/部组件实体之间的几何关系(包括但不限于方向关系、拓扑关系、距离关系等)，并将其映射至各实体对应的节点之间的空间关系、时序关系以及语义关系，生成描述空间非结构复杂环境的知识图谱，完成目标尺寸、位置、角度、速度和角速度的语义描述，实现目标的智能识别和场景理解。
在本发明的一个实施例中，如图2所示，所述的同步识别与分割的基础网络架构中，包含Faster RCNN网络和U-Net网络。
所述的基于三维数据的快速目标检测Faster RCNN算法，不仅可以识别出物体属于哪个分类，还可以得到物体在图片中的具体位置，克服视角变化、光照变化、形变、遮挡、背景干扰等问题，它将特征抽取、候选区域提取、检测框回归、目标分类等功能模块整合在一个网络中，较大提高了综合性能，在检测速度方面的提升尤为明显。
如图2所示，在本发明的一个实施例中，所述的Faster RCNN网络包含：卷积层和池化层、区域提议网络、候选区域匹配、全连接层，可实现目标分类和目标检测。使用一组基础网络来提取三维图像的特征图，所述的基础网络包含卷积层和池化层，所述的基础网络可用于区域提议网络(Region Proposal Networks，RPN)、候选区域匹配、全连接网络、U-Net网络；
所述的区域提议网络(RPN)用于生成候选区域，通过softmax函数判断图像区域属于正类或者负类，再利用检测框回归方法进行修正以获得精确的候选区域，该训练过程是端到端的，损失函数是分类误差和回归误差的联合损失：
式中，i表示第i个锚点，表示第i个锚点为正样本，/>表示候选区域边框t＝(tx,ty,tz,tw,th,td)和真实边框v＝(vx,vy,vz,vw,vh,vd)之间的偏差，且
其中，(Gx,Gy,Gz,Gw,Gh,Gd)表示真实目标的中心坐标和边框宽、高和深度，(Px,Py,Pz,Pw,Ph,Pd)表示候选区域的中心坐标和区域的宽、高和深度。
对于边框回归层定义的损失为：
其中，
在训练时，正样本为与任意真实边框的交并比大于0.7的候选区，负样本为与所有的真实边框的交并比小于0.3的候选区，而不属于以上两种情况的目标候选区不在训练中使用。
所述的目标分类与目标检测分支中，基于候选区域匹配方法收集输入的特征图和候选区域，综合这些信息后提取候选区域的特征图，送入后续的全连接层判定目标类别，同时使用检测框回归方法获得检测框的精确位置，实现目标检测。
如图2所示，在语义分割分支中，选择具有高分割精度、高实时性的U-Net网络结构，所述的U-Net网络对Faster RCNN网络中卷积运算的各个维度的卷积池化计算结果进行复制和裁剪，把各个维度归一化后的结果进行卷积和池化，并对后一层的卷积池化结果不断进行上采样，将上采样层的输出结果与每一步卷积过程中得到的特征图进行融合，以还原特征在原图上的位置信息，实现语义分割。在实例分割分支中，在目标检测的基础上，对卷积层5和池化层5进行卷积来实现检测对象的分割。
在同步识别和分割网络训练时，通过输入大量图像样本的真值，并借助反向传播的训练机制，可以让学习到的网络参数同步实现目标分类、目标检测、语义分割和实例分割等功能。
在本发明的一个实施例中，所述的步骤S2具体包含以下步骤：
步骤S2.1、基于同步识别与分割的基础网络架构获得的目标识别和目标检测结果与语义分割和实例分割结果，将场景中的每个构成要素(即每个被检测并分割出的空间目标或部组件，包括但不限于卫星本体、太阳能帆板、星敏感器、天线等)对应为知识图谱中的一个节点，建立知识图谱；
其中，每个节点的属性信息由各测量单机的输出数据融合处理得出，如宽、高、深度、形状、体积、质心、姿态、角度信息等；
步骤S2.2、对知识谱图中各节点之间的关系进行知识抽取，将节点名称映射为其对应的语义分割标签，利用视觉系统中深度相机输出的三维点云信息，抽取不同节点间的几何关系(包括但不限于方向关系、拓扑关系、距离关系等)，将其映射至知识图谱中各节点的关系与属性，实现对知识图谱中各节点之间的关系的抽取和建立；
步骤S2.3、利用空间目标先验知识库中已有的安装关系、主备份关系、关键属性等先验知识，对已建立的知识图谱进行知识合并、实体消岐修正，最终形成修正后的知识图谱，形成场景内关键目标的语义关系描述。
本发明为了提高目标识别和分割的性能，借鉴多任务学习思想，提出基于三维图像的同步识别与分割方法，设计同步识别与分割的基础网络架构来挖掘不同任务间的联系，分别采用基于三维数据的Faster RCNN网络实现目标识别和检测，以及采用U-Net网络实现场景语义分割和实例分割，所设计的同步识别与分割的基础网络架构只经过一次训练过程，就能够同时处理目标检测识别和实例分割等多种任务，大大提升各任务精度，并有效降低了训练时间。通过空间非结构复杂环境场景解析与表征技术，完成目标尺寸、位置、角度、速度和角速度的语义获取，实现目标的智能识别和场景理解，为失效目标的在轨模块更换、帆板辅助展开等操作任务提供了技术支撑。本发明基于深度学习实现空间非结构复杂环境目标识别、目标检测、语义分割和实例分割等智能感知，完成空间非结构复杂环境场景解析与表征，解决了目标识别和场景理解存在的识别鲁棒性差、泛化性差以及难以获得更深层次语义信息的问题，为在轨抓捕和精细操作奠定基础。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.一种基于深度学习的三维图像同步识别和分割方法，其特征在于，包含以下步骤：
采用Faster RCNN网络实现对空间非结构复杂环境的三维图像的目标分类和目标检测，采用U-Net网络实现对空间非结构复杂环境的场景的语义分割和实例分割，最终获得空间目标或部组件实体；
基于目标分类、目标检测、语义分割和实例分割结果，提取各目标与部组件实体，利用视觉系统中深度相机输出的三维点云信息，抽取不同目标或部组件实体之间的几何关系，并将其映射至各目标或部组件实体对应的节点之间的空间关系、时序关系以及语义关系，生成描述空间非结构复杂环境的知识图谱，完成目标尺寸、位置、角度、速度和角速度的语义描述，实现目标的智能识别和场景理解；
所述的采用Faster RCNN网络实现目标分类和目标检测的方法包含：
通过多层的卷积层和池化层来提取三维图像的特征图；
区域提议网络根据倒数第二层的卷积层和池化层的输出结果生成候选区域；
候选区域匹配综合倒数第二层的卷积层和池化层的输出结果，以及区域提议网络输出的候选区域，提取候选区域的特征图送入最后一层的卷积层和池化层；
全连接层根据最后一层的卷积层和池化层输出的候选区域的特征图判定目标类别，实现目标分类，全连接层使用检测框回归方法获得检测框的精确位置，实现目标检测；
所述的采用U-Net网络实现语义分割和实例分割的方法包含：在语义分割分支中，所述的U-Net网络对Faster RCNN网络中卷积运算的各个维度的卷积池化计算结果进行复制和裁剪，把各个维度归一化后的结果进行卷积和池化，并对后一层的卷积池化结果不断进行上采样，将上采样层的输出结果与每一步卷积过程中得到的特征图进行融合，以还原特征在原图上的位置信息，实现语义分割；在实例分割分支中，所述的U-Net网络在目标检测的基础上，对Faster RCNN网络的最后一层的卷积层和池化层的输出进行卷积来实现检测对象的分割。
2.如权利要求1所述的基于深度学习的三维图像同步识别和分割方法，其特征在于，所述的区域提议网络通过softmax函数判断图像区域属于正类或者负类，再利用检测框回归方法进行修正以获得精确的候选区域，损失函数是分类误差和回归误差的联合损失：
式中，i表示第i个锚点，表示第i个锚点为正样本，/>表示候选区域边框t＝(tx,ty,tz,tw,th,td)和真实边框v＝(vx,vy,vz,vw,vh,vd)之间的偏差，且
其中，(Gx,Gy,Gz,Gw,Gh,Gd)表示真实目标的中心坐标和边框宽、高和深度，(Px,Py,Pz,Pw,Ph,Pd)表示候选区域的中心坐标和区域的宽、高和深度；
对于边框回归层定义的损失为：
其中，
3.如权利要求2所述的基于深度学习的三维图像同步识别和分割方法，其特征在于，所述的基于目标分类、目标检测、语义分割和实例分割结果，实现目标的智能识别和场景理解的方法包含：
基于目标分类、目标检测、语义分割和实例分割结果，将场景中的每个空间目标或部组件实体对应为知识图谱中的一个节点，建立知识图谱；
对知识谱图中各节点之间的关系进行知识抽取，将节点名称映射为其对应的语义分割标签，利用视觉系统中深度相机输出的三维点云信息，抽取不同节点间的几何关系，将其映射至知识图谱中各节点的关系与属性，实现对知识图谱中各节点之间的关系的抽取和建立；
利用空间目标先验知识库中已有的安装关系、主备份关系、关键属性，对已建立的知识图谱进行知识合并、实体消岐修正，最终形成修正后的知识图谱，形成场景内关键目标的语义关系描述。
CN201911351800.7A 2019-12-25 2019-12-25 一种基于深度学习的三维图像同步识别和分割方法 Active CN111209915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911351800.7A CN111209915B (zh) 2019-12-25 2019-12-25 一种基于深度学习的三维图像同步识别和分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911351800.7A CN111209915B (zh) 2019-12-25 2019-12-25 一种基于深度学习的三维图像同步识别和分割方法

Publications (2)

Publication Number Publication Date
CN111209915A CN111209915A (zh) 2020-05-29
CN111209915B true CN111209915B (zh) 2023-09-15

Family

ID=70784307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911351800.7A Active CN111209915B (zh) 2019-12-25 2019-12-25 一种基于深度学习的三维图像同步识别和分割方法

Country Status (1)

Country Link
CN (1) CN111209915B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650278B1 (en) * 2017-07-21 2020-05-12 Apple Inc. Semantic labeling of point clouds using images
CN111914622B (zh) * 2020-06-16 2024-03-26 北京工业大学 一种基于深度学习的人物交互检测方法
CN111968121B (zh) * 2020-08-03 2021-12-03 电子科技大学 一种基于实例嵌入与语义融合的三维点云场景分割方法
CN112017188B (zh) * 2020-09-09 2024-04-09 上海航天控制技术研究所 一种空间非合作目标语义识别与重构方法
CN112183264B (zh) * 2020-09-17 2023-04-21 国网天津静海供电有限公司 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法
CN112417961B (zh) * 2020-10-20 2023-02-10 上海大学 一种基于场景先验知识的海面目标检测方法
CN112489060B (zh) * 2020-12-07 2022-05-10 北京医准智能科技有限公司 一种用于肺炎病灶分割的系统及方法
CN112560637B (zh) * 2020-12-10 2024-03-15 长沙理工大学 一种基于深度学习的服饰解析方法、设备及存储介质
CN112541912B (zh) * 2020-12-23 2024-03-12 中国矿业大学 矿井突发灾害场景中显著性目标的快速检测方法及装置
CN112862776A (zh) * 2021-02-02 2021-05-28 中电鸿信信息科技有限公司 基于ar和多重语义分割的智能测量方法
CN113935368B (zh) * 2021-10-13 2024-06-07 福州大学 针对散乱堆叠状态且具有可抓取平面物体的识别、定位及抓取方法
US11803396B2 (en) 2021-12-31 2023-10-31 Accenture Global Solutions Limited Intelligent automation of UI interactions
CN115100643B (zh) * 2022-08-26 2022-11-11 潍坊现代农业与生态环境研究院 融合三维场景语义的单目视觉定位增强方法和设备
CN116091845B (zh) * 2023-03-06 2023-10-27 北京数慧时空信息技术有限公司 基于图卷积网络和深度学习网络的遥感图像场景分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
WO2018039269A1 (en) * 2016-08-22 2018-03-01 Magic Leap, Inc. Augmented reality display device with deep learning sensors
CN109255790A (zh) * 2018-07-27 2019-01-22 北京工业大学 一种弱监督语义分割的自动图像标注方法
CN109886357A (zh) * 2019-03-13 2019-06-14 哈尔滨工程大学 一种基于特征融合的自适应权重深度学习目标分类方法
CN110148111A (zh) * 2019-04-01 2019-08-20 江西比格威医疗科技有限公司 一种视网膜oct图像中多种视网膜病灶的自动检测方法
US10426442B1 (en) * 2019-06-14 2019-10-01 Cycle Clarity, LLC Adaptive image processing in assisted reproductive imaging modalities
CN110322435A (zh) * 2019-01-20 2019-10-11 北京工业大学 一种基于深度学习的胃癌病理图像癌变区域分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10929977B2 (en) * 2016-08-25 2021-02-23 Intel Corporation Coupled multi-task fully convolutional networks using multi-scale contextual information and hierarchical hyper-features for semantic image segmentation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018039269A1 (en) * 2016-08-22 2018-03-01 Magic Leap, Inc. Augmented reality display device with deep learning sensors
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN109255790A (zh) * 2018-07-27 2019-01-22 北京工业大学 一种弱监督语义分割的自动图像标注方法
CN110322435A (zh) * 2019-01-20 2019-10-11 北京工业大学 一种基于深度学习的胃癌病理图像癌变区域分割方法
CN109886357A (zh) * 2019-03-13 2019-06-14 哈尔滨工程大学 一种基于特征融合的自适应权重深度学习目标分类方法
CN110148111A (zh) * 2019-04-01 2019-08-20 江西比格威医疗科技有限公司 一种视网膜oct图像中多种视网膜病灶的自动检测方法
US10426442B1 (en) * 2019-06-14 2019-10-01 Cycle Clarity, LLC Adaptive image processing in assisted reproductive imaging modalities

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宁霄 ; 赵鹏 ; .基于U-Net卷积神经网络的年轮图像分割算法.生态学杂志.2019,(第05期),全文. *
徐江川 ; 金国强 ; 朱天奕 ; 余芬芬 ; 郭杰 ; 金一 ; 竺长安 ; .基于深度学习U-Net模型的石块图像分割算法.工业控制计算机.2018,(第04期),全文. *
谢奇芳 ; 姚国清 ; 张猛 ; .基于Faster R-CNN的高分辨率图像目标检测技术.国土资源遥感.2019,(第02期),全文. *

Also Published As

Publication number Publication date
CN111209915A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN111209915B (zh) 一种基于深度学习的三维图像同步识别和分割方法
CN111968129B (zh) 具有语义感知的即时定位与地图构建系统及方法
CN112894832B (zh) 三维建模方法、装置、电子设备和存储介质
CN111486855B (zh) 一种具有物体导航点的室内二维语义栅格地图构建方法
Ma et al. A review of 3D reconstruction techniques in civil engineering and their applications
Chen et al. A methodology for automated segmentation and reconstruction of urban 3-D buildings from ALS point clouds
CN108648194B (zh) 基于cad模型三维目标识别分割和位姿测量方法及装置
CN103854283A (zh) 一种基于在线学习的移动增强现实跟踪注册方法
CN110033411A (zh) 基于无人机的公路施工现场全景图像高效拼接方法
CN111060924A (zh) 一种slam与目标跟踪方法
CN103839286B (zh) 一种对象语义约束的真正射影像优化采样方法
CN114219819A (zh) 基于正射影像边界检测的倾斜摄影模型单体化方法
CN113192200B (zh) 一种基于空三并行计算算法的城市实景三维模型的构建方法
CN110378995B (zh) 一种利用投射特征进行三维空间建模的方法
CN108520559A (zh) 一种基于双目视觉的无人机定位导航的方法
CN112163588A (zh) 基于智能进化的异源图像目标检测方法、存储介质及设备
CN103871072A (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
Wang et al. A method for detecting windows from mobile LiDAR data
CN110516527B (zh) 一种基于实例分割的视觉slam回环检测改进方法
Gao et al. Multi-source data-based 3D digital preservation of largescale ancient chinese architecture: A case report
Alidoost et al. Y-shaped convolutional neural network for 3d roof elements extraction to reconstruct building models from a single aerial image
Pan et al. Recovering building information model from 2D drawings for mechanical, electrical and plumbing systems of ageing buildings
Sun et al. Geographic, geometrical and semantic reconstruction of urban scene from high resolution oblique aerial images.
CN116524382A (zh) 一种桥梁转体合拢准确性检验方法系统、设备
CN104596486A (zh) 基于目标旋转对称特征的位姿测量方法

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