CN112037225A - 一种基于卷积神经的海洋船舶图像分割方法 - Google Patents
一种基于卷积神经的海洋船舶图像分割方法 Download PDFInfo
- Publication number
- CN112037225A CN112037225A CN202010840846.1A CN202010840846A CN112037225A CN 112037225 A CN112037225 A CN 112037225A CN 202010840846 A CN202010840846 A CN 202010840846A CN 112037225 A CN112037225 A CN 112037225A
- Authority
- CN
- China
- Prior art keywords
- layer
- coding
- decoding
- convolutional
- segmentation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003709 image segmentation Methods 0.000 title claims abstract description 15
- 210000005036 nerve Anatomy 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 230000006835 compression Effects 0.000 claims abstract description 29
- 238000007906 compression Methods 0.000 claims abstract description 29
- 230000005284 excitation Effects 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 24
- 238000013135 deep learning Methods 0.000 abstract description 6
- 239000011800 void material Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经的海洋船舶图像分割方法,属于深度学习图像分割技术领域;所述方法将空洞卷积、压缩激励网络和U‑net进行结合构建编码‑解码网络,将海洋船舶图像预处理后输入所述编码‑解码网络进行分割处理;分割处理过程中由于解码层结合上采样的各层信息和上采样的输入信息来还原细节信息,并且逐步还原图像精度,大大减少了图片在训练过程中细节信息的损失,而且压缩激励网络将注意力集中在显著特征上,抑制了输入图像的不相关区域,使通道间具有更多的非线性,可以更好地拟合通道间的复杂的相关性极大的减少了参数量和计算量,提高了分割效率和分割准确率,更利于对海洋上船舶进行定位。
Description
技术领域
本发明涉及一种基于卷积神经的海洋船舶图像分割方法,属于深度学习图像分割技术领域。
背景技术
船舶在海洋上是重要的目标,准确检测船舶在海洋上的位置在民用和军事应用中都有着重要的意义。在对海洋上船舶进行定位的方法中,基于雷达和红外技术的定位技术往往比较复杂、价格昂贵,人力和物力消耗大,且易受天气影响。
近些年,深度学习得到了较快的发展,以卷积神经网络为代表的深度学习方法在图像分类、图像分割以及目标检测等领域都取得到了较好的研究成果。与传统的机器学习相比,卷积神经可以学习到更加丰富的语义信息和高层次的图像信息,能够更准确描述不同目标之间的差异。另外,卷积神经是端到端的网络,只需关注网络的输入和输出,不需要感知中间层的结果,可以大大减少复杂的特征表征等人工操作。因此,研究人员将基于深度学习进行图像分割的方法应用到了对海洋上船舶进行定位的技术中来。
目前应用到海洋船舶图像分割中的深度学习方法多数集中在分水岭算法、轮廓波算法、灰度统计、阈值分割和边缘检测等。其中,阈值分割是计算图像的灰度级别,将计算出的灰度级别与设定的阈值进行比较,但是阈值的设定没有统一标准,所以会出现图像边缘信息严重丢失的问题。边缘检测采用边缘算子提取图像边界像素以实现分割,基于阈值分割存在的问题,当海上场景或者天气很复杂时,干扰因素过多,也容易出现分割错误。
因此,上述方法在进行海洋船舶图像分割时,除了容易出现分割误差、图像边缘信息丢失严重和出现过分割或欠分割的结果之外,还需要大量的训练图像和参数,并且这些方法都只适用于简单、平静的海面,应用场景单一。如果海上场景或者天气很复杂(如光照强度不一致,陆地、海面颜色不一致等)很容易受到影响。此外海洋上的船舶数据集大多数是俯拍,船舶的面积很小,背景和目标高度不平衡,都会给船舶的定位造成一定困难。
2015年,Ronneberger等人提出了U-net的编码解码结构的深度卷积网络,使其能够使用很少的训练图像和较少的参数就能得到比上述方法更加精确的分割结果。但是由于解码过程中会损失一部分图像特征,因此其分割结果的精度还有待于提高,尤其应用于海洋船舶定位中。
发明内容
为了解决海洋船舶定位技术中目标和背景的类别不平衡导致的图像分割不准确的问题,本发明提供了一种基于卷积神经的海洋船舶图像分割方法,所述方法将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络,将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理;所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层,其中编码层和解码层之间添加跳跃连接;
分割处理过程中将海洋船舶图像输入至编码-解码网络的编码层,得到编码层对应的特征图,将编码层对应的特征图输入至压缩激励模块得到概率图,将概率图输入解码块得到解码块对应的特征图;最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图。
可选的,所述编码-解码网络中,编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元;各单元之间设有池化层。
可选的,若每个编码块包含三个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元,各单元中的空洞卷积层的空洞率分别为1、2和4。
可选的,若每个编码块包含四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元,各单元中的空洞卷积层的空洞率分别为1、2、4和8。
可选的,所述编码-解码网络中,压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层;全局池化层用于将压缩操作变成1×1结构,两个全连接层中一个用于降维,降维后经过修正线性单元激活后再通过另一个全连接层进行升维;压缩激励模块在编码块对应的特征图的RGB通道中添加三个通道之间的关联信息得到概率图。
可选的,用于降维的全连接层在进行降维时,将编码块对应的特征图的特征维度降至输入的1/16;用于升维的全连接层再将其升至原来的维度。
可选的,所述编码-解码网络中,解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元;各单元之间设有上采样模块。
可选的,所述上采样模块包含上采样层、卷积层、归一化层和修正线性单元层;采样层的采样因子为2,采样层卷积核大小为2×2,卷积层的核大小为3×3。
可选的,所述解码层中由卷积层+归一化层+修正线性单元层构成的单元的个数与编码层中由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元的个数相同。
本申请的第二个目的在于提供一种用于海洋船舶图像分割的编码-解码网络,所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层,其中编码层和解码层之间添加跳跃连接;
所述编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元;各单元之间设有池化层;
所述压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层;
所述解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元;各单元之间设有上采样模块。
本发明有益效果是:
通过将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络,将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理;分割处理过程中由于解码层结合上采样的各层信息和上采样的输入信息来还原细节信息,并且逐步还原图像精度,大大减少了图片在训练过程中细节信息的损失,而且压缩激励网络将注意力集中在显著特征上,抑制了输入图像的不相关区域,使通道间具有更多的非线性,可以更好地拟合通道间的复杂的相关性极大的减少了参数量和计算量,提高了分割效率和分割准确率,更利于对海洋上船舶进行定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中卷积神经网络的结构图。
图2是本发明一个实施例中卷积神经网络的内部模块结构图。
图3是本发明一个实施例中仿真实验结果图。
图4是本发明与传统算法的分割结果比较图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种用于海洋船舶图像分割的编码-解码网络,所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层,其中编码层和解码层之间添加跳跃连接;
所述编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元;各单元之间设有池化层;
所述压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层;
所述解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元;各单元之间设有上采样模块。
在对海洋船舶图像进行分割时,将海洋船舶图像输入至编码-解码网络的编码层,得到编码层对应的特征图,将编码层对应的特征图输入至压缩激励模块得到概率图,将概率图输入解码块得到解码块对应的特征图;最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图。
实施例二:
本实施例提供一种基于卷积神经的海洋船舶图像分割方法,所述方法包括:
(1)图像预处理
对训练图像进行预处理:由于训练图像为RGB形式,需要对训练图像进行阈值化处理至0-1之间。
由于海上船只目标比较小,还需要提取感兴趣的区域(region of interest,ROI),因此需要对训练图像进行部分裁剪以得到ROI区域,得到训练图像集。
另外考虑针对海洋船舶进行拍摄时,还会包括一些只有海洋没有船只的图像,因此在预处理前,首先还需要去除一些只有海洋没有船只的图像。考虑到数据集样本偏少,为了使模型具有泛化能力,还需要对数据集进行增强,随机90旋转,水平翻转,随机亮度,以增强训练样本的个数,防止出现过拟合的情况。
(2)将训练数据集中的训练图像分为训练样本和验证样本,采用4折交叉验证的方式获取训练样本的图像特征信息。
(3)构建编码-解码网络,将第(2)步中得到的训练样本和验证样本依批次输入编码-解码网络中,使用Adam的梯度下降法进行网络优化,对学习率进行自动调参,得到训练完成的分类器网络。
具体的,编码-解码网络的构成如下:
(3.1)如图1所示,在编码层中,有四个编码块,通道数分别为32、64、128和256。如图2所示,每个编码块包含三个由卷积层(conv2d)+归一化层(BatchNorm2d)+修正线性单元(relu)+空洞卷积层构成的单元;空洞卷积层的空洞率(dilation rate)分别为1、2和4。
(每个编码块也可以包含四个由卷积层(conv2d)+归一化层(BatchNorm2d)+修正线性单元(relu)+空洞卷积层构成的单元,四个单元中空洞卷积层的空洞率分别为1、2、4和8)
编码块的卷积层采用的是3×3的卷积核,卷积核的填充率为1。每个编码块之间需要进行池化(maxpooling),池化层采用2×2的卷积,步长为2。
(3.2)如图1所示,在解码层中,对应包含四个解码块,通道数分别为32、64、128和256。如图2所示,每个解码块包含三个卷积层(conv2d)+归一化层(BatchNorm2d)+修正线性单元(relu)。
解码块采用的是3×3的卷积核,填充为1。每个解码块需要通过上采样模块,对图片进行上采样,上采样模块包含上采样层(upsample)、卷积层(conv2d)、归一化层(BatchNorm2d)、修正线性单元(relu),采样因子为2,上采样层卷积核大小为2×2,卷积层的核大小为3×3。
(3.3)如图1和图2所示,编码-解码网络除了编码块和解码块之外,还包括压缩激励模块SENET,SENET模块包含全局平均池化层(global average pooling)、2个全连接层FCN和一个sigmoid层。全局平均池化层将压缩操作变成1×1结构,一个FCN用于降维,然后经过修正线性单元激活后再通过一个FCN层升维,两个FCN层能连接通道间的相关性。
使用训练样本训练该编码-解码网络时,首先将训练样本输入编码层,训练样本输入至编码块中得到对应的特征图,将该编码块对应的特征图输入压缩激励模块,压缩激励模块在该编码块对应的特征图的RGB通道中添加三个通道之间的关联信息,以减少通道之间的依赖。
具体的,编码块对应的特征图输入压缩激励模块后,使用全局平均池化层将压缩操作变成1×1结构,接着通过一个FCN将编码块对应的特征图的特征维度降至输入的1/16,然后经过修正线性单元激活后再通过一个FCN层将其升回到原先的维度,两个FCN层能连接通道间的相关性,编码块对应的特征图输入压缩激励模块后得到概率图,将概率图输入解码块得到解码块对应的特征图。
(3.4)将编码块对应的特征图与概率图同时与解码块对应的特征图进行拼接,得到通道数为256的结果。
执行相同的步骤直到解码块4-3-2-1拼接后终止,解码块4-3-2-1的通道数依次为256、128、64和32。将最终得到的结果通过1×1的卷积核,得到与标签样本一样大小的分割概率图。
(3.5)使用softmax函数将(3.4)得到的分割概率图归一化到0到1之间。
(3.6)因为目标与背景高度不平衡,所以本申请中使用Dice损失函数,获取损失值Dice Loss。
Dice loss公式如下:
其中,P表示(3.4)得到的分割概率图,T表示预先存储的训练样本对应的真实的图像。
(3.7)得到(3.6)的损失值,根据Adam算法进行反向传播,更新编码-解码网络中的损失值。
(3.8)由于数据集较少,在数据增强的同时采用4折交叉验证的方法,每次取一份验证集,其余为训练集。将验证集以同样的方式输入网络,使用Dice损失函数得到结果,但是不进行反向传播来更新网络权重参数。同时保存验证损失最少的模型,用于测试。
训练编码-解码网络的硬件环境为NVIDIA GTX1080Ti,Intel Core i7处理器,软件环境为pytorch 3.0。
(4)将测试样本图片进行预处理,得到处理后的测试样本图片,将测试图片输入到训练好的网络中进行测试,得到预测图片。
为验证本申请所提出的海洋船舶分割方法的效果,将本申请方法的分割结果与传统方法进行了比较,如图4所示,图4中最左侧为原始图像,中间为采用本申请方法的分割结果,最右侧为采用传统方法的分割结果。
从图4可以看出,采用本申请方法得到的分割结果与原始图像中船的轮廓贴合度较高,而采用传统方法得到的分割结果不能完全区分船和所溅起的水花,将船头部分一侧的水花也作为船的一部分了。
传统方法可参考范九伦,赵凤.灰度图像的二维Otsu曲线阈值分割法[J].电子学报,2007,35(004):751-755。
同时将数据样本放入上述传统算法中进行训练,分析每张图片平均耗时96秒左右,而将其放入到本文提出的方法中训练时,每张图片平均耗时52秒左右,分割效率得到明显的提升。
采用上述技术方案带来的有益效果:
将空洞卷积、压缩与激励网络和U-net结合,首先编码层来进行特征提取,添加了空洞卷积,增加了卷积层的感受野,获取了更多图像的上下文信息。在解码层结合上采样的各层信息和上采样的输入信息来还原细节信息,并且逐步还原图像精度,大大减少了图片在训练过程中细节信息的损失。
添加了SENET模块,编码-解码网络将注意力集中在显著特征上,抑制了输入图像的不相关区域,使通道间具有更多的非线性,可以更好地拟合通道间的复杂的相关性极大的减少了参数量和计算量。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经的海洋船舶图像分割方法,其特征在于,所述方法将空洞卷积、压缩激励网络和U-net进行结合构建编码-解码网络,将海洋船舶图像预处理后输入所述编码-解码网络进行分割处理;所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层,其中编码层和解码层之间添加跳跃连接;
分割处理过程中将海洋船舶图像输入至编码-解码网络的编码层,得到编码层对应的特征图,将编码层对应的特征图输入至压缩激励模块得到概率图,将概率图输入解码块得到解码块对应的特征图;最后将编码层对应的特征图与概率图同时与解码块对应的特征图进行拼接得到分割结果图。
2.根据权利要求1所述的方法,其特征在于,所述编码-解码网络中,编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元;各单元之间设有池化层。
3.根据权利要求2所述的方法,其特征在于,若每个编码块包含三个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元,各单元中的空洞卷积层的空洞率分别为1、2和4。
4.根据权利要求2所述的方法,其特征在于,若每个编码块包含四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元,各单元中的空洞卷积层的空洞率分别为1、2、4和8。
5.根据权利要求1所述的方法,其特征在于,所述编码-解码网络中,压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层;全局池化层用于将压缩操作变成1×1结构,两个全连接层中一个用于降维,降维后经过修正线性单元激活后再通过另一个全连接层进行升维;压缩激励模块在编码块对应的特征图的RGB通道中添加三个通道之间的关联信息得到概率图。
6.根据权利要求5所述的方法,其特征在于,用于降维的全连接层在进行降维时,将编码块对应的特征图的特征维度降至输入的1/16;用于升维的全连接层再将其升至原来的维度。
7.根据权利要求1所述的方法,其特征在于,所述编码-解码网络中,解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元;各单元之间设有上采样模块。
8.根据权利要求7所述的方法,其特征在于,所述上采样模块包含上采样层、卷积层、归一化层和修正线性单元层;采样层的采样因子为2,采样层卷积核大小为2×2,卷积层的核大小为3×3。
9.根据权利要求7所述的方法,其特征在于,所述解码层中由卷积层+归一化层+修正线性单元层构成的单元的个数与编码层中由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元的个数相同。
10.一种用于海洋船舶图像分割的编码-解码网络,其特征在于,所述编码-解码网络包括依次连接的编码层、压缩激励模块和解码层,其中编码层和解码层之间添加跳跃连接;
所述编码层中的每个编码块包含三个或四个由卷积层+归一化层+修正线性单元层+空洞卷积层构成的单元;各单元之间设有池化层;
所述压缩激励模块包含有一个全局池化层、两个全连接层和一个sigmoid层;
所述解码层中的每个解码块包含三个或四个由卷积层+归一化层+修正线性单元层构成的单元;各单元之间设有上采样模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840846.1A CN112037225A (zh) | 2020-08-20 | 2020-08-20 | 一种基于卷积神经的海洋船舶图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840846.1A CN112037225A (zh) | 2020-08-20 | 2020-08-20 | 一种基于卷积神经的海洋船舶图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112037225A true CN112037225A (zh) | 2020-12-04 |
Family
ID=73578307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010840846.1A Pending CN112037225A (zh) | 2020-08-20 | 2020-08-20 | 一种基于卷积神经的海洋船舶图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037225A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800932A (zh) * | 2021-01-25 | 2021-05-14 | 上海海事大学 | 海上背景下显著船舶目标的检测方法及电子设备 |
CN113486956A (zh) * | 2021-07-07 | 2021-10-08 | 山东力聚机器人科技股份有限公司 | 目标分割系统及其训练方法、目标分割方法及设备 |
WO2023050433A1 (zh) * | 2021-09-30 | 2023-04-06 | 浙江大学 | 视频编解码方法、编码器、解码器及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
-
2020
- 2020-08-20 CN CN202010840846.1A patent/CN112037225A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190122073A1 (en) * | 2017-10-23 | 2019-04-25 | The Charles Stark Draper Laboratory, Inc. | System and method for quantifying uncertainty in reasoning about 2d and 3d spatial features with a computer machine learning architecture |
CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800932A (zh) * | 2021-01-25 | 2021-05-14 | 上海海事大学 | 海上背景下显著船舶目标的检测方法及电子设备 |
CN112800932B (zh) * | 2021-01-25 | 2023-10-03 | 上海海事大学 | 海上背景下显著船舶目标的检测方法及电子设备 |
CN113486956A (zh) * | 2021-07-07 | 2021-10-08 | 山东力聚机器人科技股份有限公司 | 目标分割系统及其训练方法、目标分割方法及设备 |
WO2023050433A1 (zh) * | 2021-09-30 | 2023-04-06 | 浙江大学 | 视频编解码方法、编码器、解码器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428432B (zh) | 结肠腺体图像自动分割的深度神经网络算法 | |
CN112037225A (zh) | 一种基于卷积神经的海洋船舶图像分割方法 | |
CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及系统 | |
CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN113642390B (zh) | 一种基于局部注意力网络的街景图像语义分割方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN112767418B (zh) | 基于深度感知的镜子图像分割方法 | |
CN112489054A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN112597815A (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
CN116665176B (zh) | 一种面向车辆自动驾驶的多任务网络道路目标检测方法 | |
CN113160246A (zh) | 一种基于深度监督的图像语义分割方法 | |
CN113052180A (zh) | 融合语义流场的编解码网络港口影像分割方法 | |
CN114663439A (zh) | 一种遥感影像海陆分割方法 | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN115565056A (zh) | 基于条件生成对抗网络的水下图像增强方法及系统 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN114742799A (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN114897782B (zh) | 基于生成式对抗网络的胃癌病理切片图像分割预测方法 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN112418229A (zh) | 一种基于深度学习的无人船海上场景图像实时分割方法 |
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 |