CN112613533B - 基于排序约束的图像分割质量评价网络系统、方法 - Google Patents
基于排序约束的图像分割质量评价网络系统、方法 Download PDFInfo
- Publication number
- CN112613533B CN112613533B CN202011382969.1A CN202011382969A CN112613533B CN 112613533 B CN112613533 B CN 112613533B CN 202011382969 A CN202011382969 A CN 202011382969A CN 112613533 B CN112613533 B CN 112613533B
- Authority
- CN
- China
- Prior art keywords
- quality
- segmentation
- quality evaluation
- image segmentation
- network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了图像分割技术领域的一种基于排序约束的图像分割质量评价网络系统、方法,实现了对分割谱质量的精准预测,尤其是对分割谱间质量关系的精准预测。网络系统包括:参数共享的质量评价子网络Q1和Q2,质量评价子网络Q1是孪生网络,包含两个参数共享的特征提取支流C1和C2、一个特征转换模块以及一个质量预测模块;特征转换模块将支流C1和C2提取的第一特征进行融合,转换成第二特征;质量预测模块将第二特征映射成质量预测值;质量评价子网络Q2与质量评价子网络Q1结构相同。
Description
技术领域
本发明属于图像分割技术领域,具体涉及一种基于排序约束的图像分割质量评价网络系统、方法。
背景技术
图像分割是是计算机视觉和图像处理领域的主要研究之一,旨在提取图像中的语义对象区域,为计算机提供简洁、有效的内容信息,是解决图像分析和内容理解等诸多高级视觉任务的关键步骤。研究者在图像分割方面进行了大量研究,针对不同领域提出了诸多方法,然而这些方法通常解决某种具体问题,只能针对部分图像进行精准分割,因此现有单一分割方法无法适用于所有图像实现精准分割。
现有图像分割质量评价方法在训练过程中通过计算分割结果与人工标注间的平均误差优化模型参数。这种方式只能降低预测的平均误差、提升预测的平均精度,但是无法准确反映两张分割结果间的质量关系。例如由两种算法在同一图片上生成的两张分割结果A和B,其真实质量得分分别为Sa和Sb,且有Sa>Sb,现有质量评价方法预测的质量得分f(A)=Sa-delta和f(B)=Sb+delta,两者间的排序关系是f(A)<f(B)。尽管预测结果f(A)和f(B)均接近于真实质量得分Sa和Sb,但是f(A)和f(B)间的关系显然与Sa和Sb间的排序关系相反,无法正确预测两种分割结果间的质量排序关系。
发明内容
为解决现有技术中的不足,本发明提供一种基于排序约束的图像分割质量评价网络系统、方法,实现了对分割谱的精准预测,尤其是对分割谱间质量关系的精准预测。
为达到上述目的,本发明所采用的技术方案是:一种基于排序约束的图像分割质量评价网络系统,包括:参数共享的质量评价子网络Q1和Q2;所述质量评价子网络Q1是孪生网络,包含两个参数共享的特征提取支流C1和C2、一个特征转换模块以及一个质量预测模块;所述特征转换模块将支流C1和C2提取的第一特征进行融合,转换成第二特征;所述质量预测模块将所述第二特征映射成质量预测值;所述质量评价子网络Q2与所述质量评价子网络Q1结构相同。
进一步地,所述支流C1的输入为分割前景图像If1,所述支流C2的输入为分割背景图像Ib1;其中,If1由图片I和分割谱S1进行元素级相乘获得:If1=I⊙S1;分割背景图像Ib1由图片I和分割谱的反转谱1-S1进行元素级相乘获得:Ib1=I⊙(1-S1)。
进一步地,所述支流C1包括一系列卷积层和池化层,用于从图像中提取前景和背景的初始特征。
进一步地,所述特征转换模块包括级联层和卷积层,所述级联层用于将两个第一特征进行融合,所述卷积层将融合后的特征进行映射和降维,得到第二特征;所述质量预测模块包括一个全连接模块和一个输出模块,全连接模块包括两层全连接层,用于将第二特征转换成全局特征,输出模块包括一层全连接层和sigmoid层,用于将全局特征回归成一个[0,1]之间的标量,表示对当前分割谱质量的预测值。
进一步地,质量预测损失L1是所述质量评价子网络Q1的损失函数,质量预测损失L2是所述质量评价子网络Q2的损失函数,排序损失Lr用于约束质量评价子网络Q1和质量评价子网络Q2预测值间的大小排序关系;所述质量预测损失L1和所述质量预测损失L2采用Euclidean损失函数;所述排序损失Lr采用MarginRankingLoss作为损失函数。
一种基于排序约束的图像分割质量评价方法,包括:基于训练完成的基于排序约束的图像分割质量评价网络系统RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN;以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
进一步地,所述基于排序约束的图像分割质量评价网络系统的训练方法包括:
收集现有公开图像分割数据库中的图像及其人工标注谱,对于任意一张图像,利用现有的M种图像分割方法生成M张分割谱,形成数据库样本;
根据人工标注谱,利用分割评价标准生成每张分割谱的质量得分,作为当前图像分割谱的标签,形成样本标签;
将数据库样本划分成训练集、验证集和测试集;
采用高排序样本选择方法从训练集中选择训练样本及对应的样本标签,用于训练基于排序约束的图像分割质量评价网络系统RSQAN,同时通过验证集对RSQAN的训练过程进行验证,并通过测试集测试RSQAN的训练效果。
进一步地,所述高排序样本选择方法,具体为:从质量最高的前m张分割谱中选择一张分割谱,再从剩下的M-1张分割谱中选择另一张分割谱,共有m*M-m*(m+1)/2种组合。
进一步地,所述基于排序约束的图像分割质量预测网络系统RSQPN与所述质量评价子网络Q1结构相同;在基于排序约束的图像分割质量评价网络系统RSQAN训练完成后,将其质量评价子网络Q1的参数传给构建的基于排序约束的图像分割质量预测网络系统RSQPN。
一种基于排序约束的图像分割质量评价系统,包括:第一模块,用于基于训练完成的基于排序约束的图像分割质量评价网络系统RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN;第二模块,用于以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
与现有技术相比,本发明所达到的有益效果:
(1)本发明通过采用孪生网络构建基于排序约束的图像分割质量评价网络系统RSQAN,孪生网络以两个样本为输入,以比较两个样本的相似程度,孪生网络会最大化不同标签的表征,并最小化相同标签的表征,将两个输入映射至高维特征空间,并输出对应的表征,通过计算两个表征的距离,例如欧式距离,使用者可以比较两个输入的相似程度;并由此构建基于排序约束的图像分割质量预测网络系统RSQPN,实现了对分割谱的精准预测,尤其是对分割谱间质量关系的精准预测;
(2)本发明所提出的基于排序约束的图像分割质量评价网络是一种通用的网络框架,网络中的子网络可以使用现有任意的基础网络,如Alex、VGG、Googlenet等,具备可扩展性;
(3)本发明在网络训练中采用高排序样本选择方法选择训练样本,只需要利用部分训练样本对即可完成网络训练,减少了网络训练量,同时使网络训练倾向于对高质量分割谱的精准预测。
附图说明
图1是本发明实施例构建的基于排序约束的图像分割质量评价网络系统RSQAN的网络结构示意图;
图2是本发明实施例构建的基于排序约束的图像分割质量预测网络系统RSQPN的网络结构示意图;
图3是本发明实施例提供的一种基于排序约束的图像分割质量评价方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1所示,一种基于排序约束的图像分割质量评价网络系统,包括两个卷积核参数共享的质量评价子网络Q1和Q2,质量预测损失L1是质量评价子网络Q1的损失函数,质量预测损失L2是质量评价子网络Q2的损失函数,排序损失Lr用于约束质量评价子网络Q1和质量评价子网络Q2预测值间的大小排序关系;质量评价子网络Q1是孪生网络,包含两个卷积核参数共享的特征提取支流C1和C2、一个特征转换模块以及一个质量预测模块;特征转换模块将支流C1和C2提取的第一特征进行融合,转换成第二特征;质量预测模块将所述第二特征映射成质量预测值;质量评价子网络Q2与质量评价子网络Q1结构相同,共享卷积核参数。
支流C1的输入为分割前景图像If1,所述支流C2的输入为分割背景图像Ib1;其中,If1由图片I和分割谱S1进行元素级相乘获得:If1=I⊙S1;分割背景图像Ib1由图片I和分割谱的反转谱1-S1进行元素级相乘获得:Ib1=I⊙(1-S1)。支流C1、C2由现有基础分类网络(如AlexNet、VGG、GoogleNet、ResNet等)构成。这些基础分类网络通常由一系列卷积层和池化层组成,然后接三层全连接层和sigmoid层,最后输出各类别的置信度。支流C1和C2由基础网络去除全连接层后的前面一系列卷积层和池化层构成。支流C1和C2输出特征张量分别为F1和F2,两个特征张量作为特征转换模块的输入。
特征转换模块包括一层级联层和卷积层,级联层用于将两个第一特征(特征张量F1和F2)进行融合;卷积层将融合后的特征进行映射和降维,输出特征张量Fc1,尺寸为7*7*512,得到第二特征。
特征转换模块后接一个质量预测模块,质量预测模块包含一个全连接模块和一个输出模块,其中,全连接模块包括两层全连接层,用于生成全局特征Fcg1;输出模块包括一层全连接层和sigmoid层,将全局特征回归成一个[0,1]之间的标量,表示对当前分割谱质量的预测值;本实施例中,完成质量预测模块的功能的结构并不唯一,本实施例中的结构仅是一种优选方案。质量预测损失L1和质量预测损失L2采用Euclidean损失函数;排序损失Lr采用Margin Ranking Loss作为损失函数(Margin Ranking Loss是损失函数Ranking Loss的一种,表示可手动调节偏移的Ranking Loss)。在训练阶段,在网络的sigmoid层后加入一个Euclidean损失层。该层损失函数由公式(1)给出:
其中,q是网络Q1(或Q2)的预测得分,qt是当前分割谱的质量标签,C为训练样本的个数。
两个子网络Q1和Q2分别对两张分割谱进行质量预测,预测值分别为q1和q2(两张分割谱真实质量得分为qt1和qt2)。为了保证两张分割谱质量预测值具有正确的排序关系(即q1和q2间的大小关系与qt1和qt2间的大小关系保持一致),增加两张分割谱质量预测的排序损失。排序损失使用MarginRankingLoss:
Lr(q1,q2,y)=max(0,-y*(q1-q2)+margin) (2)
其中,y表示两个预测值间的排序关系,取值范围为{-1,1}。y=1表示质量得分qt1大于qt2(即qt1-qt2>0),y=-1表示质量得分qt1小于qt2(即qt1-qt2<0)。margin是间隔值,用于确保q1与q2间的最小距离。需要说明的是,两个子网络Q1和Q2间的排序损失不仅限于MarginRankingLoss。综上所述,基于排序约束的分割质量评价网络R的损失函数包含三部分:Q1质量预测损失L1、Q2质量预测损失L2和分割质量谱间的排序关系损失Lr:
Loss=L1(q1,qt1)+L2(q2,qt2)+αLr(q1,q2,y) (3)
其中,α为权重系数,设置为1。
实施例二:
基于实施例一所述的基于排序约束的图像分割质量评价网络系统,本实施例提供一种基于排序约束的图像分割质量评价方法,如图3所示,包括:收集现有公开图像分割数据库中的图像及其人工标注谱,对于任意一张图像,利用现有的M种图像分割方法生成M张分割谱,形成数据库样本;根据人工标注谱,利用分割评价标准IOU(Intersection overUnion)生成每张分割谱的质量得分,得到图像分割谱的质量标签,形成样本标签;将数据库样本划分成训练集、验证集和测试集;采用高排序样本选择方法从训练集中选择训练样本及对应的样本标签,用于训练实施例一所述的基于排序约束的图像分割质量评价网络系统RSQAN,同时通过验证集对RSQAN的训练过程进行验证,并通过测试集测试RSQAN的训练效果;e、基于训练完成的RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN;f、以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
一、收集现有公开图像分割数据库中的图像及其人工标注谱,对于任意一张图像,利用现有的M种图像分割方法生成M张分割谱,形成数据库样本。基于数据库样本,同时建立图像分割质量数据库;
二、根据人工标注谱,利用分割评价标准生成每张分割谱的质量得分,作为当前分割谱的标签,形成样本标签;具体操作:计算每张分割谱中分割区域与人工标注谱中前景区域间的交并比值(Intersection over Union,简称IOU值),将该IOU值作为当前分割谱的标签。
三、将数据库样本划分成训练集、验证集和测试集;具体为:从公开图像分割数据库中共收集N张图像,首先对N张图像按照60%、10%、30%的比例随机划分成初始的训练集、验证集和测试集;由于任意一张图像对应M张分割谱,对于图像数量为N的数据库,共有N*M张分割谱;因此,训练集、验证集和测试集中分割谱的数量分别为60%*N*M、10%*N*M、30%*N*M;同一图像对应的M张分割谱与该图像在同一集合中。
四、采用高排序样本选择方法从训练集中选择训练样本用于训练RSQAN,同时通过验证集对RSQAN的训练过程进行验证,并通过测试集测试RSQAN的训练效果;所述高排序样本选择方法,具体为:从质量最高的前m张分割谱中选择一张分割谱,再从剩下的M-1张分割谱中选择另一张分割谱,共有m*M-m*(m+1)/2种组合。
由于任意一张图片对应M张分割谱,因此最朴素的样本选择方式是从M张分割谱中任意选取两张分割谱作为训练样本,对于M张分割谱,有M*(M-1)/2种组合方式。由于质量评价网络的目的是从M张分割谱中准确预测质量最高的分割谱,因此可以从质量最高的前m张分割谱中选择一张分割谱以及从剩下的M-1张分割谱中选择另一张分割谱,共有m*M-m*(m+1)/2种组合,这种方法称为高排序样本选择方法。此种样本选择方式有两个优点:1,网络训练更倾向于高质量的分割谱;2,减少训练量,当m<M-1时,此种样本选择方式所需的样本组合数量少于朴素样本选择方式。
五、根据训练完成的RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN,用于对分割谱的预测;构建的基于排序约束的图像分割质量预测网络系统RSQPN的网络结构与RSQAN的质量评价子网络Q1的结构一致,其网络结构如图2所示。将训练完成的RSQAN的子网络Q1的网络参数传递给RSQPN,得到参数优化后的分割质量预测网络RSQPN。
六、以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
本实施例通过采用孪生网络构建基于排序约束的图像分割质量评价网络系统RSQAN,并由此构建基于排序约束的图像分割质量预测网络系统RSQPN,实现了对分割谱的精准预测,尤其是对分割谱间质量关系的精准预测;本实施例所提出的基于排序约束的图像分割质量评价网络是一种通用的网络框架,网络中的子网络可以使用现有任意的基础网络,如Alex、VGG、Googlenet等,具备可扩展性;在网络训练中采用高排序样本选择方法选择训练样本,只需要利用部分训练样本对即可完成网络训练,减少了网络训练量,同时使网络训练倾向于对高质量分割谱的精准预测。
实施例三:
基于实施例一所述的基于排序约束的图像分割质量评价网络系统和实施例二所述的基于排序约束的图像分割质量评价方法,本实施例提供一种基于排序约束的图像分割质量评价系统,包括:第一模块,用于基于训练完成的基于排序约束的图像分割质量评价网络系统RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN。第二模块,用于以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (9)
1.一种基于排序约束的图像分割质量评价网络系统,其特征是,包括:参数共享的质量评价子网络Q1和Q2;
所述质量评价子网络Q1是孪生网络,包含两个参数共享的特征提取支流C1和C2、一个特征转换模块以及一个质量预测模块;
所述特征转换模块将支流C1和C2提取的第一特征进行融合,转换成第二特征;
所述质量预测模块将所述第二特征映射成质量预测值;
所述质量评价子网络Q2与所述质量评价子网络Q1结构相同;
其中,质量预测损失L1是所述质量评价子网络Q1的损失函数,质量预测损失L2是所述质量评价子网络Q2的损失函数,排序损失Lr用于约束质量评价子网络Q1和质量评价子网络Q2预测值间的大小排序关系;所述质量预测损失L1和所述质量预测损失L2采用Euclidean损失函数;所述排序损失Lr采用Margin Ranking Loss作为损失函数。
2.根据权利要求1所述的基于排序约束的图像分割质量评价网络系统,其特征是,所述支流C1的输入为分割前景图像If1,所述支流C2的输入为分割背景图像Ib1;其中,If1由图片I 和分割谱S1进行元素级相乘获得:If1= I⊙S1;分割背景图像Ib1由图片I和分割谱的反转谱1-S1进行元素级相乘获得:Ib1= I⊙(1-S1)。
3.根据权利要求1所述的基于排序约束的图像分割质量评价网络系统,其特征是,所述支流C1包括一系列卷积层和池化层,用于从图像中提取前景和背景的初始特征。
4.根据权利要求1所述的基于排序约束的图像分割质量评价网络系统,其特征是,所述特征转换模块包括级联层和卷积层,所述级联层用于将两个第一特征进行融合,所述卷积层将融合后的特征进行映射和降维,得到第二特征;
所述质量预测模块包含一个全连接模块和一个输出模块,全连接模块包括两层全连接层,用于将第二特征转换为全局特征;输出模块包括一层全连接层和sigmoid层,用于将全局特征回归成一个[0,1]之间的标量,表示对当前分割谱质量的预测值。
5.一种基于排序约束的图像分割质量评价方法,其特征是,包括:
基于训练完成的权利要求1~4任一项所述的基于排序约束的图像分割质量评价网络系统RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN;
以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
6.根据权利要求5所述的基于排序约束的图像分割质量评价方法,其特征是,所述基于排序约束的图像分割质量评价网络系统的训练方法包括:
收集现有公开图像分割数据库中的图像及其人工标注谱,对于任意一张图像,利用现有的M种图像分割方法生成M张分割谱,形成数据库样本;
根据人工标注谱,利用分割评价标准生成每张分割谱的质量得分,作为当前图像分割谱的标签,形成样本标签;
将数据库样本划分成训练集、验证集和测试集;
采用高排序样本选择方法从训练集中选择训练样本及对应的样本标签,用于训练基于排序约束的图像分割质量评价网络系统RSQAN,同时通过验证集对RSQAN的训练过程进行验证,并通过测试集测试RSQAN的训练效果。
7.根据权利要求6所述的基于排序约束的图像分割质量评价方法,其特征是,所述高排序样本选择方法,具体为:从质量最高的前m张分割谱中选择一张分割谱,再从剩下的M-1张分割谱中选择另一张分割谱,共有m*M-m*(m+1)/2种组合。
8.根据权利要求5所述的基于排序约束的图像分割质量评价方法,其特征是,所述基于排序约束的图像分割质量预测网络系统RSQPN与所述质量评价子网络Q1结构相同;在基于排序约束的图像分割质量评价网络系统RSQAN训练完成后,将其质量评价子网络Q1的参数传给构建的基于排序约束的图像分割质量预测网络系统RSQPN。
9.一种基于排序约束的图像分割质量评价系统,其特征是,包括:
第一模块,用于基于训练完成的权利要求1~4任一项所述的基于排序约束的图像分割质量评价网络系统RSQAN,构建基于排序约束的图像分割质量预测网络系统RSQPN;
第二模块,用于以图像及其分割谱作为RSQPN的输入,用RSQPN输出的预测值评价当前分割谱的质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382969.1A CN112613533B (zh) | 2020-12-01 | 2020-12-01 | 基于排序约束的图像分割质量评价网络系统、方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382969.1A CN112613533B (zh) | 2020-12-01 | 2020-12-01 | 基于排序约束的图像分割质量评价网络系统、方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613533A CN112613533A (zh) | 2021-04-06 |
CN112613533B true CN112613533B (zh) | 2022-08-09 |
Family
ID=75228365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011382969.1A Active CN112613533B (zh) | 2020-12-01 | 2020-12-01 | 基于排序约束的图像分割质量评价网络系统、方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613533B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358144B (zh) * | 2021-12-16 | 2023-09-26 | 西南交通大学 | 一种图像分割质量评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242864A (zh) * | 2018-09-18 | 2019-01-18 | 电子科技大学 | 基于多分支网络的图像分割结果质量评价方法 |
CN109727246A (zh) * | 2019-01-26 | 2019-05-07 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
-
2020
- 2020-12-01 CN CN202011382969.1A patent/CN112613533B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242864A (zh) * | 2018-09-18 | 2019-01-18 | 电子科技大学 | 基于多分支网络的图像分割结果质量评价方法 |
CN109727246A (zh) * | 2019-01-26 | 2019-05-07 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112613533A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
EP4016375A1 (en) | Video classification method, device and system | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN107545301B (zh) | 页面展示方法及装置 | |
CN112270546A (zh) | 基于stacking算法的风险预测方法、装置和电子设备 | |
CN111046275A (zh) | 基于人工智能的用户标签确定方法及装置、存储介质 | |
CN111639230B (zh) | 一种相似视频的筛选方法、装置、设备和存储介质 | |
CN113345080A (zh) | 一种供应商画像建模方法及系统 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN115048571A (zh) | 一种基于云平台的在线教育推荐管理系统 | |
CN112613533B (zh) | 基于排序约束的图像分割质量评价网络系统、方法 | |
CN114372532B (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN111582315A (zh) | 样本数据处理方法、装置及电子设备 | |
CN114153839A (zh) | 多源异构数据的集成方法、装置、设备及存储介质 | |
CN112364852A (zh) | 融合全局信息的动作视频段提取方法 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN114581177B (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN114595787A (zh) | 推荐模型的训练方法、推荐方法、装置、介质及设备 | |
CN115114462A (zh) | 模型训练方法、装置、多媒体推荐方法、设备及存储介质 | |
CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
CN115587297A (zh) | 构建图像识别模型和图像识别的方法、装置、设备及介质 |
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 |