CN111340750A - 卷积神经网络分析方法与电子装置 - Google Patents
卷积神经网络分析方法与电子装置 Download PDFInfo
- Publication number
- CN111340750A CN111340750A CN201911119434.2A CN201911119434A CN111340750A CN 111340750 A CN111340750 A CN 111340750A CN 201911119434 A CN201911119434 A CN 201911119434A CN 111340750 A CN111340750 A CN 111340750A
- Authority
- CN
- China
- Prior art keywords
- feature map
- neural network
- image
- convolutional neural
- convolutional
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims description 35
- 230000001575 pathological effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010036790 Productive cough Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种卷积神经网络分析方法与电子装置。卷积神经网络分析方法包括:将第一影像输入至第一卷积神经网络架构以得到第一特征图;将第二影像输入至第二卷积神经网络架构以得到第二特征图,其中第一影像的倍率大于第二影像的倍率;根据第一特征图与第二特征图取得第三特征图;以及根据第三特征图输出一分析结果。借此,可以结合高倍率影像与低倍率影像的特征来进行分析。
Description
技术领域
本发明是有关于一种应用卷积神经网络的分析方法,且特别是有关于一种能适用多倍率影像的分析方法。
背景技术
卷积神经网络(convolutional neural network)已经在影像处理的领域上有许多成功的应用。然而,已知的卷积神经网络常常适用于单一倍率的影像,但在一些应用中需要结合不同倍率的多张影像来进行侦测,例如医生是透过不同倍率的多张病理切片来判断如乳房、子宫抹片、肺、摄护腺、脑、痰液抹片等组织器官中是否有异常。因此,如何将卷积神经网络应用在多倍率的影像中以进行侦测,为此领域技术人员所关心的议题。
发明内容
本发明的实施例提出一种多倍率影像的卷积神经网络分析方法,适用于电子装置。此卷积神经网络分析方法包括:将第一影像输入至第一卷积神经网络架构以得到第一特征图,其中第一卷积神经网络架构包括一或多个卷积层或池化层;将第二影像输入至第二卷积神经网络架构以得到第二特征图,其中第二卷积神经网络架构包括一或多个卷积层或池化层,第一影像的倍率大于第二影像的倍率;根据第一特征图与第二特征图取得第三特征图;以及根据第三特征图输出一分析结果。
在一些实施例中,上述根据第一特征图与第二特征图取得第三特征图的步骤包括:从第二特征图中撷取出第四特征图,其中第四特征图的宽度与高度分别小于第二特征图的宽度与高度;对第四特征图做升取样以得到第五特征图,其中第五特征图的宽度与高度分别相同于第一特征图的宽度与高度;以及将第一特征图衔接至第五特征图以得到第三特征图。
在一些实施例中,其中从第二特征图中撷取出第三特征图的步骤包括:当第一影像的倍率为第二影像倍率的n倍时,则从第二特征图中撷取宽度与高度分别为1/n倍且位于中央的第三特征图,其中n为正数。
在一些实施例中,其中根据第一特征图与第二特征图取得第三特征图的步骤包括:将第一特征图衔接至第二特征图以得到第三特征图。
在一些实施例中,根据第三特征图输出分析结果的步骤包括:将第三特征图输入至少一卷积层、至少一池化层、至少一全连接层、或其组合,其中至少一卷积层的其中之一的核心大小为1。
在一些实施例中,第一影像与第二影像分别为不同倍率的病理切片影像。
以另外一个角度来说,本发明的实施例提出一种电子装置,包括记忆体与处理器。记忆体储存有多个指令。处理器用以执行指令以实施上述的卷积神经网络分析方法。
在上述的卷积神经网络分析方法中,可以结合高倍率影像与低倍率影像的特征来进行分析。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附附图作详细说明如下。
附图说明
图1是根据一实施例绘示电子装置的示意图;
图2是根据一实施例绘示卷积神经网络的架构示意图;
图3是根据一实施例绘示图2中撷取特征图的放大示意图;
图4是根据一实施例绘示卷积神经网络的架构示意图;
图5是根据一实施例绘示卷积神经网络的架构示意图;
图6是根据一实施例绘示卷积神经网络分析方法的流程图。
【符号说明】
110:电子装置
111:处理器
112:记忆体
121:第一影像
122:第二影像
130:分析结果
210、220:卷积神经网络架构
221:阿特罗斯空间阶层池化卷积架构
231~237、401~403、501:特征图
240、404:全连接层
601~605:步骤
具体实施方式
关于本文中所使用的“第一”、“第二”、…等,并非特别指次序或顺位的意思,其仅为了区别以相同技术用语描述的元件或操作。
图1是根据一实施例绘示电子装置的示意图。请参照图1,电子装置110可实作为任意合适的计算机,例如个人计算机、笔记型计算机、服务器、工业计算机等,或者也可以为其他具有计算能力的电子装置,本发明并不在此限。电子装置110可以透过任意合适的传输接口、使用者界面、或储存设备取得第一影像121与第二影像122,其中第一影像121的倍率大于第二影像122的倍率。举例来说,第一影像121是20倍的病理切片影像(或称组织切片影像),第二影像122是5倍的病理切片影像,例如同为肝脏切片影像。然而,本发明并不限制第一影像121与第二影像122的倍率与内容,在其他实施例中第一影像121与第二影像122的内容也可以是关于卫星影像、风景、人物、工业成品等等,本发明并不在此限。电子装置110包括了处理器111与记忆体112,记忆体112中储存有多个指令,这些指令由处理器111执行以实施一个卷积神经网络分析方法而输出分析结果130。一般来说,高倍率影像能提供更多的细节但视野范围较小,因而看不到整体,相反的低倍率影像所提供的细节较少,但能提供较大的视野范围以观察整体图形,因此结合高低倍率影像进行分析将能够同时具有高倍率区域的细节特征,以及低倍率大视野范围的周围特征,因此达到较好的分析效果。在一些实施例中,分析结果130包含了侦测结果、辨识结果、或其他关于影像的分析结果,本发明并不在此限。以下将以侦测为例,说明卷积神经网络分析方法。
图2是根据一实施例绘示卷积神经网络的架构示意图。请参照图2,在图2中绘示了卷积神经网络架构210(亦称第一卷积神经网络架构)与卷积神经网络架构220(亦称第二卷积神经网络架构),分别接收第一影像121与第二影像122。在此实施例中,卷积神经网络架构210包括了多个卷积层(convolutional layer)、池化层(pooling layer)与转换函数,此转换函数是设置在卷积层中的一个类神经元中,例如为线性整流单元(Rectified linearunit,ReLU),但在其他实施例中也可采用其他的转换函数。本领域具有通常知识者当可理解卷积层、池化层与转换函数的相关运作,在此并不再赘述。在图2中,特征图(featuremap)旁边的数字是表示宽度、高度或深度。举例来说,第一影像121的宽度与高度都为256,因此卷积神经网络架构210中的第一个卷积层的宽度与高度都为256,由于使用了64个滤波器,因此第一个卷积层的深度为64,以此类推。另一方面,若特征图的宽度与高度减少,即表示经过了池化层的计算,在图2中是以斜线来表示池化层。在图2的实施例中,卷积神经网络架构210共包括了15层卷积层与4层池化层,但本发明并不在此限,在其他实施例中可以根据需要设计更多或更少的卷积层与池化层。或者,在一些实施例中卷积神经网络架构210也可以只包括卷积层而不包括池化层,或者只包括池化层而不包括卷积层。换言之,卷积神经网络架构210可包括卷积层、池化层或这两者的任意组合。在经过卷积神经网络架构210的运算以后会输出特征图231。
另一方面,卷积神经网络架构220也包括了多个卷积层、池化层与转换函数,并包含了阿特罗斯空间阶层池化(Atrous spatial pyramid pooling,ASPP)卷积架构221,详细内容可参照论文“DeepLab:Semantic Image Segmentation with Deep ConvolutionalNets,Atrous Convolution,and Fully Connected CRFs”by Liang-Chieh Chen et al.,在此并不详细赘述,卷积神经网络架构220最后输出特征图232。值得注意的是,阿特罗斯空间阶层池化卷积架构221并不是必要的,在一些实施例中也可以省略或将之设置在卷积神经网络架构210当中。此外,卷积神经网络架构220也可以只包括卷积层而不包括池化层,或者只包括池化层而不包括卷积层。换言之,卷积神经网络架构220可包括卷积层、池化层或这两者的任意组合。
接下来,可根据特征图231与特征图232来取得一个新的特征图,并根据此新的特征图来输出分析结果,以下将举多个实施例来说明。
在图2的实施例中,特征图231与特征图232具有相同的宽度与高度,例如都为16x16x512的特征图。然而,由于卷积神经网络架构210所处理的是高倍率影像121,而卷积神经网络架构220所处理的是低倍率影像122,因此特征图231与特征图232是对应到不同范围的生物组织。在此实施例中,在卷积神经网络架构220之后,会从特征图232中撷取出特征图233。具体来说,图3是根据一实施例绘示图2中撷取特征图的放大示意图。请参照图2与图3,当第一影像121的倍率为第二影像122倍率的n倍时,则可从特征图232中撷取宽度与高度分别为1/n倍且位于中央的特征图以作为特征图233,其中n为正数。举例来说,第一影像121的倍率为20倍,第二影像122的倍率为5倍,因此n=4,当特征图232的宽度、高度、深度分别为16、16、512时,特征图233的宽度、高度与深度则为4、4、512。
接下来,对特征图233做升取样以得到特征图234。在一些实施例中,上述的升取样是根据双线性内插法(bilinear interpolation)来执行,但在其他实施例中也可以采用其他合适的内插法,本发明并不在此限。在执行完升取样以后,特征图234与特征图231的宽度与高度便会相同,也就是说特征图234与特征图231是对应到相同范围的生物组织。
接下来将特征图231与特征图234衔接在一起,之后可再经过一或多层卷积层、池化层与至少一个全连接层240以输出分析结果130。在此实施例中特征图234是衔接在特征图231之后,但在其他实施例中特征图234也可以衔接在特征图231之前。在此实施例中,在将特征图231与特征图234衔接之后,可先经过一个核心大小只有1的卷积层以得到特征图235,换言之所使用的滤波器的大小为1x1,此核心大小只有1的卷积层是用来减少特征图的深度,例如,特征图231与特征图234衔接在一起之后的深度为1024,但特征图235的深度则仅有一半(即512)。之后可再经过核心大小为3的卷积层以得到特征图236,经过池化层以后得到特征图237,最后才经过全连接层240。在此实施例中,分析结果130包含两个数值,用以表示病理切片影像中是否有异常。然而,本领域具有通常知识者当可理解当训练的目的不同时,分析结果130可代表不同的意义,在一些实施例中分析结果130也可包括更多或更少的数值。
在图2的实施例中,将特征图231与特征图234衔接在一起之后还经过了卷积层、池化层与全连接层,但此仅是范例,本发明并不限制将特征图231与特征图234衔接在一起之后的运算。例如,在一些实施例中也可以不经过池化层而直接将特征图236连接至全连接层240。在一些实施例中,可以直接根据特征图236或特征图237输出分析结果130而省略全连接层240。在一些实施例中,将特征图231与特征图234衔接在一起之后可经过更多的卷积层与池化层。
在上述实施例中仅使用两张不同倍率的影像,但在其他实施例中也可以使用更多张倍率不同的影像。举例来说,若有三张倍率不同的影像,则除了分别将两张影像输入至卷积神经网络架构210、220以外,还可设计第三个卷积神经网络架构(其架构内容并不限),而第三个卷积神经网络架构所输出的特征图也会如特征图232一样经过撷取、升取样的步骤,最后得到的特征图可以与特征图231、234衔接在一起。对于四张以上的影像,则可参照上述内容延伸,本发明并不在此限。
图4是根据一实施例绘示卷积神经网络的架构示意图。在图4的实施例中,可直接将特征图231与特征图22衔接在一起,之后经过一或多个卷积层与池化层以产生特征图401~403,最后再经过全连接层404以输出分析结果130。在此实施例中虽然特征图231与特征图232是对应到不同范围的生物组织,但两者具有不同的视野(field of view),因此衔接在一起以后可以同时考虑不同视野中的影像。值得注意的是,图4仅是一范例,本发明并不限制将特征图231与特征图232衔接在一起之后要经过几个卷积层与池化层,也不限制是否要经过全连接层。
图5是根据一实施例绘示卷积神经网络的架构示意图。在图5的实施例中,会从特征图232中撷取特征图233,但并不会对特征图233做升取样,而是将特征图231再输入池化层以得到特征图501。其中特征图501的宽度与高度会相同于特征图233的宽度与高度,接下来便可以将特征图501衔接至特征图233,之后可再经过一或多层卷积层、池化层、或全连接层,图5并不再详细绘示。值得注意的是,特征图233是经过撷取而取得,而特征图501是经过池化层而取得,在此实施例中特征图501与特征图233是对应到相同的生物组织。
在上述的实施例中,在衔接两个特征图时是限制特征图的宽度与高度相同,但在其他实施例中两个特征图的宽度与高度也可以不相同。举例来说,在图5中可以将特征图231衔接至特征图233(不产生特征图501),之后经过卷积层时可对特征图231采用阿特罗斯空间阶层池化卷积,亦即卷积的比率(rate)可大于1,但对特征图233则采用比率为1的卷积,如此一来可对应到相同的视野。或者,将特征图231衔接至特征图233之后,可以任意设计后续卷积层的权重,本发明并不限制后续卷积层的权重如何连接至特征图231与特征图233,也不限制后续产生的特征图的宽度与高度(可相同于特征图231的宽度与高度,或相同于特征图233的宽度与高度,或其他任意数值)。
图6是根据一实施例绘示卷积神经网络分析方法的流程图。请参照图6,在步骤601中,将第一影像输入至第一卷积神经网络架构以得到第一特征图。在步骤602中,将第二影像输入至第二卷积神经网络架构以得到第二特征图,其中第一影像的倍率大于第二影像的倍率。在步骤603中,根据第一特征图与第二特征图取得第三特征图。在步骤604中,根据第三特征图输出分析结果。然而,图6中各步骤已详细说明如上,在此便不再赘述。值得注意的是,图6中各步骤可以实作为多个程序码或是电路,本发明并不在此限。此外,图6的方法可以搭配以上实施例使用,也可以单独使用。换言之,图6的各步骤之间也可以加入其他的步骤。
虽然本发明已以实施例揭露如上,然其并非用以限定本发明,任何所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作些许的更动与润饰,故本发明的保护范围当视所附的权利要求书所界定的范围为准。
Claims (7)
1.一种多倍率影像的卷积神经网络分析方法,适用于一电子装置,其特征在于,该卷积神经网络分析方法包括:
将一第一影像输入至一第一卷积神经网络架构以得到第一特征图,其中该第一卷积神经网络架构包括一或多个卷积层或池化层;
将一第二影像输入至一第二卷积神经网络架构以得到第二特征图,其中该第二卷积神经网络架构包括一或多个卷积层或池化层,该第一影像的倍率大于该第二影像的倍率;
根据该第一特征图与该第二特征图取得一第三特征图;以及
根据该第三特征图输出一分析结果。
2.根据权利要求1所述的卷积神经网络分析方法,其特征在于,其中根据该第一特征图与该第二特征图取得该第三特征图的步骤包括:
从该第二特征图中撷取出一第四特征图,其中该第四特征图的宽度与高度分别小于该第二特征图的宽度与高度;
对该第四特征图做升取样以得到第五特征图,其中该第五特征图的宽度与高度分别相同于该第一特征图的宽度与高度;以及
将该第一特征图衔接至该第五特征图以得到该第三特征图。
3.根据权利要求2所述的卷积神经网络分析方法,其特征在于,其中从该第二特征图中撷取出该第三特征图的步骤包括:
当该第一影像的倍率为该第二影像倍率的n倍时,则从该第二特征图中撷取宽度与高度分别为1/n倍且位于中央的该第三特征图,其中n为正数。
4.根据权利要求1所述的卷积神经网络分析方法,其特征在于,其中根据该第一特征图与该第二特征图取得该第三特征图的步骤包括:
将该第一特征图衔接至该第二特征图以得到该第三特征图。
5.根据权利要求1所述的卷积神经网络分析方法,其特征在于,其中根据该第三特征图输出该分析结果的步骤包括:
将该第三特征图输入至少一卷积层、至少一池化层、至少一全连接层或其组合,其中该至少一卷积层的其中之一的核心大小为1。
6.根据权利要求1所述的卷积神经网络分析方法,其特征在于,其中该第一影像与该第二影像分别为不同倍率的病理切片影像。
7.一种电子装置,其特征在于,包括:
一记忆体,储存有多个指令;以及
一处理器,用以执行所述多个指令以实施多个步骤:
将一第一影像输入至一第一卷积神经网络架构以得到第一特征图,其中该第一卷积神经网络架构包括一或多个卷积层或池化层;
将一第二影像输入至一第二卷积神经网络架构以得到第二特征图,其中该第二卷积神经网络架构包括一或多个卷积层或池化层,该第一影像的倍率不同于该第二影像的倍率;
根据该第一特征图与该第二特征图取得一第三特征图;以及
根据该第三特征图输出一分析结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107145758 | 2018-12-18 | ||
TW107145758A TWI694414B (zh) | 2018-12-18 | 2018-12-18 | 卷積神經網路分析方法、電腦程式產品與電子裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340750A true CN111340750A (zh) | 2020-06-26 |
CN111340750B CN111340750B (zh) | 2023-08-08 |
Family
ID=71183312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911119434.2A Active CN111340750B (zh) | 2018-12-18 | 2019-11-15 | 卷积神经网络分析方法与电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111340750B (zh) |
TW (1) | TWI694414B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023501730A (ja) * | 2020-06-29 | 2023-01-18 | テンセント・アメリカ・エルエルシー | 微細構造化マスクを用いたマルチレートニューラル画像圧縮のための方法、装置およびコンピュータプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835112A (zh) * | 2015-05-07 | 2015-08-12 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
CN108921225A (zh) * | 2018-07-10 | 2018-11-30 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205665697U (zh) * | 2016-04-05 | 2016-10-26 | 陈进民 | 基于细胞神经网络或卷积神经网络的医学影像识别诊断系统 |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US10115040B2 (en) * | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
US10402943B2 (en) * | 2016-10-20 | 2019-09-03 | Htc Corporation | Image enhancement device and method for convolutional network apparatus |
TWI756365B (zh) * | 2017-02-15 | 2022-03-01 | 美商脫其泰有限責任公司 | 圖像分析系統及相關方法 |
US10489887B2 (en) * | 2017-04-10 | 2019-11-26 | Samsung Electronics Co., Ltd. | System and method for deep learning image super resolution |
TWI614624B (zh) * | 2017-04-24 | 2018-02-11 | 太豪生醫股份有限公司 | 雲端醫療影像分析系統與方法 |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
-
2018
- 2018-12-18 TW TW107145758A patent/TWI694414B/zh active
-
2019
- 2019-11-15 CN CN201911119434.2A patent/CN111340750B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835112A (zh) * | 2015-05-07 | 2015-08-12 | 厦门大学 | 一种肝脏多相期ct图像融合方法 |
CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
CN108596248A (zh) * | 2018-04-23 | 2018-09-28 | 上海海洋大学 | 一种基于改进深度卷积神经网络的遥感影像分类模型 |
CN108921225A (zh) * | 2018-07-10 | 2018-11-30 | 深圳市商汤科技有限公司 | 一种图像处理方法及装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
GUOSHENG LIN ET AL.: "refinenet: multi-path refinement networks for high-resolution semantic segmentation", 《ARXIV》 * |
石斌斌 等: "一种多尺度全卷积神经网络驱动的遥感影像修复方法", 《测绘地理信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023501730A (ja) * | 2020-06-29 | 2023-01-18 | テンセント・アメリカ・エルエルシー | 微細構造化マスクを用いたマルチレートニューラル画像圧縮のための方法、装置およびコンピュータプログラム |
JP7323715B2 (ja) | 2020-06-29 | 2023-08-08 | テンセント・アメリカ・エルエルシー | 微細構造化マスクを用いたマルチレートニューラル画像圧縮のための方法、装置およびコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
TWI694414B (zh) | 2020-05-21 |
CN111340750B (zh) | 2023-08-08 |
TW202025082A (zh) | 2020-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | A novel improved deep convolutional neural network model for medical image fusion | |
CN108229497A (zh) | 图像处理方法、装置、存储介质、计算机程序和电子设备 | |
WO2022017025A1 (zh) | 图像处理方法、装置、存储介质以及电子设备 | |
CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
Punn et al. | RCA-IUnet: a residual cross-spatial attention-guided inception U-Net model for tumor segmentation in breast ultrasound imaging | |
CN111368849B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Brosch et al. | Foveal fully convolutional nets for multi-organ segmentation | |
CN113436173B (zh) | 基于边缘感知的腹部多器官分割建模、分割方法及系统 | |
CN112488923A (zh) | 图像超分辨率重建方法、装置、存储介质及电子设备 | |
CN115439329B (zh) | 人脸图像超分辨率重建方法及计算机可读取的存储介质 | |
Ren et al. | Enhanced non-local total variation model and multi-directional feature prediction prior for single image super resolution | |
JP2007298564A (ja) | 信号分離装置、信号分離方法、ならびに、プログラム | |
Su et al. | Multi‐scale cross‐path concatenation residual network for Poisson denoising | |
Ates et al. | Dual cross-attention for medical image segmentation | |
CN117078930A (zh) | 基于边界感知和注意力机制的医学图像分割方法 | |
CN114782471A (zh) | 一种用于甲状腺结节的超声二维图像的分割方法 | |
CN111340750B (zh) | 卷积神经网络分析方法与电子装置 | |
Wang et al. | Msfnet: multistage fusion network for infrared and visible image fusion | |
CN114049491A (zh) | 指纹分割模型训练、指纹分割方法、装置、设备及介质 | |
Zhang et al. | 3d cross-scale feature transformer network for brain mr image super-resolution | |
CN110782398A (zh) | 一种图像处理方法、生成式对抗网络、电子设备及存储介质 | |
CN113688783B (zh) | 人脸特征提取方法、低分辨率人脸识别方法及设备 | |
CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
Ali et al. | Prompt Engineering in Medical Image Segmentation: An Overview of the Paradigm Shift | |
CN115170885A (zh) | 基于特征金字塔网络结构和通道注意力机制的脑肿瘤分类检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |