CN113344935B - 基于多尺度难度感知的图像分割方法及系统 - Google Patents
基于多尺度难度感知的图像分割方法及系统 Download PDFInfo
- Publication number
- CN113344935B CN113344935B CN202110739720.XA CN202110739720A CN113344935B CN 113344935 B CN113344935 B CN 113344935B CN 202110739720 A CN202110739720 A CN 202110739720A CN 113344935 B CN113344935 B CN 113344935B
- Authority
- CN
- China
- Prior art keywords
- difficulty
- scale
- image
- perception
- 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.)
- Active
Links
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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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]
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
本公开提供了一种基于多尺度难度感知的图像分割方法及系统,获取待分割的图像;对获取的图像进行预处理;对预处理后的图像进行特征提取;根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果;其中,预设卷积神经网络模型包括难度特征学习模块,难度特征学习模块包括多尺度的卷积核组和自注意力模块,多尺度的卷积核组学习目标的多尺度特征,并将每个卷积核学到的特征图经过自注意力模块对有用特征赋予更大的权重;本公开在传统的卷积神经网络中,引入难度特征学习模块,学习小目标和异常像素更为精细的特征,引入目标多尺度空间约束,保证了小目标分割的正确性,最后引入难度感知先验,进一步提升了异常像素分割的正确性。
Description
技术领域
本公开涉及图像处理技术领域,特别涉及一种基于多尺度难度感知的图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
图像分割旨在定位图像中的感兴趣目标,是图像理解的基础,现已在图像理解、自动驾驶、疾病的自动诊断等众多任务中具有广泛的应用。近年来,由于深度学习强大的特征学习能力,基于深度卷积网络的分割方法的性能超越了传统的分割方法,使其成为目标分割的主流方法。
虽然现有的深度学习方法在图像分割任务中取得了较好的性能,然而仍存在一些挑战使得现有的方法难以取得令人满意的性能:
(1)小目标,在某些任务中,拍摄的图像中的目标较小,使得图像中目标的像素较少,大大减少了目标在图像中的信息;
(2)异常像素,由于拍摄条件、设备等因素的影响,使得图像中存在一些异常像素,该类像素与其同类相似具有较大的差异性,使得其难以被正确分割。例如,在医学图像分割任务中,由于设备因素的影响,使得病灶区域内的部分像素在灰度、纹理等特点与病灶其他像素具有较大的差异性,该类像素在本专利中称为异常像素。
发明内容
为了解决现有技术的不足,本公开提供了一种基于多尺度难度感知的图像分割方法及系统,在传统的卷积神经网络中,引入难度特征学习模块,学习小目标和异常像素更为精细的特征,引入目标多尺度空间约束,保证了小目标分割的正确性,最后引入难度感知先验,进一步提升了异常像素分割的正确性。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于多尺度难度感知的图像分割方法。
一种基于多尺度难度感知的图像分割方法,包括以下过程:
获取待分割的图像;
对获取的图像进行预处理;
对预处理后的图像进行特征提取;
根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果;
其中,预设卷积神经网络模型包括难度特征学习模块,难度特征学习模块包括多尺度的卷积核组和自注意力模块,多尺度的卷积核组学习目标的多尺度特征,并将每个卷积核学到的特征图经过自注意力模块对有用特征赋予更大的权重。
进一步的,预设卷积神经网络模型包括用于将图像还原到原始图像大小的解码器,解码器包括多尺度空间约束。
更进一步的,根据解码器学到的特征图的大小,将groundtruth进行相同倍数的缩放,使其大小与特征图一样,获得目标空间图,以特征图中的像素类别与目标空间图的特征值的类别的最小二乘作为解码器的约束。
更进一步的,解码器的约束约束使得分割获得的像素类别与ground truth一致或者差异在预设范围内。
进一步的,预设卷积神经网络模型包括难度感知先验图:
使用U-net网络对图像先进行分割,获得分割概率图,使用ground truth的概率减去分割概率图可得到难度感知先验图,将难度感知先验图作为权重乘到每个像素的损失中,以难度感知先验的均方差损失作为总损失。
更进一步的,当像素被分割错误时,在难度先验感知图中的值大于没有被错误分割的像素的值。
进一步的,利用resnet34神经网络预处理后的图像进行特征提取。
本公开第二方面提供了一种基于多尺度难度感知的图像分割系统。
一种基于多尺度难度感知的图像分割系统,包括:
数据获取模块,被配置为:获取待分割的图像;
预处理模块,被配置为:对获取的图像进行预处理;
特征提取模块,被配置为:对预处理后的图像进行特征提取;
图像分割模块,被配置为:根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果;
其中,预设卷积神经网络模型包括难度特征学习模块,难度特征学习模块包括多尺度的卷积核组和自注意力模块,多尺度的卷积核组学习目标的多尺度特征,并将每个卷积核学到的特征图经过自注意力模块对有用特征赋予更大的权重。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于多尺度难度感知的图像分割方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于多尺度难度感知的图像分割方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,在传统的卷积神经网络中,引入难度特征学习模块,学习小目标和异常像素更为精细的特征,引入目标多尺度空间约束,保证了小目标分割的正确性,最后引入难度感知先验,进一步提升了异常像素分割的正确性。
2、本公开所述的方法、系统、介质或电子设备,在卷积神经网络模型中引入目标多尺度空间约束,该约束可使得分割的像素尽量和groundtruth中的像素尽量保持一致,有效的防止了小目标信息的丢失,保证了小目标分割的正确性。
3、本公开所述的方法、系统、介质或电子设备,在传统的卷积神经网络中引入难度感知先验图,使得模型在学习过程中可将更多注意力放到异常像素中,进一步提升异常像素的分割精度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于多尺度难度感知的图像分割方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种基于多尺度难度感知的图像分割方法,包括以下过程:
获取待分割的图像;
对获取的图像进行预处理;
对预处理后的图像进行特征提取;
根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果。
具体的,包括:
S1:数据集预处理
由于原始数据样本的图像大小可能并不一致,不利于深度网络模型进行特征的提取以及后续的学习。因此首先利用Pytorch中transforms类对现有数据集进行尺度变换,将其变换为统一大小(例如224*224)、再进行统一的归一化处理(Normalize)。由于数据量小,缺乏大量数据,所以对原始数据集中的图像对进行相同的数据增强,不同图像对进行不同的数据增强,主要数据增强有随机裁剪、水平翻转、垂直翻转、随机旋转、增加椒盐噪声等。
S2:输入
输入待分割的图像
S3:数据特征向量提取
根据batch_size的大小,将图像对同时加载并输入到resnet34的低层网络(conv1、bn1、relu、maxpool、layer1、layer2、layer3)中。经过一个浅层的卷积神经网络运算后提取图像的关键特征信息向量,再将此特征向量输入到自定义的卷积神经网络中。
S4:难度特征学习模块:该模块由多尺度的卷积核组和自注意力模块构成。在本发明中,多尺度的卷积核组包括3个大小不同的卷积,分别是5×5,3×3,1×1,使用不同大小的卷积核学习目标的多尺度特征,再将每个卷积核学到的特征图经过自注意力模块,对最后分割有用的特征赋予更大的权重。
S5:基于目标多尺度空间约束的解码器:解码器用于将图像还原到原始图像大小,主要使用反卷积计算,在该模块中引入目标多尺度空间约束,该约束使得解码器学到的特征与目标空间图尽量保持一致。
在本实施例中,目标的空间图根据groundtruth获得。根据解码器学到的特征图F的大小,将groundtruth进行相同倍数的缩放,使其大小与F一样,获得目标空间图。引入F中的像素类别与目标空间图的特征值的类别的最小二乘作为解码器的约束,该约束可使得分割获得的像素类别与ground truth尽量保持一致,有利于防止小目标信息的丢失。
S6:基于难度感知先验的损失函数:在传统的卷积神经网络中引入难度感知先验图。难度感知先验图的获得方式如下:
使用U-net网络对图像先进行分割,获得分割概率图,使用ground truth的概率减去分割概率图可得到难度感知先验图,如果像素被分割错误,则其在难度先验感知图中的值越大。
将先验感知图作为权重乘到每个像素的损失中,该先验可以使得模型在训练时更多的关注异常像素,有利于提升异常像素的分割精度。在本发明中,基础的目标损失函数使用均方差(MSE)损失。
S7:网络训练:将难度感知先验的均方差(MSE)损失作为总损失,重复进行反向传播训练,直到达到我们预先设定的训练轮次。保存其最小损失值时的网络模型;
S8:预测阶段:利用训练好的网络模型对输入的图像数据进行分割。
本实施例提供的图像分割方法,与传统的深度学习分割方法相对比,对于小目标、异常像素能够取得更好的分割精度:一方面,本实施例利用难度特征学习小目标和异常像素更为精细的特征值,有利于最后的像素分类。另一方面,本实施例在解码器中引入目标多尺度空间约束保证分割的像素与groundtruth中的像素分类结果保持一致,可有效防止小目标信息的丢失,从而保证小目标分割的正确性,引入难度感知先验图,使得模型在学习过程中可将更多注意力放到异常像素中,进一步提升异常像素的分割精度。
实施例2:
本公开实施例2提供了一种基于多尺度难度感知的图像分割系统,包括:
数据获取模块,被配置为:获取待分割的图像;
预处理模块,被配置为:对获取的图像进行预处理;
特征提取模块,被配置为:对预处理后的图像进行特征提取;
图像分割模块,被配置为:根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果;
其中,预设卷积神经网络模型包括难度特征学习模块,难度特征学习模块包括多尺度的卷积核组和自注意力模块,多尺度的卷积核组学习目标的多尺度特征,并将每个卷积核学到的特征图经过自注意力模块对有用特征赋予更大的权重。
所述系统的工作方法与实施例1提供的基于多尺度难度感知的图像分割方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于多尺度难度感知的图像分割方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于多尺度难度感知的图像分割方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种基于多尺度难度感知的图像分割方法,其特征在于:包括以下过程:
获取待分割的图像;
对获取的图像进行预处理;利用Pytorch中transforms类对现有数据集进行尺度变换,将其变换为统一大小、再进行统一的归一化处理;
对预处理后的图像进行特征提取;
根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果;
其中,预设卷积神经网络模型包括难度特征学习模块,难度特征学习模块包括多尺度的卷积核组和自注意力模块,多尺度的卷积核组学习目标的多尺度特征,并将每个卷积核学到的特征图经过自注意力模块对有用特征赋予更大的权重;
预设卷积神经网络模型包括难度感知先验图:
使用U-net网络对图像先进行分割,获得分割概率图,使用groundtruth的概率减去分割概率图可得到难度感知先验图,将难度感知先验图作为权重乘到每个像素的损失中,以难度感知先验的均方差损失作为总损失;
预设卷积神经网络模型包括用于将图像还原到原始图像大小的解码器,解码器包括多尺度空间约束;
根据解码器学到的特征图的大小,将groundtruth进行相同倍数的缩放,使其大小与特征图一样,获得目标空间图,以特征图中的像素类别与目标空间图的特征值的类别的最小二乘作为解码器的约束。
2.如权利要求1所述的基于多尺度难度感知的图像分割方法,其特征在于:解码器的约束使得分割获得的像素类别与ground truth一致或者差异在预设范围内。
3.如权利要求1所述的基于多尺度难度感知的图像分割方法,其特征在于:当像素被分割错误时,在难度先验感知图中的值大于没有被错误分割的像素的值。
4.如权利要求1所述的基于多尺度难度感知的图像分割方法,其特征在于:利用resnet34神经网络预处理后的图像进行特征提取。
5.一种基于多尺度难度感知的图像分割系统,其特征在于:包括:
数据获取模块,被配置为:获取待分割的图像;
预处理模块,被配置为:对获取的图像进行预处理;利用Pytorch中transforms类对现有数据集进行尺度变换,将其变换为统一大小、再进行统一的归一化处理;
特征提取模块,被配置为:对预处理后的图像进行特征提取;
图像分割模块,被配置为:根据提取到的特征和预设卷积神经网络模型,得到最终的分割结果;
其中,预设卷积神经网络模型包括难度特征学习模块,难度特征学习模块包括多尺度的卷积核组和自注意力模块,多尺度的卷积核组学习目标的多尺度特征,并将每个卷积核学到的特征图经过自注意力模块对有用特征赋予更大的权重;预设卷积神经网络模型包括难度感知先验图:使用U-net网络对图像先进行分割,获得分割概率图,使用ground truth的概率减去分割概率图可得到难度感知先验图,将难度感知先验图作为权重乘到每个像素的损失中,以难度感知先验的均方差损失作为总损失;预设卷积神经网络模型包括用于将图像还原到原始图像大小的解码器,解码器包括多尺度空间约束;根据解码器学到的特征图的大小,将groundtruth进行相同倍数的缩放,使其大小与特征图一样,获得目标空间图,以特征图中的像素类别与目标空间图的特征值的类别的最小二乘作为解码器的约束。
6.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一项所述的基于多尺度难度感知的图像分割方法中的步骤。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一项所述的基于多尺度难度感知的图像分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110739720.XA CN113344935B (zh) | 2021-06-30 | 2021-06-30 | 基于多尺度难度感知的图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110739720.XA CN113344935B (zh) | 2021-06-30 | 2021-06-30 | 基于多尺度难度感知的图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344935A CN113344935A (zh) | 2021-09-03 |
CN113344935B true CN113344935B (zh) | 2023-02-03 |
Family
ID=77482060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110739720.XA Active CN113344935B (zh) | 2021-06-30 | 2021-06-30 | 基于多尺度难度感知的图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344935B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881240B (zh) * | 2022-02-28 | 2023-09-26 | 复旦大学 | 一种基于多注意力机制的机器人视觉示教学习模型及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506774A (zh) * | 2017-10-09 | 2017-12-22 | 深圳市唯特视科技有限公司 | 一种基于局部注意掩模的分段感知神经网络方法 |
CN110287837A (zh) * | 2019-06-17 | 2019-09-27 | 上海大学 | 基于先验估计网络和空间约束混合模型的海面障碍物检测方法 |
CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
CN112750137A (zh) * | 2021-01-14 | 2021-05-04 | 江南大学 | 基于深度学习的肝脏肿瘤分割方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126242B (zh) * | 2018-10-16 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 肺部图像的语义分割方法、装置、设备及存储介质 |
CN111915613B (zh) * | 2020-08-11 | 2023-06-13 | 华侨大学 | 一种图像实例分割方法、装置、设备及存储介质 |
CN112017198B (zh) * | 2020-10-16 | 2021-01-15 | 湖南师范大学 | 基于自注意力机制多尺度特征的右心室分割方法及装置 |
CN112949822B (zh) * | 2021-02-02 | 2023-08-04 | 中国人民解放军陆军工程大学 | 一种基于双重注意力机制的低感知性对抗样本构成方法 |
-
2021
- 2021-06-30 CN CN202110739720.XA patent/CN113344935B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506774A (zh) * | 2017-10-09 | 2017-12-22 | 深圳市唯特视科技有限公司 | 一种基于局部注意掩模的分段感知神经网络方法 |
CN110287837A (zh) * | 2019-06-17 | 2019-09-27 | 上海大学 | 基于先验估计网络和空间约束混合模型的海面障碍物检测方法 |
CN110428432A (zh) * | 2019-08-08 | 2019-11-08 | 梅礼晔 | 结肠腺体图像自动分割的深度神经网络算法 |
CN112750137A (zh) * | 2021-01-14 | 2021-05-04 | 江南大学 | 基于深度学习的肝脏肿瘤分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113344935A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003240B (zh) | 一种基于多尺度并行cnn的图像去噪方法 | |
CN110135503B (zh) | 一种装配机器人零件深度学习识别方法 | |
CN109754017B (zh) | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 | |
CN109934826A (zh) | 一种基于图卷积网络的图像特征分割方法 | |
CN110599500B (zh) | 一种基于级联全卷积网络的肝脏ct图像的肿瘤区域分割方法及系统 | |
CN111340716B (zh) | 一种改进双重判别对抗网络模型的图像去模糊方法 | |
CN108038435B (zh) | 一种基于卷积神经网络的特征提取与目标跟踪方法 | |
CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN110866872B (zh) | 一种路面裂缝图片预处理智能选择方法、装置及电子设备 | |
CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及系统 | |
CN114332133A (zh) | 基于改进CE-Net的新冠肺炎CT图像感染区分割方法及系统 | |
CN113344935B (zh) | 基于多尺度难度感知的图像分割方法及系统 | |
CN115880177A (zh) | 聚合上下文和增强细节的全分辨率低照度图像增强方法 | |
CN117253071B (zh) | 基于多级伪标签增强的半监督目标检测方法及系统 | |
Dannemiller et al. | A new method for the segmentation of algae images using retinex and support vector machine | |
CN116363064A (zh) | 融合目标检测模型和图像分割模型的缺陷识别方法及装置 | |
CN107729992B (zh) | 一种基于反向传播的深度学习方法 | |
CN115424093A (zh) | 一种识别眼底图像中细胞的方法及装置 | |
Gurung et al. | Transformer in Microbial Image Analysis: A Comparative Exploration of TransUNet, UNet, and DoubleUNet for SEM Image Segmentation | |
CN112330566A (zh) | 图像去噪的方法、装置及计算机存储介质 | |
CN116563170B (zh) | 一种图像数据处理方法、系统以及电子设备 | |
CN110148155A (zh) | 一种多特征与自适应标准对冲相结合的目标跟踪方法 | |
CN116665113B (zh) | 基于不确定性量化的遥感场景识别方法、系统及介质 | |
CN114821206B (zh) | 基于对抗互补特征的多模态图像融合分类方法与系统 |
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 |