CN111709983A - 一种基于卷积神经网络和光场图像的气泡流场三维重建方法 - Google Patents
一种基于卷积神经网络和光场图像的气泡流场三维重建方法 Download PDFInfo
- Publication number
- CN111709983A CN111709983A CN202010545296.0A CN202010545296A CN111709983A CN 111709983 A CN111709983 A CN 111709983A CN 202010545296 A CN202010545296 A CN 202010545296A CN 111709983 A CN111709983 A CN 111709983A
- Authority
- CN
- China
- Prior art keywords
- bubble
- image
- neural network
- convolutional neural
- size
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
Abstract
基于光场成像的气泡三维重建技术是气液两相流中气泡三维测量方法之一,尽管近年来进行了大量研究工作,但如何从最少的重聚焦图中以尽可能高的精度提取出所需的深度信息以完成三维气泡模型的重构是最具挑战性的问题之一。为解决上述问题,本发明对神经网络结构进行改进,(1)实现了一维数据与二维数据的数据融合;(2)利用该网络,仅需一张已知聚焦深度的重聚焦气泡图像,即可获取该气泡的真实深度信息。相较于采用气泡一组序列图像获取此气泡真实深度的传统方法,本发明所提出的一种基于卷积神经网络和光场图像的气泡流场三维重建方法仅需一组气泡序列图像中的1气泡图像并结合其序列号即可有效获取气泡的深度信息,实现气泡三维流场的重建。
Description
技术领域
本发明涉及一种基于卷积神经网络和光场图像的气泡流场三维重建方法,更具体的说,本发明涉及一种能够根据一张气泡图像即可快速实现气泡图像三维重建的方法。
背景技术
气泡流场的三维重建对于研究气液两相流的运动特性具有重要意义。基于光场成像的气泡三维重建技术是气液两相流中气泡三维测量方法之一,尽管近年来进行了大量研究工作,但如何从最少的重聚焦图中以尽可能高的精度提取出所需的深度信息以完成三维气泡模型的重构是最具挑战性的问题之一。为了解决气泡快速三维重建的难题,本方法采用训练深度学习卷积神经网络来实现气泡的深度获取。通过对深度学习的网络结构进行改进,(1)实现了一维数据与二维数据的数据融合;(2)利用该网络,仅需一张已知聚焦深度的重聚焦气泡图像,即可获取该气泡的真实深度信息。相较于传统的气泡流场三维重建方法即对气泡的一组(390张)重聚焦图像采用像素遍历方式比对出最佳清晰度像素点进而确定气泡的真实深度的方法,本方法设计了一种应用于卷积神经网络的算法并仅需1张重聚焦图像结合其焦距即可有效获取气泡的深度信息,实现气泡三维流场的重建。
发明内容
本发明的目的是提供一种通过卷积神经网络实现光场图像中气泡流场三维重建的方法。
为实现上述目的,本发明采用的技术方案是:一种基于卷积神经网络和光场图像的气泡流场三维重建方法,其算法流程如附图1所示,包括以下步骤:
步骤1:选择训练数据集和测试数据集,部分光场气泡图像序列的摘选如图2所示;
步骤2:利用卷积神经网络从训练数据集的图像中提取图像序列特征信息和图像的多尺度特征信息,在每个尺度上使用空间特征变换层将图像序列特征与图像特征进行整合,整合后的结果再次经过特征提取,最后将提取结果输出网络;
步骤3:对步骤2中所述的卷积神经网络输出结果与实际值进行比对评价,并将均方根误差损失函数作为卷积神经网络的评价误差,利用均方根误差损失函数对卷积神经网络进行训练,直到其收敛至最优精度;
步骤4:将步骤1中所述的测试数据集中的任意一张气泡图像输入步骤3中已训练好的卷积神经网络模型中,得到气泡深度的预测值;
步骤5:将步骤4中所述的气泡深度预测值与气泡的尺寸和位置信息进行融合,重建气泡的三维空间信息,气泡流场三维重建效果如图3所示。
在上述的基于卷积神经网络和光场图像的气泡流场三维重建方法中,步骤1所述训练数据集的获取包括以下子步骤:
步骤1.1、训练数据集的获取;将大小W*H*3的彩色气泡图像作为卷积神经网络的图像输入数据,彩色气泡图像的序列号作为卷积神经网络的序号输入数据,彩色气泡图像中气泡的实际深度值作为卷积神经网络的输出数据,所述的彩色气泡图像、序列号和实际深度值作为样本对,生成训练数据集文件;
步骤1.2、测试数据集的获取;将大小W*H*3的彩色气泡图像作为测试卷积神经网络模型的图像输入数据,彩色气泡图像的序列号作为测试卷积神经网络模型的序号输入数据,所述的彩色气泡图像和序列号作为样本对,生成测试数据集文件。
在上述的基于卷积神经网络和光场图像的气泡流场三维重建方法中,步骤2的实现包括以下子步骤:
步骤2.1、图像序列号特征信息的提取;将大小W*H*3的彩色气泡图像的序列号重构为大小W*H*1的矩阵,其中矩阵中各位置上的值均为所述彩色气泡图像的序列号值,所述的重构矩阵输入由卷积和非线性激活构成的卷积层,编码阶段共1个处理块,得到特征图大小为W*H*16,其中W为原彩色图的宽度,H为原彩色图的高度;
步骤2.2、图像特征信息的提取;首先,将大小W*H*3的彩色气泡图像输入由卷积和非线性激活构成的卷积层,得到大小W*H*16的特征图,然后,将所述的特征图输入由池化和非线性激活构成的池化层,得到大小(0.5*W)*(0.5*H)*16的特征图,其次,将所述的特征图输入由卷积和非线性激活构成的卷积层,得到大小(0.5*W)*(0.5*H)*32的特征图,最后,将所述的特征图输入由池化和非线性激活构成的池化层,得到大小(0.25*W)*(0.25*H)*32的特征图,其中,W为原图的宽度,H为原图的高度;
步骤2.3、图像序列特征与图像特征整合;将步骤2.1中所述的大小W*H*16的特征图剪裁为大小(0.25*W)*(0.25*H)*16的特征图,并将所述大小(0.25*W)*(0.25*H)*16的特征图与的步骤2.2中所得大小(0.25*W)*(0.25*H)*32特征图进行通道叠加,整合为大小(0.25*W)*(0.25*H)*48的特征图;
步骤2.4、进一步挖掘整合后的特征;将步骤2.3所述的整合后的特征图输入由卷积和非线性激活构成的卷积层,得到特征图大小为(0.25*W)*(0.25*H)*128,将所述的特征图输入由池化和非线性激活构成的池化层,得到特征图大小为(k*W)*(k*H)*l,其中k=0.125,l=128;
步骤2.5、将步骤2.4输出的特征图拉伸为一维向量,将所述的一维向量与全连接层连接并输出气泡深度。
在上述的基于卷积神经网络和光场图像的气泡流场三维重建方法中,步骤3的实现包括以下子步骤:
步骤3.1、定义均方根误差损失函数RMSE:
步骤3.2、利用损失函数RMSE对网络进行训练,直到整个网络收敛至最优精度为止。
附图说明
图1:算法流程图;
图2:气泡的光场图像序列及相应序列号摘选;
图3(a):气泡流场待重建图;
图3(b):气泡流场三维重建效果图。
具体实施方式
将气泡图像输入模型中与各最佳参数进行运算并获取气泡焦距输出值进而重建气泡三维模型即为本发明所解决的问题。
本发明涉及一种基于卷积神经网络和光场图像的气泡流场三维重建方法,其算法流程如附图1所示,其特征是,包含步骤如下:
步骤1:选择训练数据集和测试数据集;
(1)训练数据集的获取;将大小W*H*3的彩色气泡图像作为卷积神经网络的图像输入数据,彩色气泡图像的序列号作为卷积神经网络的序号输入数据,彩色气泡图像中气泡的实际深度值作为卷积神经网络的输出数据,所述的彩色气泡图像、序列号和实际深度值作为样本对,生成训练数据集文件,其中部分光场气泡图像序列的摘选如图2所示;
(2)测试数据集的获取;将大小W*H*3的彩色气泡图像作为测试卷积神经网络模型的图像输入数据,彩色气泡图像的序列号作为测试卷积神经网络模型的序号输入数据,所述的彩色气泡图像和序列号作为样本对,生成测试数据集文件。
步骤2:利用卷积神经网络从训练数据集的图像中提取图像序列特征信息和图像的多尺度特征信息,在每个尺度上使用空间特征变换层将图像序列特征与图像特征进行整合,整合后的结果再次经过特征提取,最后将提取结果输出网络;
(1)图像序列号特征信息的提取;将大小W*H*3的彩色气泡图像的序列号重构为大小W*H*1的矩阵,其中矩阵中各位置上的值均为所述彩色气泡图像的序列号值,所述的重构矩阵输入由卷积和非线性激活构成的卷积层,编码阶段共1个处理块,得到特征图大小为W*H*16,其中W为原彩色图的宽度,H为原彩色图的高度;
(2)图像特征信息的提取;首先,将大小W*H*3的彩色气泡图像输入由卷积和非线性激活构成的卷积层,得到大小W*H*16的特征图,然后,将所述的特征图输入由池化和非线性激活构成的池化层,得到大小(0.5*W)*(0.5*H)*16的特征图,其次,将所述的特征图输入由卷积和非线性激活构成的卷积层,得到大小(0.5*W)*(0.5*H)*32的特征图,最后,将所述的特征图输入由池化和非线性激活构成的池化层,得到大小(0.25*W)*(0.25*H)*32的特征图,其中,W为原图的宽度,H为原图的高度;
(3)图像序列特征与图像特征整合;将步骤2.1中所述的大小W*H*16的特征图剪裁为大小(0.25*W)*(0.25*H)*16的特征图,并将所述大小(0.25*W)*(0.25*H)*16的特征图与的步骤2.2中所得大小(0.25*W)*(0.25*H)*32特征图进行通道叠加,整合为大小(0.25*W)*(0.25*H)*48的特征图;
(4)进一步挖掘整合后的特征;将步骤2.3所述的整合后的特征图输入由卷积和非线性激活构成的卷积层,得到特征图大小为(0.25*W)*(0.25*H)*128,将所述的特征图输入由池化和非线性激活构成的池化层,得到特征图大小为(k*W)*(k*H)*l,其中k=0.125,l=128;
(5)将步骤2.4输出的特征图拉伸为一维向量,将所述的一维向量与全连接层连接并输出气泡深度。
步骤3:对步骤2中所述的卷积神经网络输出结果与实际值进行比对评价,并将均方根误差损失函数作为卷积神经网络的评价误差,利用均方根误差损失函数对卷积神经网络进行训练,直到其收敛至最优精度;
定义均方根误差损失函数RMSE:
步骤3.2、利用损失函数RMSE对网络进行训练,直到整个网络收敛至最优精度为止。
步骤4:将步骤1中所述的测试数据集中的任意一张气泡图像输入步骤3中已训练好的卷积神经网络模型中,得到气泡深度的预测值;
步骤5:将步骤4中所述的气泡深度预测值与气泡的尺寸和位置信息进行融合,重建气泡的三维空间信息,气泡流场三维重建效果如图3所示。
本发明与现有的气泡流场三维重建最大的区别是:传统的气泡三维重建需要整组序列气泡图像信息,本发明只需要一组光场图像序列中的气泡的一张光场图像即可实现气泡流场三维重建。
综上所述,本发明所述气泡流场三维重建的优点是:
(1)将深度学习应用到气泡流场三维重建工作中;
(2)本方法的重建速度远远快于传统重建方法;
(3)在深度学习领域,将一维数据与二维数据进行了融合。
以上示意性的对本发明及其实施方式进行了描述,该描述没有局限性,附图中所示的也只是本发明的实施方式之一。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,采用其它形式的同类部件或其它形式的各部件布局方式,不经创造性的设计出与该技术方案相似的技术方案与实施例,均应属于本发明的保护范围。
Claims (4)
1.一种基于卷积神经网络和光场图像的气泡流场三维重建方法,其特征在于,包括如下步骤:
步骤1:选择训练数据集和测试数据集;
步骤2:利用卷积神经网络从训练数据集的图像中提取图像序列特征信息和图像的多尺度特征信息,在每个尺度上使用空间特征变换层将图像序列特征与图像特征进行整合,整合后的结果再次经过特征提取,最后将提取结果输出网络;
步骤3:对步骤2中所述的卷积神经网络输出结果与实际值进行比对评价,并将均方根误差损失函数作为卷积神经网络的评价误差,利用均方根误差损失函数对卷积神经网络进行训练,直到其收敛至最优精度;
步骤4:将步骤1中所述的测试数据集中的任意一张气泡图像输入步骤3中已训练好的卷积神经网络模型中,得到该气泡深度的预测值;
步骤5:将步骤4中所述的气泡深度预测值与气泡的尺寸和位置信息进行融合,重建气泡的三维空间信息。
2.如权利要求1所述的一种基于卷积神经网络和光场图像的气泡流场三维重建方法,其特征是,步骤1所述训练数据集的获取包括以下子步骤:
步骤1.1、训练数据集的获取;将大小W*H*3的彩色气泡图像作为卷积神经网络的图像输入数据,彩色气泡图像的序列号作为卷积神经网络的序号输入数据,彩色气泡图像中气泡的实际深度值作为卷积神经网络的输出数据,所述的彩色气泡图像、序列号和实际深度值作为样本对,生成训练数据集文件;
步骤1.2、测试数据集的获取;将大小W*H*3的彩色气泡图像作为测试卷积神经网络模型的图像输入数据,彩色气泡图像的序列号作为测试卷积神经网络模型的序号输入数据,所述的彩色气泡图像和序列号作为样本对,生成测试数据集文件。
3.如权利要求1所述的一种基于卷积神经网络和光场图像的气泡流场三维重建方法,其特征是,步骤2的实现包括以下子步骤:
步骤2.1、图像序列号特征信息的提取;将大小W*H*3的彩色气泡图像的序列号重构为大小W*H*1的矩阵,其中矩阵中各位置上的值均为所述彩色气泡图像的序列号值,所述的重构矩阵输入由卷积和非线性激活构成的卷积层,编码阶段共1个处理块,得到特征图大小为W*H*16,其中W为原彩色图的宽度,H为原彩色图的高度;
步骤2.2、图像特征信息的提取;首先,将大小W*H*3的彩色气泡图像输入由卷积和非线性激活构成的卷积层,得到大小W*H*16的特征图,然后,将所述的特征图输入由池化和非线性激活构成的池化层,得到大小(0.5*W)*(0.5*H)*16的特征图,其次,将所述的特征图输入由卷积和非线性激活构成的卷积层,得到大小(0.5*W)*(0.5*H)*32的特征图,最后,将所述的特征图输入由池化和非线性激活构成的池化层,得到大小(0.25*W)*(0.25*H)*32的特征图,其中,W为原图的宽度,H为原图的高度;
步骤2.3、图像序列特征与图像特征整合;将步骤2.1中所述的大小W*H*16的特征图剪裁为大小(0.25*W)*(0.25*H)*16的特征图,并将所述大小(0.25*W)*(0.25*H)*16的特征图与的步骤2.2中所得大小(0.25*W)*(0.25*H)*32特征图进行通道叠加,整合为大小(0.25*W)*(0.25*H)*48的特征图;
步骤2.4、进一步挖掘整合后的特征;将步骤2.3所述的整合后的特征图输入由卷积和非线性激活构成的卷积层,得到特征图大小为(0.25*W)*(0.25*H)*128,将所述的特征图输入由池化和非线性激活构成的池化层,得到特征图大小为(k*W)*(k*H)*1,其中k=0.125,l=128;
步骤2.5、将步骤2.4输出的特征图拉伸为一维向量,将所述的一维向量与全连接层连接并输出气泡深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545296.0A CN111709983A (zh) | 2020-06-16 | 2020-06-16 | 一种基于卷积神经网络和光场图像的气泡流场三维重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010545296.0A CN111709983A (zh) | 2020-06-16 | 2020-06-16 | 一种基于卷积神经网络和光场图像的气泡流场三维重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709983A true CN111709983A (zh) | 2020-09-25 |
Family
ID=72540900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010545296.0A Withdrawn CN111709983A (zh) | 2020-06-16 | 2020-06-16 | 一种基于卷积神经网络和光场图像的气泡流场三维重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709983A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926606A (zh) * | 2021-04-25 | 2021-06-08 | 南京工程学院 | 一种基于深度学习的异构融合气泡羽流特征提取方法 |
CN113051820A (zh) * | 2021-03-24 | 2021-06-29 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN113358659A (zh) * | 2021-04-25 | 2021-09-07 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113421334A (zh) * | 2021-07-06 | 2021-09-21 | 山西大学 | 一种基于深度学习的多聚焦图像三维重建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN107092859A (zh) * | 2017-03-14 | 2017-08-25 | 佛山科学技术学院 | 一种三维模型的深度特征提取方法 |
CN108120392A (zh) * | 2017-11-30 | 2018-06-05 | 东南大学 | 气液两相流中气泡三维测量系统及方法 |
CN108629291A (zh) * | 2018-04-13 | 2018-10-09 | 深圳市未来媒体技术研究院 | 一种抗网格效应的人脸深度预测方法 |
CN110738697A (zh) * | 2019-10-10 | 2020-01-31 | 福州大学 | 基于深度学习的单目深度估计方法 |
CN110782022A (zh) * | 2019-10-31 | 2020-02-11 | 福州大学 | 一种面向可编程逻辑器件移动终端的小型神经网络的实现方法 |
CN111127336A (zh) * | 2019-11-18 | 2020-05-08 | 复旦大学 | 一种基于自适应选择模块的图像信号处理方法 |
US10679046B1 (en) * | 2016-11-29 | 2020-06-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Machine learning systems and methods of estimating body shape from images |
-
2020
- 2020-06-16 CN CN202010545296.0A patent/CN111709983A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017133009A1 (zh) * | 2016-02-04 | 2017-08-10 | 广州新节奏智能科技有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
US10679046B1 (en) * | 2016-11-29 | 2020-06-09 | MAX-PLANCK-Gesellschaft zur Förderung der Wissenschaften e.V. | Machine learning systems and methods of estimating body shape from images |
CN107092859A (zh) * | 2017-03-14 | 2017-08-25 | 佛山科学技术学院 | 一种三维模型的深度特征提取方法 |
CN108120392A (zh) * | 2017-11-30 | 2018-06-05 | 东南大学 | 气液两相流中气泡三维测量系统及方法 |
CN108629291A (zh) * | 2018-04-13 | 2018-10-09 | 深圳市未来媒体技术研究院 | 一种抗网格效应的人脸深度预测方法 |
CN110738697A (zh) * | 2019-10-10 | 2020-01-31 | 福州大学 | 基于深度学习的单目深度估计方法 |
CN110782022A (zh) * | 2019-10-31 | 2020-02-11 | 福州大学 | 一种面向可编程逻辑器件移动终端的小型神经网络的实现方法 |
CN111127336A (zh) * | 2019-11-18 | 2020-05-08 | 复旦大学 | 一种基于自适应选择模块的图像信号处理方法 |
Non-Patent Citations (1)
Title |
---|
李庆浩,赵陆海波, 张彪, 唐志永, 许传龙: "基于光场成像的气液两相流中 气泡三维测量方法" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051820A (zh) * | 2021-03-24 | 2021-06-29 | 中国空气动力研究与发展中心超高速空气动力研究所 | 基于卷积神经网络的跨流域气动参数模拟方法 |
CN112926606A (zh) * | 2021-04-25 | 2021-06-08 | 南京工程学院 | 一种基于深度学习的异构融合气泡羽流特征提取方法 |
CN113358659A (zh) * | 2021-04-25 | 2021-09-07 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113358659B (zh) * | 2021-04-25 | 2022-07-19 | 上海工程技术大学 | 一种用于高铁箱梁裂缝自动化检测的相机阵列式成像方法 |
CN113421334A (zh) * | 2021-07-06 | 2021-09-21 | 山西大学 | 一种基于深度学习的多聚焦图像三维重建方法 |
CN113421334B (zh) * | 2021-07-06 | 2022-05-20 | 山西大学 | 一种基于深度学习的多聚焦图像三维重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709983A (zh) | 一种基于卷积神经网络和光场图像的气泡流场三维重建方法 | |
CN107644415B (zh) | 一种文本图像质量评估方法及设备 | |
CN108399419B (zh) | 基于二维递归网络的自然场景图像中中文文本识别方法 | |
CN111007661B (zh) | 一种基于深度学习的显微图像自动聚焦方法及装置 | |
CN111598214B (zh) | 一种基于图卷积神经网络的跨模态检索方法 | |
CN107818554B (zh) | 信息处理设备和信息处理方法 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN109461177B (zh) | 一种基于神经网络的单目图像深度预测方法 | |
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 | |
CN109961446A (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
CN112598053A (zh) | 基于半监督学习的主动显著性目标检测方法 | |
CN112819853B (zh) | 一种基于语义先验的视觉里程计方法 | |
CN113160265A (zh) | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 | |
CN113989261A (zh) | 基于Unet改进的无人机视角下红外图像光伏板边界分割方法 | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
CN114359297A (zh) | 基于注意力金字塔的多分辨率语义分割方法及装置 | |
CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
CN115775316A (zh) | 基于多尺度注意力机制的图像语义分割方法 | |
Lu et al. | SGTBN: generating dense depth maps from single-line LiDAR | |
CN113486894B (zh) | 一种卫星图像特征部件语义分割方法 | |
CN112686830A (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
Sharma et al. | Alchemist: Parametric control of material properties with diffusion models | |
CN112991398B (zh) | 基于协同深度神经网络的运动边界指导的光流滤波方法 | |
CN113205005B (zh) | 一种面向低光照低分辨率的人脸图像幻构方法 | |
CN115496859A (zh) | 基于散乱点云交叉注意学习的三维场景运动趋势估计方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200925 |