CN111612807A - 一种基于尺度和边缘信息的小目标图像分割方法 - Google Patents
一种基于尺度和边缘信息的小目标图像分割方法 Download PDFInfo
- Publication number
- CN111612807A CN111612807A CN202010409642.2A CN202010409642A CN111612807A CN 111612807 A CN111612807 A CN 111612807A CN 202010409642 A CN202010409642 A CN 202010409642A CN 111612807 A CN111612807 A CN 111612807A
- Authority
- CN
- China
- Prior art keywords
- edge
- module
- image
- attention
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003709 image segmentation Methods 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/30204—Marker
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于尺度和边缘信息的小目标图像分割方法涉及计算机视觉及图像处理技术领域。本发明是基于编码器解码器结构的分割模型进行改进,编码器解码器结构可以利用图像的尺度信息,在此基础上增加了一个边缘编码模块,该模块以编码器部分卷积块的最后一层卷积层为输入,由注意力模块和门控模块交替连接构成。注意力模块通过引入全局注意力增大图像的感受野,使其不至于忽略小目标区域的边缘信息;门控模块对输入图像标签的梯度图进行加权,增加了边缘的宽度,减少了边缘在计算过程中的损失。将边缘编码模块的输出与上采样后的特征图逐层点乘进行融合,通过softmax逐像素分类得到最终结果。该方法使得包含小目标区域的图像实现更精确的分割。
Description
技术领域
本发明涉及计算机视觉及图像处理技术领域,具体是通过利用图像的尺度和边缘信息实现对小目标图像更为精确的分割。
背景技术
语义分割是计算机视觉中的基本任务,对图像进行逐像素的分类,通过不同的颜色表示不同的类别,同一个类别的像素被分为一类。语义分割在自动驾驶,3D重建,图像生成,医学检测等领域有很多的研究,随着深度学习的发展,卷积神经网络可以提供比传统分类算法更强大的分类器并且能够自学习得到深层特征,有效的提高了图像语义分割的准确性。
虽然语义分割的准确性较以前已经有了很大的提高,但是依然存在一些问题,小目标图像的语义分割便是其中之一。小目标图像的语义分割一直是语义分割中的难点,小目标在图像中所占的面积往往很小,携带的信息量较少,而有时又往往很重要,需要分割这些部分。同时由于图像可能存在分辨率低,图像模糊等原因,导致特征表达能力弱,即在特征提取的过程中,能提取到的特征非常少,这些因素都不利于对小目标的分割。
全卷积神经网络(Fully Convolutional Networks,FCN)将卷积神经网络中的全连接层替换为卷积层。与经典的卷积神经网络在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同,FCN可以接收任任意尺寸的输入图像,采用反卷积层对最后一个卷积层的特征图进行上采样,使其恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测,最后在上采样的特征图上进行逐像素分类。
基于FCN的思想衍生出许多模型,segnet便是其中之一。Segnet采用了编码器解码器的结构,编码器部分交替采用卷积加池化操作,解码器交替采用上采样加卷积操作,用softmax做像素分类。同时在编码解码的过程中采用了池化索引,改善了图像分割率。Segnet相较FCN分割的准确率有了很大的提升,但仍存在一些问题:
一、segnet的编码器部分采用的使vgg网络的前13层,在卷积过程中,卷积核的感受野是固定不变的,这就导致卷积过程中只能利用局部的信息而不能使用全局的信息,导致目标过大或过小时被错误分类。
二、在编码器部分,连续的卷积池化操作会丢失图像的边缘信息,使得小目标物体为数不多的边缘信息变得更少,分割边缘过于平滑,导致小目标不能准确被分割。
发明内容
本发明针对编码器解码器结构的语义分割模型的缺点和不足,提出了一种基于尺度和边缘信息的小目标图像分割方法,具体是在segnet模型中添加了一个边缘编码模块,用来学习图像的边缘信息。边缘编码模块以编码器部分卷积块的最后一层卷积层为输入,通过全局注意力引入图像的全局信息,增大图像的感受野,并增加边缘的权重,减少在卷积池化过程中边缘信息的损失,更好的实现图像中小目标区域的语义分割。
针对上述提出的问题,本发明提出了基于尺度和边缘信息的解决方法,包括以下步骤:
1.对待分割的包含小目标的图像进行预处理,得到训练集数据、验证集数据和测试集数据及相应的标注的掩膜(ground truth);
2.本发明设计的分割模型基于segnet,segnet的编码器部分由vgg16的前13层组成,如图2所示。设组成编码器的五个模块的最后一层卷积层分别为I1、I2、I3、I4、I5,组成解码器的五个模块经过上采样层之后的特征图分别为O1、O2、O3、O4、O5,将I1、I3、I4作为输入送入边缘编码模块。
3.设编码器传入边缘编码模块的特征图I1、I3、I4经过1×1卷积之后依次为S1、S2、S3,1×1卷积的作用是将多个通道的卷积层降维为单通道。其中对于任意两个相邻的特征图,都会经过注意力模块和门控模块的操作,其网络结构如图1所示,具体过程如下:
对于S1到ST中除了最后一个特征图的任一特征图St,St中任一像素点位置表示为mi,St+1中任一像素点位置表示为nj,则对于St+1中任一像素点,计算其与St中像素点的相似关系为
fj(mi,nj)=St(mi)·St+1(nj) (1)
相似关系为两个像素点的值相乘,相比较与卷积运算,逐点计算可以充分利用图像的全局信息。像素点nj与St中所有像素点的相似关系为
N为归一化因子,将St+1中所有像素点都经过上述运算后得到注意力图at+1。
将当前输入图像的标注后的掩膜resize到大小与St+1相同,通过canny边缘检测求得其梯度图(边缘图)Wc,对于Wc中边缘上任一点X,对其进行加权,增大对边缘的关注,
W0和σ为常数,根据经验可以分别取值为10和5,d1(X)和d2(X)分别为点X到距其最近和次近的边缘的距离,得到加权后的权重图Wt+1。
将特征图at+1和权重Wt+1送入门控模块,首先将St+1与注意力图at+1相乘,经过ReLU激活之后再与权重Wt+1相乘,得到的结果再加上St+1的值,最终输出为
本发明的创造性在于:基于编码器和解码器结构的分割模型充分运用了图像的尺度信息,但是其在卷积池化过程中会丢失边缘信息,同时由于感受野不足,不能利用全局信息,导致小目标物体在分割过程中被误判。本发明在原有基础上增加了一个边缘编码模块,该模块以编码器中的卷积层为输入,利用图像的全局信息获取比卷积更为丰富的信息,同时通过增强图像的边缘使得小目标区域的边缘信息在训练过程中不容易被忽略,增加了模型对小目标图像的分割精度。
附图说明
图1是本发明的网络结构图。
依次包括卷积层,最大池化层,上采样层,代表softmax层,箭头代表池化索引,Conv 1×1代表1×1的卷积操作。注意力模块内发生的操作为,将输入的两个特征图后一特征图中每个像素点都先依次与前一个特征图中的每个点相乘再相加并归一化,得到和两个卷积层中后一个卷积层尺寸相同的注意力图。门控模块内发生的操作为,将注意力图与后一个卷积层相乘,结果经过ReLU激活后乘以权重再加上后一个卷积层的值。圆圈内加乘号代表两个特征图融合。
图2是vgg16前13层网络结构图。
具体实施方式
本发明提出一种基于尺度和边缘信息的小目标图像分割方法,该方法基于segnet模型进行改进,如图1所示,segnet的编码器部分由vgg16的前13层组成,具体结构如图2所示。其特征在于:在原有模型的基础上增加了一个边缘编码模块,模型可以同时利用图像的尺度和边缘信息,使得小目标图像不容易被忽略。
该方法的具体步骤如下:
1.对于待分割的包含小目标物体的图像进行标注,同一类别的物体标为相同的颜色,颜色的类别数目和要分类的类别数目相同,得到标注后的后缀为png的掩膜。
2.对已有的图像进行数据增强,使用随机水平翻转、随机裁剪、随机噪声等方法扩充数据集,充分利用包含小目标物体的图片,提高模型的泛化能力。
3.将扩充完的数据按比例6:2:2分为训练集、验证集和测试集数据。
4.构建分割模型,分割模型基于segnet,模型的编码器由vgg16的前13层构成,分为五个卷积块,每个卷积块的最后一层卷积层的尺寸分别为224×224×64、112×112×128、56×56×256、28×28×512和14×14×512。将第一、三、四个卷积块的最后一个卷积层送入图像编码模块作为输入,三个卷积层经过1×1卷积后的尺寸分别为224×224×1、56×56×1和28×28×1,分别记为S1、S2、S3。
5.计算S2中任意一点nj与S1中任意一点mi的相似关系为
fj(mi,nj)=St(mi)·St+1(nj)
i∈{1,2,…,2242},j∈{1,2,…,562}
像素点nj与St中所有像素点的相似关系为
生成注意力图a2,a2的尺寸为56×56×1。
将输入图像标注后的掩膜resize为56×56×1,通过canny边缘检测求得其梯度图Wc1,对于Wc1中边缘上任一点X,加权之后的结果为
求得权重图W2,尺寸为56×56×1。
将特征图a2和权重图W2送入门控模块,经过以下运算
将输入图像标注后的掩膜resize为28×28×1,通过canny边缘检测求得其梯度图Wc2,对于Wc2中边缘上任一点X,加权之后的结果为
通过门控模块的计算得到
设组成解码器的五个模块经过上采样层后的特征图分别是O1、O2、O3、O4、O5,将O2,O3分别与做融合,O2、O3的尺寸分别为28×28×512和56×56×256,若O2的通道数为K,则对其任一通道k,
得到特征图O′2,同理可得特征图O′3,O′2和O′3后接卷积层,如图1所示。
6.使用训练集、验证集训练基于尺度和边缘信息的小目标分割模型,保存好训练参数。
7.模型训练完成后,导入训练好的模型,对测试集中的图像进行分割,得到分割结果,计算交并比等参数。
Claims (5)
1.一种基于尺度和边缘信息的小目标图像分割方法,其特征在于,包括以下步骤:
S1、对待分割的包含小目标的图像进行预处理,得到训练集、验证集和测试集数据;
S2、构建基于尺度和边缘信息的小目标图像分割模型,包括编码器部分、边缘编码模块和解码器部分,其中,编码器部分通过多层的卷积池化利用图像的尺度信息,边缘编码模块通过全局注意力和增加图像边缘的权重提取图像的边缘信息,解码器部分对编码器和边缘编码模块的输出进行融合,并通过上采样恢复图像尺寸,通过softmax逐像素预测图像分割后的掩膜;
S3、将训练集和验证集数据输入上述分割模型进行训练,得到学习后的语义分割模型;
S4、将测试集数据输入步骤S3所得学习后的语义分割模型,进行图像分割,得到分割后的图像。
2.如权利要求1所述的基于尺度和边缘信息的小目标图像分割方法,其特征在于:步骤S2中,编码器部分包含五个卷积块,分别为block1、block2、block3、block4和block5,选取block1、block3和block4的最后一层卷积层作为边缘编码模块的输入,通过1×1卷积将三个多维特征图降维成一维。
4.如权利要求3所述的基于尺度和边缘信息的小目标图像分割方法,其特征在于:步骤S2中,对于边缘编码模块中的门控模块,将当前输入图像的标注后的掩膜resize到大小与St+1相同,通过canny边缘检测求得其梯度图Wc,对于Wc中边缘上任一点X,对其进行加权,增大对边缘的关注,
W0和σ为常数,d1(X)和d2(X)分别为点X到距其最近和次近的边缘的距离,得到加权后的权重图Wt+1,将特征图at+1和权重Wt+1送入门控模块,首先将St+1与注意力图at+1相乘,经过ReLU激活之后再与权重Wt+1相乘,得到的结果再加上St+1的值,最终输出为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409642.2A CN111612807B (zh) | 2020-05-15 | 2020-05-15 | 一种基于尺度和边缘信息的小目标图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409642.2A CN111612807B (zh) | 2020-05-15 | 2020-05-15 | 一种基于尺度和边缘信息的小目标图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612807A true CN111612807A (zh) | 2020-09-01 |
CN111612807B CN111612807B (zh) | 2023-07-25 |
Family
ID=72200341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409642.2A Active CN111612807B (zh) | 2020-05-15 | 2020-05-15 | 一种基于尺度和边缘信息的小目标图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612807B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241766A (zh) * | 2020-10-27 | 2021-01-19 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
CN112580567A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 一种模型获取方法、模型获取装置及智能设备 |
CN112785569A (zh) * | 2021-01-19 | 2021-05-11 | 浙江工业大学 | 基于边缘指导和多尺度融合的全景片龋齿分割方法 |
CN112862842A (zh) * | 2020-12-31 | 2021-05-28 | 青岛海尔科技有限公司 | 图像数据的处理方法和装置、存储介质及电子装置 |
CN112926551A (zh) * | 2021-04-21 | 2021-06-08 | 北京京东乾石科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
CN113065578A (zh) * | 2021-03-10 | 2021-07-02 | 合肥市正茂科技有限公司 | 一种基于双路区域注意力编解码的图像视觉语义分割方法 |
CN113421276A (zh) * | 2021-07-02 | 2021-09-21 | 深圳大学 | 一种图像处理方法、装置及存储介质 |
CN113781510A (zh) * | 2021-09-15 | 2021-12-10 | 上海金仕达软件科技有限公司 | 边缘检测方法、装置及电子设备 |
CN113793345A (zh) * | 2021-09-07 | 2021-12-14 | 复旦大学附属华山医院 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
CN114092364A (zh) * | 2021-08-12 | 2022-02-25 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
CN114612472A (zh) * | 2022-05-11 | 2022-06-10 | 泉州装备制造研究所 | 一种基于SegNet改进的皮革缺陷分割网络算法 |
CN114627299A (zh) * | 2022-04-21 | 2022-06-14 | 杭州电子科技大学 | 一种模仿人类视觉系统对伪装目标检测与分割方法 |
CN114972155A (zh) * | 2021-12-30 | 2022-08-30 | 昆明理工大学 | 一种基于上下文信息和反向注意力的息肉图像分割方法 |
CN116109655A (zh) * | 2023-01-16 | 2023-05-12 | 阿里巴巴(中国)有限公司 | 图像编码器处理方法及装置、图像分割方法 |
CN116689246A (zh) * | 2023-08-01 | 2023-09-05 | 深圳平显科技有限公司 | 显示屏生产的多通道注胶控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101682778A (zh) * | 2007-06-08 | 2010-03-24 | 三星电子株式会社 | 使用基于对象边缘的分区进行编码和解码的方法和设备 |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
CN109658417A (zh) * | 2017-10-04 | 2019-04-19 | 斯特拉德视觉公司 | 改进图像分割学习方法和装置及使用其的测试方法和装置 |
CN110059769A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 用于街景理解的基于像素重排重建的语义分割方法及系统 |
US20200082541A1 (en) * | 2018-09-11 | 2020-03-12 | Apple Inc. | Robust Use of Semantic Segmentation for Depth and Disparity Estimation |
-
2020
- 2020-05-15 CN CN202010409642.2A patent/CN111612807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101682778A (zh) * | 2007-06-08 | 2010-03-24 | 三星电子株式会社 | 使用基于对象边缘的分区进行编码和解码的方法和设备 |
CN109658417A (zh) * | 2017-10-04 | 2019-04-19 | 斯特拉德视觉公司 | 改进图像分割学习方法和装置及使用其的测试方法和装置 |
CN108304765A (zh) * | 2017-12-11 | 2018-07-20 | 中国科学院自动化研究所 | 用于人脸关键点定位与语义分割的多任务检测装置 |
US20200082541A1 (en) * | 2018-09-11 | 2020-03-12 | Apple Inc. | Robust Use of Semantic Segmentation for Depth and Disparity Estimation |
CN110059769A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 用于街景理解的基于像素重排重建的语义分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
WEN GUO 等: "Visual attention based small object segmentation in natual images", 2010 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING * |
胡太 等: "结合目标检测的小目标语义分割算法", 南京大学学报(自然科学) * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241766A (zh) * | 2020-10-27 | 2021-01-19 | 西安电子科技大学 | 基于样本生成和迁移学习的肝脏ct图像多病变分类方法 |
CN112580567A (zh) * | 2020-12-25 | 2021-03-30 | 深圳市优必选科技股份有限公司 | 一种模型获取方法、模型获取装置及智能设备 |
CN112580567B (zh) * | 2020-12-25 | 2024-04-16 | 深圳市优必选科技股份有限公司 | 一种模型获取方法、模型获取装置及智能设备 |
CN112862842A (zh) * | 2020-12-31 | 2021-05-28 | 青岛海尔科技有限公司 | 图像数据的处理方法和装置、存储介质及电子装置 |
CN112862842B (zh) * | 2020-12-31 | 2023-05-12 | 青岛海尔科技有限公司 | 图像数据的处理方法和装置、存储介质及电子装置 |
CN112785569A (zh) * | 2021-01-19 | 2021-05-11 | 浙江工业大学 | 基于边缘指导和多尺度融合的全景片龋齿分割方法 |
CN112785569B (zh) * | 2021-01-19 | 2024-04-19 | 浙江工业大学 | 基于边缘指导和多尺度融合的全景片龋齿分割方法 |
CN113065578B (zh) * | 2021-03-10 | 2022-09-23 | 合肥市正茂科技有限公司 | 一种基于双路区域注意力编解码的图像视觉语义分割方法 |
CN113065578A (zh) * | 2021-03-10 | 2021-07-02 | 合肥市正茂科技有限公司 | 一种基于双路区域注意力编解码的图像视觉语义分割方法 |
CN112926551A (zh) * | 2021-04-21 | 2021-06-08 | 北京京东乾石科技有限公司 | 目标检测方法、装置、电子设备和存储介质 |
CN113421276A (zh) * | 2021-07-02 | 2021-09-21 | 深圳大学 | 一种图像处理方法、装置及存储介质 |
CN114092364B (zh) * | 2021-08-12 | 2023-10-03 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
CN114092364A (zh) * | 2021-08-12 | 2022-02-25 | 荣耀终端有限公司 | 图像处理方法及其相关设备 |
CN113793345B (zh) * | 2021-09-07 | 2023-10-31 | 复旦大学附属华山医院 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
CN113793345A (zh) * | 2021-09-07 | 2021-12-14 | 复旦大学附属华山医院 | 一种基于改进注意力模块的医疗影像分割方法及装置 |
CN113781510A (zh) * | 2021-09-15 | 2021-12-10 | 上海金仕达软件科技有限公司 | 边缘检测方法、装置及电子设备 |
CN114972155A (zh) * | 2021-12-30 | 2022-08-30 | 昆明理工大学 | 一种基于上下文信息和反向注意力的息肉图像分割方法 |
CN114627299A (zh) * | 2022-04-21 | 2022-06-14 | 杭州电子科技大学 | 一种模仿人类视觉系统对伪装目标检测与分割方法 |
CN114627299B (zh) * | 2022-04-21 | 2023-10-27 | 杭州电子科技大学 | 一种模仿人类视觉系统对伪装目标检测与分割方法 |
CN114612472B (zh) * | 2022-05-11 | 2022-09-13 | 泉州装备制造研究所 | 一种基于SegNet改进的皮革缺陷分割网络算法 |
CN114612472A (zh) * | 2022-05-11 | 2022-06-10 | 泉州装备制造研究所 | 一种基于SegNet改进的皮革缺陷分割网络算法 |
CN116109655A (zh) * | 2023-01-16 | 2023-05-12 | 阿里巴巴(中国)有限公司 | 图像编码器处理方法及装置、图像分割方法 |
CN116689246A (zh) * | 2023-08-01 | 2023-09-05 | 深圳平显科技有限公司 | 显示屏生产的多通道注胶控制方法及装置 |
CN116689246B (zh) * | 2023-08-01 | 2023-10-03 | 深圳平显科技有限公司 | 显示屏生产的多通道注胶控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111612807B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612807B (zh) | 一种基于尺度和边缘信息的小目标图像分割方法 | |
CN110738697B (zh) | 基于深度学习的单目深度估计方法 | |
Zhou et al. | GMNet: Graded-feature multilabel-learning network for RGB-thermal urban scene semantic segmentation | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
Zhou et al. | MFFENet: Multiscale feature fusion and enhancement network for RGB–thermal urban road scene parsing | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN106547880B (zh) | 一种融合地理区域知识的多维度地理场景识别方法 | |
CN107169421B (zh) | 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法 | |
CN111612008B (zh) | 基于卷积网络的图像分割方法 | |
CN112396607B (zh) | 一种可变形卷积融合增强的街景图像语义分割方法 | |
US20220277549A1 (en) | Generative Adversarial Networks for Image Segmentation | |
CN107239730B (zh) | 智能汽车交通标志识别的四元数深度神经网络模型方法 | |
CN110197505B (zh) | 基于深度网络及语义信息的遥感图像双目立体匹配方法 | |
CN109753959B (zh) | 基于自适应多尺度特征融合的路面交通标志检测方法 | |
CN113095152B (zh) | 一种基于回归的车道线检测方法及系统 | |
CN113743417B (zh) | 语义分割方法和语义分割装置 | |
Cho et al. | Semantic segmentation with low light images by modified CycleGAN-based image enhancement | |
CN114724155A (zh) | 基于深度卷积神经网络的场景文本检测方法、系统及设备 | |
Hou et al. | BSNet: Dynamic hybrid gradient convolution based boundary-sensitive network for remote sensing image segmentation | |
CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
Huang et al. | A convolutional attention residual network for stereo matching | |
CN115238758A (zh) | 一种基于点云特征增强的多任务三维目标检测方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network |
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 |