CN111311601B - 一种拼接图像的分割方法及装置 - Google Patents
一种拼接图像的分割方法及装置 Download PDFInfo
- Publication number
- CN111311601B CN111311601B CN202010227851.5A CN202010227851A CN111311601B CN 111311601 B CN111311601 B CN 111311601B CN 202010227851 A CN202010227851 A CN 202010227851A CN 111311601 B CN111311601 B CN 111311601B
- Authority
- CN
- China
- Prior art keywords
- mosaic
- target
- sample
- information
- graph
- 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
Links
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种拼接图像的分割方法及装置。本申请实施例方法包括:获取样本拼接图,所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息;根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型;将目标拼接图输入所述预测模型以确定所述目标拼接图的分割结果。本申请实施例的可提高对拼接图像分割的准确度。
Description
技术领域
本申请实施例涉及数据处理领域,尤其涉及一种拼接图像的分割方法及装置。
背景技术
在交通违法判断场景下,通常需要多张连续拍摄的图片构成违法判断证据,而这些连续的证据图片通常按照各种模式被拼接成一张大的图片,这种拼接成单一图片的方式有利于提高人工审核判断的效率。随着目前人工智能的普及,基于深度学习的计算机视觉技术逐渐被应用到交通违法判断场景中,而基于计算机视觉技术来进行违法判断的第一步就需要将拼接的图像按照正确的模式分割为单张图片。
现有的分割方法主要是基于直线检测方法,首先进行拼接缝线的检测,进而通过拼接缝线的位置去判断图像的合成模式,这种方法存在诸多问题。首先,在实际场景中存在许多干扰直线,比如车道线,停止线,斑马线等,这些线段的成像都具有典型的直线特征,难以和拼接缝线相区别,需要利用其他特征加以区分,难以取得稳定的效果;其次,在黑夜场景下,除灯光附近外,其他像素皆为纯黑色,因此难以提取到有效的直线特征,使得通过该方法的分割方式导致的分割结果不准确。
发明内容
本申请实施例提供了一种拼接图像的分割方法及装置,能够提高分割拼接图像的准确度。
本申请实施例中的一种拼接图像的分割方法,包括:
获取样本拼接图,所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息;
根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型;
将目标拼接图输入所述预测模型以确定所述目标拼接图的分割结果。
可选的,所述将目标拼接图输入所述预测模型识别以确定所述目标拼接图的分割结果包括:
将目标拼接图输入所述预测模型;
根据所述预测模型输出所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息;
根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图。
可选的,所述根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型包括:
确定第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息;
根据所述第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息生成分部热图;
将第二样本拼接图与所述分部热图进行相似性融合以得到单张图片的中心点偏移量;
通过损失函数根据所述单张图片的中心点偏移量更新所述分部热图;
根据所述更新后的分部热图生成预测模型。
可选的,所述损失函数为交叉熵损失函数。
可选的,所述根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图包括:
根据所述目标拼接图的合成类别信息确定对应的所述预测模型中的第一分部热图;
确定第一分部热图中的中心点峰值为目标拼接图的单图的中心点位置;
根据所确定的目标拼接图的单图的中心点位置确定单图的高宽;
根据目标拼接图的中心点位置以及高宽分割目标拼接图中的所有单图。
本申请实施例中的一种拼接图像的分割装置,包括:
获取单元,用于获取样本拼接图,所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息;
训练单元,用于根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型;
识别单元,用于将目标拼接图输入所述预测模型识别以确定所述目标拼接图的分割结果。
可选的,所述识别单元具体包括:
输入模块,用于将目标拼接图输入所述预测模型;
输出模块,用于根据所述预测模型输出所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息;
分割模块,用于根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图。
可选的,所述训练单元具体包括:
确定模块,用于确定第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息;
生成模块,用于根据所述第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息生成分部热图;
融合模块,用于将第二样本拼接图与所述分部热图进行相似性融合以得到单张图片的中心点偏移量;
更新模块,用于通过损失函数根据所述单张图片的中心点偏移量更新所述分部热图;
所述生成模块还用于,根据所述更新后的分部热图生成预测模型。
可选的,所述损失函数为交叉熵损失函数。
可选的,所述分割模块具体用于:
根据所述目标拼接图的合成类别信息确定对应的所述预测模型中的第一分部热图;
确定第一分部热图中的中心点峰值为目标拼接图的单图的中心点位置;
根据所确定的目标拼接图的单图的中心点位置确定单图的高宽;
根据目标拼接图的中心点位置以及高宽分割目标拼接图中的所有单图。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例的技术方案中,先对大量的样本拼接图进行训练得到训练模型,该训练模型中可以输入拼接图的合成类别以及每张单图的中心点位置和高宽位置,在分割时,只需要目标拼接图输入该预测模型,则能够确定目标拼接图的单图的中心点位置和高宽信息,从而进行分割,相比于仅仅依靠通过拼接缝线的位置进行分割的方式而言,可以有效的提高分割拼接图的准确度。
附图说明
图1为本申请实施例中网络框架示意图;
图2为本申请实施例中拼接图像的分割方法的一个实施例示意图;
图3为本申请实施例中拼接图像的分割方法的另一实施例示意图;
图4为本申请实施例中拼接图转换为分部热图的一个示意图;
图5为本申请实施例中拼接图像的分割方法的另一实施例示意图;
图6为本申请实施例中拼接图像的分割装置的一个实施例示意图;
图7为本申请实施例中拼接图像的分割装置的另一实施例示意图。
具体实施方式
本申请实施例提供了一种拼接图像的分割方法及装置,能够提高分割拼接图像的准确度。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,本申请实施例的技术方案可以基于VGG、RESNET、MobileNet等主流卷积神经网络模型,将上述网络结构作为主干网络,在其之后设计了一层拼接图像分割层,该层能够快速有效的对拼接图像中的合成类别、每张单图的中心点、高、宽进行回归和预测。
具体的,该拼接图像分割层的具体实现可以为“(Conv+Bn+Relu)*5”,即“(卷积+批标准化+线性修正)*5”。
请参阅图2,本申请实施例中,拼接图像的分割方法一个实施例包括:
201、获取样本拼接图;
所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息。
在对目标拼接图进行分割之前,先进行预测模型的训练,预测模型的训练需要先获取大量的样本拼接图,每张样本拼接图中都已经标记好了该样本拼接图的合成类别信息,比如为1*2、1*3、2*2、3*3等,以及每张样本拼接图中也已经标记好了其中每张单图(单张图片)的中心点位置和高宽信息。
202、根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型;
在获取到大量样本拼接图后,则可以根据这些样本拼接图中所确定的合成信息以及中心点和高宽信息进行预测模型的训练,从而得到预测模型。
203、将目标拼接图输入所述预测模型以确定所述目标拼接图的分割结果。
当用户需要对目标拼接图进行分割时,无需人工去手动标记其合成类别以及单图的中心点和高宽,只需通过将目标拼接图输入预测模型,则能输出分割结构。
本申请实施例的技术方案中,先对大量的样本拼接图进行训练得到训练模型,该训练模型中可以输入拼接图的合成类别以及每张单图的中心点位置和高宽位置,在分割时,只需要目标拼接图输入该预测模型,则能够确定目标拼接图的单图的中心点位置和高宽信息,从而进行分割,相比于仅仅依靠通过拼接缝线的位置进行分割的方式而言,可以有效的提高分割拼接图的准确度。
请参阅图3和图4,本申请实施例中,拼接图像的分割方法另一个实施例包括:
301、获取样本拼接图;
所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息。
在对目标拼接图进行分割之前,先进行预测模型的训练,预测模型的训练需要先获取大量的样本拼接图,每张样本拼接图中都已经标记好了该样本拼接图的合成类别信息,比如为1*2、1*3、2*2、3*3等,以及每张样本拼接图中也已经标记好了其中每张单图(单张图片)的中心点位置和高宽信息。
302、确定第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息;
在生成预测模型时,先用第一张样本拼接图的合成类别信息以及单图的中心点和高宽信息作为参考信息。
303、根据所述第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息生成分部热图;
根据第一样本拼接图生成该第一样本拼接图的合成类别对应的分部热图,分部热图包含该第一样本凭截图的合成类别以及每张单图的中心点的高斯分布。
304、将第二样本拼接图与所述分部热图进行相似性融合以得到单张图片的中心点偏移量;
生成了分部热图后,则获取第二样本拼接图,确定第二样本拼接图的合成类别与第一样本拼接图的合成类别一致,则将第二样本拼接图与该分部热图进行相似性融合,从而确定每张单图的中心点的偏移量。若第二样本拼接图的合成类别与第一样本拼接图的合成类别不一致,则以第二样本拼接图为初始样本拼接图生成对应的分部热图。
305、通过损失函数根据所述单张图片的中心点偏移量更新所述分部热图;
所述损失函数为交叉熵损失函数;根据损失函数可以确定单张图片的中心点偏移量与分部热图中单张图片的中心点峰值进行最小损失的融合,进而将融合后的数据更新该分部热图。
306、根据所述更新后的分部热图生成预测模型;
通过步骤305根据大量的样本拼接图进行对分部热图的更新后,则根据更新后的分部热图生成预测模型。
307、将目标拼接图输入所述预测模型;
在分割阶段,首先将目标拼接图输入该预测模型。
308、根据所述预测模型输出所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息;
预测模型则根据该目标拼接图的合成类别输出每张单图的中心点和高宽信息。
309、根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图。
最后根据每张单图的中心点和高宽信息将所有单图进行分割。
请参阅图5,本申请实施例中,拼接图像的分割方法另一个实施例包括:
步骤501~507与上述实施例中步骤301~307相同,此处不做赘述。
508、根据所述目标拼接图的合成类别信息确定对应的所述预测模型中的第一分部热图;
预测模型中会产生不同合成类别对应的分部热图,因此先确定目标拼接图的合成类别,进而确定其对应的分部热图。
509、确定第一分部热图中的中心点峰值为目标拼接图的单图的中心点位置;
在确定了第一分部热图后,以第一分部热图的单图的中心点的峰值作确定为目标拼接图的单图的中心点的位置。
510、根据所确定的目标拼接图的单图的中心点位置确定单图的高宽;
在确定了目标拼接图的单图的中心点位置后,根据该中心点位置确定单图的高宽信息。
511、根据目标拼接图的中心点位置以及高宽分割目标拼接图中的所有单图。
最后,根据确定的目标拼接图的单图的中心点位置信息和高宽信息进行分割得到所有单图的分割线。
参阅图6和图7所示,本申请实施例中拼接图像的分割装置的一个实施例包括:
获取单元601,用于获取样本拼接图,所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息;
训练单元602,用于根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型;
识别单元603,用于将目标拼接图输入所述预测模型识别以确定所述目标拼接图的分割结果。
本申请实施例的技术方案中,训练单元602先对大量的样本拼接图进行训练得到训练模型,该训练模型中可以输入拼接图的合成类别以及每张单图的中心点位置和高宽位置,在分割时,只需要目标拼接图输入该预测模型,则能够确定目标拼接图的单图的中心点位置和高宽信息,从而进行分割,相比于仅仅依靠通过拼接缝线的位置进行分割的方式而言,可以有效的提高分割拼接图的准确度。
可选的,所述识别单元603具体包括:
输入模块6031,用于将目标拼接图输入所述预测模型;
输出模块6032,用于根据所述预测模型输出所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息;
分割模块6033,用于根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图。
可选的,所述训练单元602具体包括:
确定模块6021,用于确定第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息;
生成模块6022,用于根据所述第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息生成分部热图;
融合模块6023,用于将第二样本拼接图与所述分部热图进行相似性融合以得到单张图片的中心点偏移量;
更新模块6024,用于通过损失函数根据所述单张图片的中心点偏移量更新所述分部热图;
所述生成模块6022还用于,根据所述更新后的分部热图生成预测模型。
可选的,所述损失函数为交叉熵损失函数;
可选的,所述分割模块6033具体用于:
根据所述目标拼接图的合成类别信息确定对应的所述预测模型中的第一分部热图;
确定第一分部热图中的中心点峰值为目标拼接图的单图的中心点位置;
根据所确定的目标拼接图的单图的中心点位置确定单图的高宽;
根据目标拼接图的中心点位置以及高宽分割目标拼接图中的所有单图。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例中方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种拼接图像的分割方法,其特征在于,包括:
获取样本拼接图,所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息;
根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型,包括:
确定第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息;
根据所述第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息生成分部热图;
将第二样本拼接图与所述分部热图进行相似性融合以得到单张图片的中心点偏移量;
通过损失函数根据所述单张图片的中心点偏移量更新所述分部热图;
根据所述更新后的分部热图生成预测模型;
将目标拼接图输入所述预测模型以确定所述目标拼接图的分割结果,包括:
将目标拼接图输入所述预测模型,所述预测模型中的拼接图像分割层的具体实现为(Conv+Bn+Relu)*5即(卷积+批标准化+线性修正)*5;
根据所述预测模型输出所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息;
根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图。
2.根据权利要求1所述的分割方法,其特征在于,所述损失函数为交叉熵损失函数。
3.根据权利要求2所述的分割方法,其特征在于,所述根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图包括:
根据所述目标拼接图的合成类别信息确定对应的所述预测模型中的第一分部热图;
确定第一分部热图中的中心点峰值为目标拼接图的单图的中心点位置;
根据所确定的目标拼接图的单图的中心点位置确定单图的高宽;
根据目标拼接图的中心点位置以及高宽分割目标拼接图中的所有单图。
4.一种拼接图像的分割装置,其特征在于,包括:
获取单元,用于获取样本拼接图,所述样本拼接图中包含每张单图的位置信息以及所述样本拼接图的合成类别信息,其中,所述单图的位置信息包括单图的中心点以及高宽的信息;
训练单元,用于根据所述样本拼接图的每张单图的位置信息以及样本拼接图的合成类别进行训练得到拼接图的预测模型;
所述训练单元具体包括:
确定模块,用于确定第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息;
生成模块,用于根据所述第一样本拼接图的合成类别以及第一样本拼接图的每张单图的中心点和高宽信息生成分部热图;
融合模块,用于将第二样本拼接图与所述分部热图进行相似性融合以得到单张图片的中心点偏移量;
更新模块,用于通过损失函数根据所述单张图片的中心点偏移量更新所述分部热图;
所述生成模块还用于,根据所述更新后的分部热图生成预测模型;
识别单元,用于将目标拼接图输入所述预测模型识别以确定所述目标拼接图的分割结果;
所述识别单元具体包括:
输入模块,用于将目标拼接图输入所述预测模型;
输出模块,用于根据所述预测模型输出所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息;
分割模块,用于根据所述目标拼接图的合成类别信息以及每张单图的中心点和高宽的信息分割出所述目标拼接图中的所有单图。
5.根据权利要求4所述的分割装置,其特征在于,所述损失函数为交叉熵损失函数。
6.根据权利要求4所述的分割装置,其特征在于,所述分割模块具体用于:
根据所述目标拼接图的合成类别信息确定对应的所述预测模型中的第一分部热图;
确定第一分部热图中的中心点峰值为目标拼接图的单图的中心点位置;
根据所确定的目标拼接图的单图的中心点位置确定单图的高宽;
根据目标拼接图的中心点位置以及高宽分割目标拼接图中的所有单图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227851.5A CN111311601B (zh) | 2020-03-26 | 2020-03-26 | 一种拼接图像的分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010227851.5A CN111311601B (zh) | 2020-03-26 | 2020-03-26 | 一种拼接图像的分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311601A CN111311601A (zh) | 2020-06-19 |
CN111311601B true CN111311601B (zh) | 2023-10-13 |
Family
ID=71145965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010227851.5A Active CN111311601B (zh) | 2020-03-26 | 2020-03-26 | 一种拼接图像的分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311601B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084874B (zh) * | 2020-08-11 | 2023-12-29 | 深圳市优必选科技股份有限公司 | 一种物体检测方法、装置及终端设备 |
CN114782459B (zh) * | 2022-06-21 | 2022-08-30 | 山东极视角科技有限公司 | 一种基于语义分割的拼接图像分割方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002215380A (ja) * | 2001-01-24 | 2002-08-02 | Fuji Xerox Co Ltd | イメージ分割装置 |
CN108647557A (zh) * | 2017-03-06 | 2018-10-12 | 佳能株式会社 | 信息处理设备、信息处理方法和存储介质 |
CN109816670A (zh) * | 2019-01-31 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于生成图像分割模型的方法和装置 |
CN110197589A (zh) * | 2019-05-29 | 2019-09-03 | 杭州诚道科技股份有限公司 | 一种基于深度学习的闯红灯违法检测方法 |
CN110599483A (zh) * | 2019-09-19 | 2019-12-20 | 慧影医疗科技(北京)有限公司 | 肺部病灶检测装置、检测设备及可读存储介质 |
CN110738254A (zh) * | 2019-10-15 | 2020-01-31 | 哈尔滨工业大学(深圳) | 一种基于深度几何特征谱的显微图像目标检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10277836B2 (en) * | 2016-03-07 | 2019-04-30 | Ricoh Company, Ltd. | Communication terminal, image management apparatus, image processing system, method for controlling display, and computer program product |
-
2020
- 2020-03-26 CN CN202010227851.5A patent/CN111311601B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002215380A (ja) * | 2001-01-24 | 2002-08-02 | Fuji Xerox Co Ltd | イメージ分割装置 |
CN108647557A (zh) * | 2017-03-06 | 2018-10-12 | 佳能株式会社 | 信息处理设备、信息处理方法和存储介质 |
CN109816670A (zh) * | 2019-01-31 | 2019-05-28 | 北京字节跳动网络技术有限公司 | 用于生成图像分割模型的方法和装置 |
CN110197589A (zh) * | 2019-05-29 | 2019-09-03 | 杭州诚道科技股份有限公司 | 一种基于深度学习的闯红灯违法检测方法 |
CN110599483A (zh) * | 2019-09-19 | 2019-12-20 | 慧影医疗科技(北京)有限公司 | 肺部病灶检测装置、检测设备及可读存储介质 |
CN110738254A (zh) * | 2019-10-15 | 2020-01-31 | 哈尔滨工业大学(深圳) | 一种基于深度几何特征谱的显微图像目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111311601A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898523A (zh) | 一种基于迁移学习的遥感图像特种车辆目标检测方法 | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN110428490B (zh) | 构建模型的方法和装置 | |
CN111311601B (zh) | 一种拼接图像的分割方法及装置 | |
CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
CN113177957B (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
CN112712005B (zh) | 识别模型的训练方法、目标识别方法及终端设备 | |
CN113411550B (zh) | 视频上色方法、装置、设备及存储介质 | |
CN112381840A (zh) | 一种用于定损视频中车辆外观部件标注的方法及系统 | |
CN112686247A (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN109523570A (zh) | 运动参数计算方法及装置 | |
CN114067356B (zh) | 基于联合局部引导与属性聚类的行人重识别方法 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN115100469A (zh) | 一种基于分割算法的目标属性识别方法、训练方法和装置 | |
CN114359147A (zh) | 裂缝检测方法、装置、服务器及存储介质 | |
CN114283178A (zh) | 图像配准方法、装置、计算机设备及存储介质 | |
CN113536928A (zh) | 一种高效率的无监督行人重识别方法和装置 | |
US20210329219A1 (en) | Transfer of additional information among camera systems | |
CN112215205A (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN116485638A (zh) | 基于深度卷积网络的图像风格迁移方法、装置及设备 | |
CN116664873B (zh) | 图像信息处理方法、装置及存储介质 | |
CN113903015B (zh) | 车道线识别方法及装置 | |
CN110866487B (zh) | 大规模行人检测与重识别样本集构建方法及装置 | |
US20240046601A1 (en) | Deep recognition model training method, electronic device and readable storage medium |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518000 a1202, building 10, Shenzhen Bay science and technology ecological park, No. 10, Gaoxin South ninth Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shandong Jijian Technology Co.,Ltd. Address before: 518000 a1202, building 10, Shenzhen Bay science and technology ecological park, No. 10, Gaoxin South ninth Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant before: SHENZHEN EXTREME VISION TECHNOLOGY CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |