CN112581486A - 一种基于双向级联网络的边缘检测方法、装置及设备 - Google Patents
一种基于双向级联网络的边缘检测方法、装置及设备 Download PDFInfo
- Publication number
- CN112581486A CN112581486A CN202011363964.4A CN202011363964A CN112581486A CN 112581486 A CN112581486 A CN 112581486A CN 202011363964 A CN202011363964 A CN 202011363964A CN 112581486 A CN112581486 A CN 112581486A
- Authority
- CN
- China
- Prior art keywords
- edge
- network
- bidirectional
- image
- generate
- 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
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003708 edge detection Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双向级联网络的边缘检测方法、装置及设备，该方法包括：构建双向级联网络；获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；将特征图进行采样生成边缘图像；将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。本发明实施例的边缘检测方法通过双向级联网络实现，可实现较简单的网络结构，减少算法复杂度，提升边缘提取准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于双向级联网络的边缘检测方法、装置及设备。
背景技术
随着人工智能行业的兴起，基于深度学习的视频目标跟踪技术越来越受大家的关注。视频目标跟踪方法大多是通过边界检测来进行目标的跟踪。边界检测的目标在于提取对象的边界，保留图像的边界信息，忽略不重要的东西，
现在技术中的边缘提取根据提取的轮廓有关，例如一个人的边缘中手部的轮廓和头部的轮廓尺度就不一样，手部弯曲的曲度很小，这样的边缘很难学习；但头部或者身体，就很宽很大，很好学习。因此多尺度问题就是边缘提取的重点。现有技术中使用超深层神经网络结构实现边缘提取，但是超深层神经网络结构进行边缘提取造成了大规模参数训练困难、耗时多、成本高的问题，还有一种方法采用图像金字塔与多级特征融合的方法，带来了冗余计算的问题。除网络结构问题外，还有训练策略的问题，在一定程度上都影响了最终的准确率。
因此现有技术中的边缘提取方法网络结构复杂，存在大量冗余计算，边缘提取准确率低。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种基于双向级联网络的边缘检测方法、装置及设备，旨在解决现有技术中边缘提取方法网络结构复杂，存在大量冗余计算，边缘提取准确率低的技术问题。
本发明的技术方案如下：
一种基于双向级联网络的边缘检测方法，所述方法包括：
构建双向级联网络；
获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
将特征图进行采样生成边缘图像；
将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
进一步地，所述构建双向级联网络，包括：
构建初始卷积神经网络；
将初始卷积网络进行级联生成双向级联网络；
对双向级联网络进行训练时，采用双向损失函数对双向级联网络进行监督，生成目标双向级联网络。
进一步优选地，所述将待识别的图像输入双向级联网络进行特征提取，生成特征图，包括：
将待识别的图像输入双向级联网络；
获取双向级联网络中的各个隐含层；
控制每个隐含层分别提取不同层次的边缘对应的特征，生成特征图。
进一步优选地，所述双向级联网络的隐含层包括浅层的隐含层和深层的隐含层；
所述控制每个隐含层分别提取不同尺度的边缘对应的特征，生成特征图，包括：
控制浅层的隐含层获取第一尺度的边缘对应的特征，生成第一特征图；
控制深层的隐含层获取第二尺度的边缘对应的特征，生成第二特征图。
优选地，所述将特征图进行采样生成边缘图像，包括：
将第一特征图进行采样生成第一边缘图像；
将第二特征图进行采样生成第二边缘图像。
进一步地，所述将待检测目标的所有边缘图像进行融合生成目标边缘信息图像，包括：
将第一边缘图像和第二边缘图像进行尺度融合，生成目标边缘信息图像。
进一步地，所述构建初始卷积神经网络，包括:
构建初始VGG网络。
本发明的另一实施例提供了一种基于双向级联网络的边缘检测设置，装置包括：
网络构建模块，用于构建双向级联网络；
特征提取模块，用于获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
采样模块，用于将特征图进行采样生成边缘图像；
特征融合模块，用于将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
本发明的另一实施例提供了一种基于双向级联网络的边缘检测设备，所述设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于双向级联网络的边缘检测方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于双向级联网络的边缘检测方法。
有益效果：本发明实施例的边缘检测方法通过双向级联网络实现，可实现较简单的网络结构，减少算法复杂度，提升边缘提取准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明一种基于双向级联网络的边缘检测方法较佳实施例的流程图；
图2为本发明一种基于双向级联网络的边缘检测装置的较佳实施例的功能模块示意图；
图3为本发明一种基于双向级联网络的边缘检测设备的较佳实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
本发明实施例提供了一种基于双向级联网络的边缘检测方法。请参阅图1，图1为本发明一种基于双向级联网络的边缘检测方法较佳实施例的流程图。如图1所示，其包括步骤：
步骤S100、构建双向级联网络；
步骤S200、获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
步骤S300、将特征图进行采样生成边缘图像；
步骤S400、将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
具体实施时，本发明实施例主要针对于网络直播课中的人的图像的边缘检测。通过构建双向级联网络；获取待识别的视频，对视频进行帧图像提取，生成待识别的图像。将待识别的图像输入双向级联网络进行特征提取，生成边缘图像对应的特征图；将特征图进行采样生成边缘图像；将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
一般的多尺度特征，要么利用图像金字塔，最后做融合多个特征，这样的方式带来了重复的运算；要么利用非常深的网络提取不同stage阶段的特征，这样带来了大量参数和推理时间。本发明实施例的双向级联网络设计了轻量型的网络结构做边缘检测，取得了很好的效果。
进一步地，构建双向级联网络，包括：
构建初始卷积神经网络；
将初始卷积网络进行级联生成双向级联网络；
对双向级联网络进行训练时，采用双向损失函数对双向级联网络进行监督，生成目标双向级联网络。
具体实施时，本发明实施例的双向级联网络采用类似ASPP的模块，使用很新颖的双向loss监督方式，让每个中间层学习自身合适的尺度。其中ASPP(atrous spatialpyramid pooling,空洞空间卷积池化金字塔)对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。
进一步地，构建初始卷积神经网络，包括:
构建初始VGG网络。
具体实施时，初始卷积神经网络采用VGG网络。VGG是Oxford的Visual GeometryGroup的组提出的(大家应该能看出VGG名字的由来了)。该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。VGG有两种结构，分别是VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。
进一步地，将待识别的图像输入双向级联网络进行特征提取，生成特征图，包括：
将待识别的图像输入双向级联网络；
获取双向级联网络中的各个隐含层；
控制每个隐含层分别提取不同层次的边缘对应的特征，生成特征图。
具体实施时，设Y是边缘的标签，标签中很小部分的边缘，也有大部位的边缘，意思是标签中存在很大的尺度变化，那么我们将Y分解为不同尺度的叠加，如下公式1所示
Y＝∑Ys (公式1)
Ys是某一个特征的尺度的标签。
具体的，人为的去分解标签为s个尺度是不现实的，本文希望能用网络自动学习特定层的特定尺度。规定一些符号：
Ns是第S个卷积层的输出特征图，Ds是专门用Ns提取边缘的。那么第s层的监督方式Ls如公式2所示：
Ls＝∑|Ps-Ys| (公式2)
其中Ps＝Ds(Ns)；
进一步地，双向级联网络的隐含层包括浅层的隐含层和深层的隐含层；
所述控制每个隐含层分别提取不同尺度的边缘对应的特征，生成特征图，包括：
控制浅层的隐含层获取第一尺度的边缘对应的特征，生成第一特征图；
控制深层的隐含层获取第二尺度的边缘对应的特征，生成第二特征图。
具体实施时，网络的部分结构，前三层是VGG的前三个阶段，SEM模块和1x1卷积的结合。每个ID block对应了一个VGG的stage和若干SEM，同时有多少SEM就有多少1x1的con卷积。SemGCN，一种新的神经网络结构，用来处理图结构数据的回归任务。其原理则是：SemGCN学会捕获语义信息，如局部和全局节点关系，这些信息不是明确表示在图中，这些语义关系可以通过GT值进行端到端训练来学习，不需要额外的监督或自定规则，最后进行全面的研究来验证SemGCN，结果表明SemGCN在使用90％的参数的情况下具有更好的性能。
先看block1，其中一个输出的预测图分辨率和原图一致，故无需上采样。它这个会送到之后的所有阶段，和其他stage经过上采样的输出相加去计算当前scale尺度的loss。注意高stage是不沿着更低的尺度送的。那么对于VGG作为backbone主干网络来说，loss损失函数将会有10个，同时网络最后结合所有的Ps，concat一起在用1x1的conv融合，得到的结果也去计算loss、一共有11个loss。值得一提的是，对一个中间层的监督是混杂了其他层的信息的，当然希望对某一层的监督不要去影响其他层，所以源码用了detach来断开梯度向其他层传播。
进一步地，将特征图进行采样生成边缘图像，包括：
将第一特征图进行采样生成第一边缘图像；
将第二特征图进行采样生成第二边缘图像。
具体实施时，本发明实施例中认定每个层对应一个特征的尺度，比如说，浅层因为感受野的关系，只能聚焦在局部图案而高层就能注意到目标级别的信息，本文希望每个层能学习自身能捕捉到的尺度，即浅层对手指的边缘提取较好，深层对目标级的边缘提取较好，第一特征图对应手指类的边缘图像，第二特征图为目标级的边缘特征。
进一步地，将待检测目标的所有边缘图像进行融合生成目标边缘信息图像，包括：
将第一边缘图像和第二边缘图像进行尺度融合，生成目标边缘信息图像。
具体实施时，增强每个层输出的特征，使用类似ASPP结构的SEM模块产生多尺度特征。最后的输出是很多个多尺度特征的融合。
由以上方法实施例可知，本发明提供了一种基于双向级联网络的边缘检测方法，该方法中的双向级联网络中的每个层的输出都被一个特定尺度的边缘标签监督，这个特定尺度是网络自身学习到的。为了增强每个层输出的特征，使用类似ASPP结构的SEM模块产生多尺度特征。最后的输出是多个多尺度特征的融合。
需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
本发明另一实施例提供一种基于双向级联网络的边缘检测装置，如图2所示，装置1包括：
网络构建模块11，用于构建双向级联网络；
特征提取模块12，用于获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
采样模块13，用于将特征图进行采样生成边缘图像；
特征融合模块14，用于将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
具体实施方式见方法实施例，此处不再赘述。
本发明另一实施例提供一种基于双向级联网络的边缘检测设备，如图3所示，设备10包括：
一个或多个处理器110以及存储器120，图3中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器110用于完成，设备10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于双向级联网络的边缘检测方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行设备10的各种功能应用以及数据处理，即实现上述方法实施例中的基于双向级联网络的边缘检测方法。
存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储根据设备10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的基于双向级联网络的边缘检测方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
本发明的另一种实施例提供了一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被处理器执行时，使处理器执行上述方法实施例的基于双向级联网络的边缘检测方法。例如，执行以上描述的图1中的方法步骤S100至步骤S400。
以上所描述的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存在于计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分的方法。
除了其他之外，诸如"能够'、"能"、"可能"或"可以"之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解，否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此，这样的条件语言一般地还旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
已经在本文中在本说明书和附图中描述的内容包括能够提供基于双向级联网络的边缘检测方法及装置的示例。当然，不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合，但是可以认识到，所公开的特征的许多另外的组合和置换是可能的。因此，显而易见的是，在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改。此外，或在替代方案中，本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是，本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语，但是它们在通用和描述性意义上被使用并且不用于限制的目的。
Claims (10)
1.一种基于双向级联网络的边缘检测方法,其特征在于,所述方法包括：
构建双向级联网络；
获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
将特征图进行采样生成边缘图像；
将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
2.根据权利要求1所述的基于双向级联网络的边缘检测方法，其特征在于，所述构建双向级联网络，包括：
构建初始卷积神经网络；
将初始卷积网络进行级联生成双向级联网络；
对双向级联网络进行训练时，采用双向损失函数对双向级联网络进行监督，生成目标双向级联网络。
3.根据权利要求2所述的基于双向级联网络的边缘检测方法，其特征在于，所述将待识别的图像输入双向级联网络进行特征提取，生成特征图，包括：
将待识别的图像输入双向级联网络；
获取双向级联网络中的各个隐含层；
控制每个隐含层分别提取不同层次的边缘对应的特征，生成特征图。
4.根据权利要求3所述的基于双向级联网络的边缘检测方法，其特征在于，所述双向级联网络的隐含层包括浅层的隐含层和深层的隐含层；
所述控制每个隐含层分别提取不同尺度的边缘对应的特征，生成特征图，包括：
控制浅层的隐含层获取第一尺度的边缘对应的特征，生成第一特征图；
控制深层的隐含层获取第二尺度的边缘对应的特征，生成第二特征图。
5.根据权利要求4所述的基于双向级联网络的边缘检测方法，其特征在于，所述将特征图进行采样生成边缘图像，包括：
将第一特征图进行采样生成第一边缘图像；
将第二特征图进行采样生成第二边缘图像。
6.根据权利要求5所述的基于双向级联网络的边缘检测方法，其特征在于，所述将待检测目标的所有边缘图像进行融合生成目标边缘信息图像，包括：
将第一边缘图像和第二边缘图像进行尺度融合，生成目标边缘信息图像。
7.根据权利要求6所述的基于双向级联网络的边缘检测方法，其特征在于，所述构建初始卷积神经网络，包括:
构建初始VGG网络。
8.一种基于双向级联网络的边缘检测装置，其特征在于，所述装置包括：
网络构建模块，用于构建双向级联网络；
特征提取模块，用于获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
采样模块，用于将特征图进行采样生成边缘图像；
特征融合模块，用于将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。
9.一种基于双向级联网络的边缘检测设备，其特征在于，所述设备包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的基于双向级联网络的边缘检测方法。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-7任一项所述的基于双向级联网络的边缘检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011363964.4A CN112581486A (zh) | 2020-11-27 | 2020-11-27 | 一种基于双向级联网络的边缘检测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011363964.4A CN112581486A (zh) | 2020-11-27 | 2020-11-27 | 一种基于双向级联网络的边缘检测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112581486A true CN112581486A (zh) | 2021-03-30 |
Family
ID=75124282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011363964.4A Pending CN112581486A (zh) | 2020-11-27 | 2020-11-27 | 一种基于双向级联网络的边缘检测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581486A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841625A (zh) * | 2023-02-23 | 2023-03-24 | 杭州电子科技大学 | 一种基于改进U-Net模型的遥感建筑物影像提取方法 |
| CN116645524A (zh) * | 2023-07-26 | 2023-08-25 | 深圳新视智科技术有限公司 | 边缘检测方法及图像分割方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284782A (zh) * | 2018-09-13 | 2019-01-29 | 北京地平线机器人技术研发有限公司 | 用于检测特征的方法和装置 |
| CN109325954A (zh) * | 2018-09-18 | 2019-02-12 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
| CN110111366A (zh) * | 2019-05-06 | 2019-08-09 | 北京理工大学 | 一种基于多级损失量的端到端光流估计方法 |
| US20200005074A1 (en) * | 2017-03-27 | 2020-01-02 | Intel Corporation | Semantic image segmentation using gated dense pyramid blocks |
| CN110648316A (zh) * | 2019-09-07 | 2020-01-03 | 创新奇智(成都)科技有限公司 | 一种基于深度学习的钢卷端面边缘检测算法 |
| CN110706242A (zh) * | 2019-08-26 | 2020-01-17 | 浙江工业大学 | 一种基于深度残差网络的对象级边缘检测方法 |
| CN111161287A (zh) * | 2019-12-05 | 2020-05-15 | 山东科技大学 | 基于对称双向级联网络深度学习的视网膜血管分割方法 |
| CN111523548A (zh) * | 2020-04-24 | 2020-08-11 | 北京市商汤科技开发有限公司 | 一种图像语义分割、智能行驶控制方法及装置 |
-
2020
- 2020-11-27 CN CN202011363964.4A patent/CN112581486A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200005074A1 (en) * | 2017-03-27 | 2020-01-02 | Intel Corporation | Semantic image segmentation using gated dense pyramid blocks |
| CN109284782A (zh) * | 2018-09-13 | 2019-01-29 | 北京地平线机器人技术研发有限公司 | 用于检测特征的方法和装置 |
| CN109325954A (zh) * | 2018-09-18 | 2019-02-12 | 北京旷视科技有限公司 | 图像分割方法、装置及电子设备 |
| CN110111366A (zh) * | 2019-05-06 | 2019-08-09 | 北京理工大学 | 一种基于多级损失量的端到端光流估计方法 |
| CN110706242A (zh) * | 2019-08-26 | 2020-01-17 | 浙江工业大学 | 一种基于深度残差网络的对象级边缘检测方法 |
| CN110648316A (zh) * | 2019-09-07 | 2020-01-03 | 创新奇智(成都)科技有限公司 | 一种基于深度学习的钢卷端面边缘检测算法 |
| CN111161287A (zh) * | 2019-12-05 | 2020-05-15 | 山东科技大学 | 基于对称双向级联网络深度学习的视网膜血管分割方法 |
| CN111523548A (zh) * | 2020-04-24 | 2020-08-11 | 北京市商汤科技开发有限公司 | 一种图像语义分割、智能行驶控制方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841625A (zh) * | 2023-02-23 | 2023-03-24 | 杭州电子科技大学 | 一种基于改进U-Net模型的遥感建筑物影像提取方法 |
| CN116645524A (zh) * | 2023-07-26 | 2023-08-25 | 深圳新视智科技术有限公司 | 边缘检测方法及图像分割方法 |
| CN116645524B (zh) * | 2023-07-26 | 2023-12-22 | 深圳新视智科技术有限公司 | 边缘检测方法及图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sadeghian et al. | Sophie: An attentive gan for predicting paths compliant to social and physical constraints | |
| CN111782838B (zh) | 图像问答方法、装置、计算机设备和介质 | |
| Torralba et al. | Contextual models for object detection using boosted random fields | |
| US20190095730A1 (en) | End-To-End Lightweight Method And Apparatus For License Plate Recognition | |
| CN111898635A (zh) | 神经网络的训练方法、数据获取方法和装置 | |
| Li et al. | Skeleton-parted graph scattering networks for 3d human motion prediction | |
| CN106709461A (zh) | 基于视频的行为识别方法及装置 | |
| CN107945210B (zh) | 基于深度学习和环境自适应的目标跟踪方法 | |
| US20200242451A1 (en) | Method, system and apparatus for pattern recognition | |
| KR20170038622A (ko) | 영상으로부터 객체를 분할하는 방법 및 장치 | |
| KR20200129639A (ko) | 모델 학습 방법 및 장치 | |
| CN113795851A (zh) | 具有针对使用对抗训练的表示学习的推理的大规模生成神经网络模型 | |
| Wang et al. | Learning deep conditional neural network for image segmentation | |
| CN113344206A (zh) | 融合通道与关系特征学习的知识蒸馏方法、装置及设备 | |
| CN112734803B (zh) | 基于文字描述的单目标跟踪方法、装置、设备及存储介质 | |
| CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
| Liu et al. | Visual attention in deep learning: a review | |
| CN112581486A (zh) | 一种基于双向级联网络的边缘检测方法、装置及设备 | |
| US11386288B2 (en) | Movement state recognition model training device, movement state recognition device, methods and programs therefor | |
| CN112990427A (zh) | 域自适应的神经网络实现的装置和方法 | |
| CN113158791B (zh) | 一种以人为中心的图像描述标注方法、系统、终端及介质 | |
| CN113767392A (zh) | 情况识别方法及执行其的装置 | |
| CN115375781A (zh) | 一种数据处理方法及其装置 | |
| CN112801138A (zh) | 基于人体拓扑结构对齐的多人姿态估计方法 | |
| Chen et al. | AFOD: Adaptive focused discriminative segmentation tracker |
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 |