CN111767922A - 一种基于卷积神经网络的图像语义分割方法及网络 - Google Patents

一种基于卷积神经网络的图像语义分割方法及网络 Download PDF

Info

Publication number
CN111767922A
CN111767922A CN202010439159.9A CN202010439159A CN111767922A CN 111767922 A CN111767922 A CN 111767922A CN 202010439159 A CN202010439159 A CN 202010439159A CN 111767922 A CN111767922 A CN 111767922A
Authority
CN
China
Prior art keywords
network
neural network
convolution kernel
convolutional neural
image
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
Application number
CN202010439159.9A
Other languages
English (en)
Other versions
CN111767922B (zh
Inventor
滕国伟
黄尘琛
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010439159.9A priority Critical patent/CN111767922B/zh
Publication of CN111767922A publication Critical patent/CN111767922A/zh
Application granted granted Critical
Publication of CN111767922B publication Critical patent/CN111767922B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于残差网络的图像语义分割方法及网络。本网络采用编码器‑解码器结构，包括特征编码器和特征解码器两个部分。特征编码器部分主要使用残差网络对输入图像进行特征提取；特征解码器部分将低层特征和高层特征相融合，并对特征图进行上采样，最后由Softmax推断结果。本方法主要步骤包括：(1)初始化神经网络参数，使用训练集对神经网络进行训练；(2)使用测试集测试神经网络并调整超参数；(3)将待分割的图像输入网络进行推断。为了充分利用图片的空间特征，提高精确度，本方法在ResNet‑101的基础上加入了非对称卷积模块和空洞卷积的方法，同时在解码器部分采用了双三次插值进行上采样。

Description

一种基于卷积神经网络的图像语义分割方法及网络
技术领域
本发明涉及到一种基于卷积神经网络的图像语义分割技术，属于计算机视觉中的图像加工和处理领域，具体涉及一种基于卷积神经网络的图像语义分割方法及网络。
背景技术
图像语义分割是指像素级地识别图像，即标注出图像中每个像素所属的对象类别。其在自动驾驶、医学图像诊断等领域都具有重要的应用价值。传统的图像分割方法通常基于阈值，拓扑学等知识对图像进行分割。这种一般只考虑像素点本身的特性而不考虑空间关系，特征，因此存在鲁棒性不高，对噪声敏感以及识别率不高等问题，对于较高级的应用任务来说，这些方法远不能达到实用的地步。因此需要分类更准确，分割边界更清晰的语义分割方法。
随着计算机图像运算能力的不断提高，以及神经网络在计算机视觉领域的不断发展，出现了基于卷积神经网络的语义分割方法，相比于传统方法，基于卷积神经网络的方法在目标分类的准确度和边界的细节上都提高了很多。
发明内容
为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于卷积神经网络的图像语义分割方法及网络，通过改进ResNet和特征解码器来提高图像空间关系特征的利用率，从而大幅度提高图像语义分割的精确性。
为达到上述发明创造目的，本发明采用如下技术方案：
一种基于改进型ResNet的图像语义分割方法，网络结构包括特征编码器和特征解码器，实施步骤包括图像预处理、训练、验证、预测，具体操作步骤如下：
(1)初始化卷积神经网络的参数，设置卷积神经网络的训练参数：迭代总次数，初始学习率，学习率衰减因子，遗忘因子，衰减权重以及批尺寸；
(2)使用训练集的图片对网络进行训练；对训练集中的图片进行预处理，将图片的分辨率变为512x512，并输入到网络中；
(3)输入数据经过卷积层，上采样层，Softmax分类等的前向传播得到输出值；
(4)按如下损失函数计算输出值和真值之间的误差：
Loss＝-∑i tilnyi
其中t表示真实值，y表示输出值；
(5)反向传播误差，并根据梯度下降法更新神经网络的参数；
(6)重复(3)、(4)、(5)，直至误差收敛；
(7)使用测试集对神经网络进行测试，并根据测试结果调整超参数，防止过拟合或欠拟合；
(8)输入目标图像，经在编码器前向传播提取特征图；
(9)经由解码器将不同层次的特征图相融合并上采样至输入图像大小；
(10)由Softmax分类器推断出最后的分割结果。
上述的卷积神经网络的具体结构如下：
本模型可以分为特征编码器和特征解码器两部分；
特征编码器主要由改进后的ResNet-101网络组成，也称为核心网络。核心网络共有7个模块，第一模块使用的是3x3卷积核，output stride为4，表示输入图像的分辨率是本模块输出的4倍；第二模块使用的是3x3卷积核，output stride为8；第三模块使用的卷积核在3x3卷积核的基础上叠加上3x1卷积核以及1x3卷积核，output stride为16，第三模块的卷积核可以用下式表示：
W＝(bn*A+bn*B+bn*C)+β (1)
其中bn表示批标准化(Batch Normalization)，β表示偏置值。
网络的第4至7模块使用了空洞卷积作为卷积核，卷积核的尺寸都为3x3，步长分别为4，8，16。
特征解码器主要由特征融合和上采样两部分组成，本发明使用双三次插值作为上采样方法；这种算法使用一种插值基函数来拟合数据，本发明使用的拟合函数如下：
Figure BDA0002503430190000021
其中，a取-0.5。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.相比于传统的图像语义分割方法以及现有的其他基于神经网络的语义分割方法，本发明方法充分利用了图像像素间的空间关系特征，分割结果的边界更加清晰；
2.本发明方法核心网络提取特征的能力更强，同时参数量却有所下降，对于目标的分类准确性更高，预测时间也有所缩减；
3.本发明方法简单易行，成本低，适合推广使用。
附图说明
图1是一种基于卷积神经网络的图像语义分割方法的流程图。
图2是一种基于卷积神经网络的图像语义分割方法的网络结构图。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
参见图1和图2，一种基于卷积神经网络的图像语义分割方法，具体步骤如下：
(1)初始化卷积神经网络的参数，设置卷积神经网络的训练参数：迭代总次数，初始学习率，学习率衰减因子，遗忘因子，衰减权重以及批尺寸；
(2)使用训练集的图片对网络进行训练；对训练集中的图片进行预处理，将图片的分辨率变为512x512，并输入到网络中；
(3)输入数据经过卷积层，上采样层，Softmax分类等的前向传播得到输出值；
(4)按如下损失函数计算输出值和真值之间的误差：
Loss＝-∑itilnyi
其中t表示真实值，y表示输出值；
(5)反向传播误差，并根据梯度下降法更新神经网络的参数；
(6)重复(3)、(4)、(5)，直至误差收敛；
(7)使用测试集对神经网络进行测试，并根据测试结果调整超参数，防止过拟合或欠拟合；
(8)输入目标图像，经在编码器前向传播提取特征图；
(9)经由解码器将不同层次的特征图相融合并上采样至输入图像大小；
(10)由Softmax分类器推断出最后的分割结果。
实施例二：
本基于卷积神经网络的图像语义分割网络，用于上述方法，包括特征解码器，具体网络结构如下：所述特征编码器主要由改进后的ResNet-101网络组成，也称为核心网络。核心网络共有7个模块，第一模块使用的是3x3卷积核，output stride为4，表示输入图像的分辨率是本模块输出的4倍；第二模块使用的是3x3卷积核，output stride为8；第三模块使用的卷积核在3x3卷积核的基础上叠加上3x1卷积核以及1x3卷积核，output stride为16，第三模块的卷积核可以用下式表示：
W＝(bn*A+bn*B+bn*C)+β
其中bn表示批标准化(Batch Normalization)，β表示偏置值。
网络的第4至7模块使用了空洞卷积作为卷积核，卷积核的尺寸都为3x3，步长分别为4，8，16。
特征解码器主要由特征融合和上采样两部分组成，使用双三次插值作为上采样方法；这种算法使用一种插值基函数来拟合数据，本实施例使用的拟合函数如下：
Figure BDA0002503430190000041
其中，a取-0.5。
实施例三：
假定数据集中共有5000张精细标注的图片，均为1024x1024分辨率，将他们分为训练集3000张，测试集500张，验证集1500张。
如图1所示，本基于卷积神经网络的语义分割方法，具体操作步骤如下：
(1)初始化卷积神经网络的参数，设置卷积神经网络的训练参数：迭代总次数20000，初始学习率0.001，学习率衰减因子0.1，遗忘因子μ0.9；衰减权重0.00004，批尺寸(batch size)设置为8；
(2)使用训练集的图片对网络进行训练；对训练集中的图片进行预处理，将图片的分辨率变为512x512，并输入到网络中；
(3)输入数据经过卷积层，上采样层，Softmax分类等的前向传播得到输出值；
(4)按如下损失函数计算输出值和真值之间的误差：
Loss＝-∑i tilnyi
其中t表示真实值，y表示输出值；
(5)反向传播误差，并根据梯度下降法更新神经网络的参数；
(6)重复(3)、(4)、(5)，直至误差收敛；
(7)使用测试集对神经网络进行测试，并根据测试结果调整超参数，防止过拟合或欠拟合；
(8)输入目标图像，经在编码器前向传播提取特征图；
(9)经由解码器将不同层次的特征图相融合并上采样至输入图像大小；(10)由Softmax分类器推断出最后的分割结果。
综合上述实施例可知，本发明提供一种基于残差网络的图像语义分割方法及网络。本发明网络采用编码器-解码器结构，包括特征编码器和特征解码器两个部分。特征编码器部分主要使用残差网络对输入图像进行特征提取；特征解码器部分将低层特征和高层特征相融合，并对特征图进行上采样，最后由Softmax推断结果。本方法主要步骤包括：
(1)初始化神经网络参数，使用训练集对神经网络进行训练；
(2)使用测试集测试神经网络并调整超参数；
(3)将待分割的图像输入网络进行推断。为了充分利用图片的空间特征，提高精确度，本发明方法在ResNet-101的基础上加入了非对称卷积模块和空洞卷积的方法，同时在解码器部分采用了双三次插值进行上采样。本发明方法充分利用了图像像素间的空间关系特征，分割结果的边界更加清晰；本发明方法核心网络提取特征的能力更强，同时参数量却有所下降，对于目标的分类准确性更高，预测时间也有所缩减。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明基于卷积神经网络的图像语义分割方法及网络的技术原理和发明构思，都属于本发明的保护范围。

Claims (2)

1.一种基于卷积神经网络的图像语义分割方法，具体步骤如下：
(1)初始化卷积神经网络的参数，设置卷积神经网络的训练参数：迭代总次数、初始学习率、学习率衰减因子、遗忘因子、衰减权重以及批尺寸；
(2)使用训练集的图片对网络进行训练；对训练集中的图片进行预处理，将图片的分辨率变为512x512，并输入到网络中；
(3)输入数据经过卷积层，上采样层，Softmax分类等的前向传播得到输出值；
(4)按如下损失函数计算输出值和真值之间的误差：
Loss＝-∑itilnyi
其中t表示真实值，y表示输出值；
(5)反向传播误差，并根据梯度下降法更新神经网络的参数；
(6)重复(3)、(4)、(5)，直至误差收敛；
(7)使用测试集对神经网络进行测试，并根据测试结果调整超参数，防止过拟合或欠拟合；
(8)输入目标图像，经在编码器前向传播提取特征图；
(9)经由解码器将不同层次的特征图相融合并上采样至输入图像大小；
(10)由Softmax分类器推断出最后的分割结果。
2.一种基于卷积神经网络的图像语义分割网络，用于根据权利要求1所述基于卷积神经网络的图像语义分割方法，包括特征解码器，其特征在于，具体网络结构如下：
所述特征编码器主要由改进后的ResNet-101网络组成，也称为核心网络；核心网络共有7个模块，第一模块使用的是3x3卷积核，output stride为4，表示输入图像的分辨率是本模块输出的4倍；第二模块使用的是3x3卷积核，output stride为8；第三模块使用的卷积核在3x3卷积核的基础上叠加上3x1卷积核以及1x3卷积核，output stride为16，第三模块的卷积核可以用下式表示：
W＝(bn*A+bn*B+bn*C)+β (1)
其中bn表示批标准化(Batch Normalization)，β表示偏置值；
网络的第4至7模块使用了空洞卷积作为卷积核，卷积核的尺寸都为3x3，步长分别为4，8，16；
特征解码器主要由特征融合和上采样两部分组成，使用双三次插值作为上采样方法；这种算法使用一种插值基函数来拟合数据，使用的拟合函数如下：
Figure FDA0002503430180000021
其中，a取-0.5。
CN202010439159.9A 2020-05-22 2020-05-22 一种基于卷积神经网络的图像语义分割方法及网络 Active CN111767922B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010439159.9A CN111767922B (zh) 2020-05-22 2020-05-22 一种基于卷积神经网络的图像语义分割方法及网络

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010439159.9A CN111767922B (zh) 2020-05-22 2020-05-22 一种基于卷积神经网络的图像语义分割方法及网络

Publications (2)

Publication Number Publication Date
CN111767922A true CN111767922A (zh) 2020-10-13
CN111767922B CN111767922B (zh) 2023-06-13

Family

ID=72719768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010439159.9A Active CN111767922B (zh) 2020-05-22 2020-05-22 一种基于卷积神经网络的图像语义分割方法及网络

Country Status (1)

Country Link
CN (1) CN111767922B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381832A (zh) * 2020-12-04 2021-02-19 江苏科技大学 一种基于优化卷积神经网络的图像语义分割方法
CN112418394A (zh) * 2020-11-04 2021-02-26 武汉大学 一种电磁波频率预测方法及装置
CN112634289A (zh) * 2020-12-28 2021-04-09 华中科技大学 一种基于非对称空洞卷积的快速可行域分割方法
CN112634291A (zh) * 2020-12-31 2021-04-09 杭州电子科技大学 一种基于神经网络的烧伤创面区域自动分割方法
CN113538359A (zh) * 2021-07-12 2021-10-22 北京曙光易通技术有限公司 一种用于指静脉图像分割的系统以及方法
CN113822331A (zh) * 2021-08-11 2021-12-21 北京邮电大学 加密流量的分类方法与装置以及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10067509B1 (en) * 2017-03-10 2018-09-04 TuSimple System and method for occluding contour detection
CN109145920A (zh) * 2018-08-21 2019-01-04 电子科技大学 一种基于深度神经网络的图像语义分割方法
CN110210485A (zh) * 2019-05-13 2019-09-06 常熟理工学院 基于注意力机制指导特征融合的图像语义分割方法
CN110781776A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于预测和残差细化网络的道路提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10067509B1 (en) * 2017-03-10 2018-09-04 TuSimple System and method for occluding contour detection
CN109145920A (zh) * 2018-08-21 2019-01-04 电子科技大学 一种基于深度神经网络的图像语义分割方法
CN110210485A (zh) * 2019-05-13 2019-09-06 常熟理工学院 基于注意力机制指导特征融合的图像语义分割方法
CN110781776A (zh) * 2019-10-10 2020-02-11 湖北工业大学 一种基于预测和残差细化网络的道路提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOHAN DING ET AL.: ""ACNet Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks"", 《ARXIV》 *
张蓉: ""基于卷积神经网络的图像语义分割研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418394A (zh) * 2020-11-04 2021-02-26 武汉大学 一种电磁波频率预测方法及装置
CN112418394B (zh) * 2020-11-04 2022-05-13 武汉大学 一种电磁波频率预测方法及装置
CN112381832A (zh) * 2020-12-04 2021-02-19 江苏科技大学 一种基于优化卷积神经网络的图像语义分割方法
CN112634289A (zh) * 2020-12-28 2021-04-09 华中科技大学 一种基于非对称空洞卷积的快速可行域分割方法
CN112634289B (zh) * 2020-12-28 2022-05-27 华中科技大学 一种基于非对称空洞卷积的快速可行域分割方法
CN112634291A (zh) * 2020-12-31 2021-04-09 杭州电子科技大学 一种基于神经网络的烧伤创面区域自动分割方法
CN112634291B (zh) * 2020-12-31 2024-10-15 杭州电子科技大学 一种基于神经网络的烧伤创面区域自动分割方法
CN113538359A (zh) * 2021-07-12 2021-10-22 北京曙光易通技术有限公司 一种用于指静脉图像分割的系统以及方法
CN113538359B (zh) * 2021-07-12 2024-03-01 北京曙光易通技术有限公司 一种用于指静脉图像分割的系统以及方法
CN113822331A (zh) * 2021-08-11 2021-12-21 北京邮电大学 加密流量的分类方法与装置以及电子设备

Also Published As

Publication number Publication date
CN111767922B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN111767922A (zh) 一种基于卷积神经网络的图像语义分割方法及网络
CN110738697B (zh) 基于深度学习的单目深度估计方法
CN114119638B (zh) 一种融合多尺度特征和注意力机制的医学图像分割方法
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
WO2022257408A1 (zh) 一种基于u型网络的医学图像分割方法
CN108960261B (zh) 一种基于注意力机制的显著物体检测方法
CN110415199B (zh) 基于残差学习的多光谱遥感图像融合方法及装置
CN111563902A (zh) 一种基于三维卷积神经网络的肺叶分割方法及系统
CN110633604B (zh) 信息处理方法和信息处理装置
CN113378933A (zh) 甲状腺超声图像分类和分割网络、训练方法、装置及介质
CN114048822A (zh) 一种图像的注意力机制特征融合分割方法
CN113222124A (zh) 用于图像语义分割的SAUNet++网络与图像语义分割方法
CN114120272A (zh) 一种融合边缘检测的多监督智能车道线语义分割方法
CN116884005B (zh) 一种结合卷积网络与图特征的快速语义分割方法与系统
CN115841464A (zh) 基于自监督学习的多模态脑肿瘤影像分割方法
CN117173412A (zh) 一种基于CNN和Transformer融合网络的医学图像分割方法
CN115035171A (zh) 基于自注意力导向特征融合的自监督单目深度估计方法
CN114742750A (zh) 异常细胞检测方法、装置、终端设备及可读存储介质
CN116051382A (zh) 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法
CN110633706B (zh) 一种基于金字塔网络的语义分割方法
CN114862679A (zh) 基于残差生成对抗网络的单图超分辨率重建方法
CN117831121A (zh) 一种基于深度学习的多人人体姿态估计方法
CN117253034A (zh) 一种基于差异化上下文的图像语义分割方法及系统
CN115995002A (zh) 一种网络构建方法及城市场景实时语义分割方法
CN116229228A (zh) 基于中心环绕机制的小目标检测方法

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