CN113486762B - 基于SegNet-SL网络的小障碍物检测方法 - Google Patents
基于SegNet-SL网络的小障碍物检测方法 Download PDFInfo
- Publication number
- CN113486762B CN113486762B CN202110737189.2A CN202110737189A CN113486762B CN 113486762 B CN113486762 B CN 113486762B CN 202110737189 A CN202110737189 A CN 202110737189A CN 113486762 B CN113486762 B CN 113486762B
- Authority
- CN
- China
- Prior art keywords
- network
- segnet
- feature maps
- convolution
- pooling
- 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
- G06F18/25—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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SegNet‑SL网络的小障碍物检测方法,该方法在SegNet网络平台上结合了多尺度融合算法和残差网络,充分利用多尺寸的特性,将不同尺寸的特征图进行融合获取高准确率的语义分割图像。在网络的训练策略上也做了适应性的改进,最终实现车辆,路灯,房屋,行人等多类障碍物的检测。通过实验验证,本发明提出的改进后的SegNet神经网络实现了小障碍物的精准识别。相较于SegNet网络障碍物识别的平均准确率提高了10%、平均交并比提高了12%、速度略有下降但在许可范围内。因此在保证满足智能驾驶中图像处理实时性的要求的基础上,SegNet‑SL网络进一步的提高了准确率和鲁棒性。
Description
技术领域
本发明属于自动驾驶的图像处理领域,更具体地说,涉及一种基于SegNet-SL网络的小障碍物检测方法。
背景技术
现有技术中的SegNet网络是一种非常经典的语义分割网络,也是目前使用最多的分割网络之一,通过修改VGG-16网络而得到,在自动驾驶领域有十分广泛的应用。其结构如图1所示,左半部分是编码层,右半边部分是解码层,由中间的池化与上采样操作作为分割线的对称结构,共34层。左半边网络使用的是做了少许修改的VGG-16的前13层网络,用于提取图像特征并且保存池化索引;右边是反卷积与上采样的操作过程,利用反卷积操作使图像分类后复原图像特征,上采用操作还原至图像原始尺寸。最后的softmax函数则用来计算出不同分类的最大概率得到语义分割图。SegNet网络的卷积层将卷积、批标准化和激活函数结合成一个。卷积操作用于提取特征,卷积操作使用卷积核去计算卷积操作中输入特征图与卷积核相同大小的感受野,得出一个数值。当卷积核以滑动窗口形式遍历完整个图像时,将得到的数值重新组合成一个特征图的矩阵。
然而,现有的SegNet网络虽然能识别各类物体,但是只注重解码和编码的对称结构,并没有注重物体上下文细节信息对小障碍物分割结果的影响,在上下采样的过程中很多细小的像素点会被忽略,导致小障碍物的检测结果不够准确。
基于此,亟需设计一种图像处理速度满足要求且能完成多类障碍物的精准识别以及细小障碍物的准确识别的检测方法。
发明内容
(一)技术问题
基于上述的技术缺陷,本发明提供了一种基于SegNet-SL网络的小障碍物检测方法,该方法的准确率高、鲁棒性强,识别的速度略有下降但在许可范围内,且其能够完成多类障碍物的精准识别以及细小障碍物的准确识别,适于智能驾驶系统中的图像处理,特别是在小型障碍物多的路况下。
(二)技术方案
本发明提供了一种基于SegNet-SL网络的小障碍物检测方法,其针对采集的含多类障碍物或细小障碍物轮廓的图像,该方法在原SegNet网络上进行如下(a)~(d)方面的改进:
(a)SegNet-SL网络基本结构框架的构建;解码层部分将池化1和池化3获得的特征图分别与池化2和池化4获得特征图进行迭代融合,并进行跳跃连接;所述跳跃连接具体为:首先在解码过程中由上采样4操作得到的解码过程中的1/8特征图与编码过程中的1/8特征图进行迭代得到新的1/8特征图,将新的1/8特征图进行反卷积4和上采样3操作得到解码过程中的1/4特征图,接着对编码过程中的1/16特征图进行上采样5得到1/4特征图后,与解码过程中的1/4特征图进行迭代得到新的解码过程中的1/4特征图,再将该特征图进行反卷积3和上采样2后得到解码过程中的1/2特征图,然后将编码过程中的1/2特征图同解码过程中的1/2特征图进行迭代,最后将编码过程中的1/4特征图进行上采样得到1/2特征图与解码过程中的1/2特征图相结合得到新解码过程中的1/2特征图,经过上采样1,反卷积1和Softmax函数来得到与输入等大的语义分割图像;
(b)池化层的选择;SegNet-SL网络采用最大池化操作作为网络的池化层,以将像素矩阵划分成无数个2×2的小矩阵,再选取每个小矩阵的最大值作为池化后的特征值。
(c)激活函数的选择;选择ELU函数作为激活函数;
(d)卷积操作的尺寸选择;采用3个含3×3的卷积核的卷积操作的复合卷积操作,且前两个卷积操作中直接添加一个残差网络结构输入到第三个卷积操作中;卷积1和反卷积1采用通道数为64的卷积,其它卷积操作均采用128作为其卷积操作的通道数。
优选地,在训练策略上,首先使用全局对比度归一化算法消除图像对比度差异,然后选用不同层设置不同学习率的算法提高网络的收敛速度,最后选用多类交叉熵损失函数和类平衡算法优化损失率。
优选地,所述基于SegNet-SL网络的小障碍物检测方法应用于智能驾驶的实时图像处理工作中。
在另外一个方面,本发明还公开了一种基于SegNet-SL网络的小障碍物检测系统,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述任一项所述的基于SegNet-SL网络的小障碍物检测方法。
在另外一个方面,本发明还公开了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述任一项所述的基于SegNet-SL网络的小障碍物检测方法。
(三)有益效果
相对于现有技术,基于SegNet-SL网络的小障碍物检测方法具备如下优势:
(1)相对于原始SegNet网络模型只注重解码和编码的对称结构,并没有注重物体上下文细节信息对分割结果的影响,最终导致分割结果不够准确。本发明的SegNet-SL网络则利用上下文信息,丰富特征值,提高网络的对小型化特征的提取能力,此外还融入多尺度融合算法和残差网络,将解码与编码过程得到的特征图相叠加形成新的特征图,充分利用多尺度的特性,提高网路对细小障碍物信息的特征提取和选择的能力。本发明的SegNet-SL网络相较于SegNet网络障碍物识别的平均准确率提高了10%、平均交并比提高了12%、速度虽略有下降但在许可范围内,故SegNet-SL网络具有优异的准确率和鲁棒性。
(2)在SegNet-SL网络的训练策略上,本发明选择首先使用全局对比度归一化算法消除图像对比度差异,然后选用不同层设置不同学习率的算法提高网络的收敛速度,最后选用多类交叉熵损失函数和类平衡算法优化损失率,提高网络鲁棒性,最终实现车辆,路灯,房屋,行人等多类小障碍物的检测。
附图说明
图1是现有技术中的SegNet网络结构图。
图2是本发明中SegNet-SL网络整体结构示意图。
图3是本发明中SegNet-SL网络中带指数的最大池化和上采样操作过程示意图。
图4是本发明中SegNet-SL网络卷积层结构示意图。
图5是FCN网络、SegNet网络、U-net网络、SegNet-RS网络与本发明SegNet-SL网络的实验结果对比图,其中(a)为输入图像;(b)为FCN网络实验结果;(c)为SegNet网络实验结果;(d)为U-net网络;(e)为SegNet-RS网络实验结果;(f)为SegNet-SL网络实验结果。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明最终选择以准确度和实时性都较高的SegNet网络平台进行障碍物检测算法的研究改进,而针对轮廓完整分割问题和小障碍物的识别(例如细小的路灯,这是用于进行大障碍物轮廓分割的SegNet-RS算法无法做到的),发明人发现采用SegNet网络进行语义分割时需要考虑两个问题:(1)上下文信息。图像中物体之间存在局部和全局的上下文关系,这些信息对网络的鲁棒性和结果的准确性有很大影响。合理的运用这些信息,将提高语义分割结果。(2)网络训练方式。与SegNet-RS轮廓分割算法不同,高准确率的障碍物检测需要更多的像素信息和鲁棒性,因此需要采用更高效的训练算法。故合理的利用这些信息对SegNet网络进行优化改进得到新的SegNet-SL网络,从而提高智能驾驶系统采集的图像中小障碍障碍物检测的准确性,且同时保证该新方法满足实时性的最基本要求。
基于以上分析思路,本发明新设计了一种基于SegNet-SL网络的小障碍物检测方法,SegNet-SL网络主要用于目标检测物的特征提取,其目的要做到细小障碍物的精准识别。原始的SegNet网络忽略像素间的上下文信息,导致细小障碍物无法精准检查。SegNet-RS网络虽然考虑了像素上下文间的信息,但是由于平均池化的作用,网络本身对于细小障碍物的识别任然不具有高准确率的识别。为此,SegNet-SL网络利用残差网络、多尺度融合算法和最大池化操作来进一步提高SegNet网络对目标检测物体的特征提取能力。
相对于SegNet网络,本发明SegNet-SL网络的小障碍物检测方法包括如下(a)-(d)几个方面的改进:
(a)融合残差网络和多尺度算法的SegNet-SL网络框架构建:
深度残差神经网络是一种特殊的神经网络,由残差单元组成,因此残差网络展开后的路径具有一定的独立性和冗余性。残差单元能以跳层的形式将上下文信息结合,将残差单元的输入与其输出直接迭代,再激活该结果。用xl表示直接映射部分,假设F(xl,Wl)正常输出,则残差块可以表示为:
xl+1=xl+F(xl,Wl)
基于此思想,为了结合像素间上下文的信息,本发明在编码层借鉴了残差网络,解码层充分利用了多尺度的特性进行改进。编码层在池化操作间的特征图进行迭代融合增加对特征信息的保留;解码层则将编码层中池化获得特征图同后面编码层上采样获得的特征图进行叠加融合最大程度还原图像的特征提高网络特征提取能力。图2为改进后的SegNet-SL网络结构图,解码层部分将池化1(Pool1)和池化3获得的特征图与池化2和池化4获得特征图进行迭代融合。编码层将池化2-4获得特征尺寸图,与上采样2-4获得的特征尺寸图进行迭代融合得到新的特征尺寸图,称为跳跃连接。
如图2所示,编码过程中通过池化操作分别得到原图像1/4、1/8和1/16尺寸的特征图,称编码过程的特征图。在本发明SegNet-SL网络结构中的跳跃连接具体为:首先在解码过程中由上采样4(Upsampling4)操作得到的解码过程中的1/8特征图与编码过程中的1/8特征图进行迭代得到新的1/8特征图,将新的1/8特征图进行反卷积4(decode4)和上采样3操作得到解码过程中的1/4特征图,接着对编码过程中的1/16特征图进行上采样5得到1/4特征图后,与解码过程中的1/4特征图进行迭代得到新的解码过程中的1/4特征图,再将该特征图进行反卷积3和上采样2后得到解码过程中的1/2特征图。然后将编码过程中的1/2特征图同解码过程中的1/2特征图进行迭代,最后将编码过程中的1/4特征图进行上采样得到1/2特征图,与解码过程中的1/2特征图相结合得到新解码过程中的1/2特征图。最后经过上采样1,反卷积1和Softmax函数来得到与输入等大的语义分割图像。
(b)池化层的选择
平均池化会因为领域大小的因素导致预测值方差变大,因此易保存轮廓的几何形状信息,而本发明的SegNet-SL网络致力于提高原始SegNet网络的特征提取能力,提高网络对细小障碍物的检测。因此,SegNet-SL网络采用最大池化操作作为网络的池化层。
最大池化操作先将像素矩阵划分成无数个2×2的小矩阵,再选取每个小矩阵的最大值作为池化后的特征值,即取领域内的最大值。卷积操作的参数误差会造成特征值均值的偏移,最大池化操作可以减小卷积操作带来的均值偏移,更多的保存检测物的特征纹理信息,提高网络对检测物的特征提取能力。
(c)ELU激活函数的采用
ReLU函数具有计算快且正向饱和等特性,但是当输入小于0时,正向传播阶段无法激活,反向传播阶段的梯度等于0,会影响网络的鲁棒性。改进后的PReLU函数在输入为负数的时候有输出,但是在复杂噪声情况下无法较好的实现激活功能,由于SegNet-RS网络用于大障碍物轮廓的分割,本身噪声的影响不太,因而SegNet-RS网络采用PReLU激活函数。而函数ELU函数在输入小于0的时候是指数函数,对输入只定性不定量,输出具有一定的抗干扰能力,相较于ReLU函数和PReLU函数来说,ELU函数可以将网络的输出均值固定为0。因为输出均值不为0,会导致传输给下一次的时出现偏置,随着网络的加深,偏置会越来越大,因而计算量也越大。其次可以让激活函数的小数部分被使用,虽然PreLU和Leaky ReLU函数也有小数部分,但是无法保证在不激活状态下鲁棒噪声。总的来说,ELU函数在输入的值较小时具有软饱和性,可以减小噪声对网络的影响。考虑SegNet-SL网络主要用于特征提取,对于输出为负的情况和受噪声的影响较大,因此采用ELU函数,其表达式和损失函数关于l的偏导:
其中,a是一个在给定范围内的随机变量。
(4)卷积操作的尺寸
卷积核的尺寸和通道数决定着其效果。同等情况下,卷积核尺寸越大效果越好,但相反的权值参数增加影响网络运行速度。一般常用的卷积核尺寸有3×3、5×5、7×7和9×9,但是复合小卷积核的卷积操作与一个大卷积核的卷积操作达到同样的效果。原始的SegNet网络采用7×7卷积核的卷积操作,为了兼顾特征提取的效果和网络运行速度,SegNet-RS网络采用2个3×3卷积核的复合卷积操作。而SegNet-SL网络对特征提取的要求较高,经过实验,其采用3个3×3卷积核的复核卷积操作效果较好且不影响计算速度。为了更好的利用上下文信息,在卷积层结构上融合了残差网络。结构如图4所示,前两个卷积操作中直接添加一个残差网络结构提高网络对上下文信息的利用,提高网络的特征提取能力。
另外,通道数的大小对卷积操作的效果也有很大影响,通道数越大所包含的特征量越多,分割效果会更好,但是同样会增加权值参数迫使网络运行速度下降。由于本发明研究的障碍物检测需要综合考虑网络的准确率和实时性,所以网络的卷积1和反卷积1采用通道数64的卷积,其他卷积操作均采用128的通道数,即SegNet-SL网络的最大通道数为128。
由图2可知,以上(1)-(4)方面的改进是相互关联影响的,本发明的SegNet-SL网络利用残差网络和多尺度融合算法改进SegNet网络,充分利用多尺寸的特性,将不同尺寸的特征图进行融合获取高准确率的语义分割图像,提高网络对障碍物特征提取和特征选择的能力,并采用功能更好的激活函数和损失函数,提高网络的鲁棒性和准确性。
另外在训练策略上,本发明在SegNet-SL网络也做了适应性的改进,首先使用全局对比度归一化算法消除图像对比度差异,然后选用不同层设置不同学习率的算法提高网络的收敛速度,最后选用多类交叉熵损失函数和类平衡算法优化损失率,提高网络鲁棒性,最终实现车辆,路灯,房屋,行人等多类障碍物的检测。通过实验验证,本文提出的改进后的SegNet神经网络算法实现了小障碍物的精准识别。
最后,为了验证本发明所提出的SegNet-SL网络的性能,本发明中分别针对FCN网络、SegNet网络、U-net网络、SegNet-RS网络与SegNet-SL网络五种网络进行轮廓分割对比试验,如图5所示,FCN对的大类别物体的区分明显,但复杂环境下的物体出现像素糅杂,细小物体无法识别。SegNet能区识别各类物体,但是分割结果不够精细,大障碍物的轮廓出现不完整,细小物体无法识别。如方框里车辆的轮廓不完整,圆框里的路灯和椭圆框里的房屋围栏无法识别;U-Net网络虽然在轮廓完整性方面较SegNet网络好,但是其准确率明显比SegNet网络差;SegNet-RS网络的对于几何轮廓的完整性保留比较好,但是细小的路灯无法识别出来;SegNet-SL网络不仅能完整识别出车辆轮廓,也能区分细小的路灯和复杂场景的围栏,但是车辆和围栏的轮廓出现不完整性,容易误判。主要原因:
(1)原始SegNet网络模型只注重解码和编码的对称结构,并没有注重物体上下文细节信息对分割结果的影响。在上下采样的过程中很多细小的像素点会被忽略,导致分割结果不够准确。SegNet-SL网络则利用上下文信息,丰富特征值,提高网络的特征提取能力。
(2)SegNet-SL网络融入多尺度融合算法和残差网络,将解码与编码过程得到的特征图相叠加形成新的特征图,充分利用多尺度的特性,提高网路对细小障碍物信息的特征提取和选择的能力。
综合分析,融合多尺度融合算法和残差网络的SegNet-SL网络充分考虑输入像素间的上下文关系,达到了多类障碍物的精准识别以及细小障碍物的准确识别。通过实验,SegNet改进网络能够获得高准确率的实时道路多类障碍物检测。相较于SegNet网络障碍物识别的平均准确率提高了10%、平均交并比提高了12%、速度略有下降但在许可范围内。因此在满足实时计算要求的基础上,SegNet-SL网络进一步的提高了检测的准确率和鲁棒性。
值得一提的是,上述本发明基于SegNet-SL网络的图像分割方法方法可以转换为软件程序指令,既可以使用包括处理器和存储器的软件分析系统来运行实现,或者也可以通过非暂态计算机可读存储介质中存储的计算机指令来实现。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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 (5)
1.一种基于SegNet-SL网络的小障碍物检测方法,其特征在于,针对采集的含多类障碍物或细小障碍物轮廓的图像,该方法在原SegNet网络上进行如下(a)~(d)方面的改进:
(a)SegNet-SL网络基本结构框架的构建;解码层部分将池化1和池化3获得的特征图分别与池化2和池化4获得特征图进行迭代融合,并进行跳跃连接;所述跳跃连接具体为:首先在解码过程中由上采样4操作得到的解码过程中的1/8特征图与编码过程中的1/8特征图进行迭代得到新的1/8特征图,将新的1/8特征图进行反卷积4和上采样3操作得到解码过程中的1/4特征图,接着对编码过程中的1/16特征图进行上采样5得到1/4特征图后,与解码过程中的1/4特征图进行迭代得到新的解码过程中的1/4特征图,再将该特征图进行反卷积3和上采样2后得到解码过程中的1/2特征图,然后将编码过程中的1/2特征图同解码过程中的1/2特征图进行迭代,最后将编码过程中的1/4特征图进行上采样得到1/2特征图与解码过程中的1/2特征图相结合得到新解码过程中的1/2特征图,经过上采样1,反卷积1和Softmax函数来得到与输入等大的语义分割图像;
(b)池化层的选择;SegNet-SL网络采用最大池化操作作为网络的池化层,以将像素矩阵划分成若干个2×2的小矩阵,再选取每个小矩阵的最大值作为池化后的特征值;
(c)激活函数的选择;选择ELU函数作为激活函数;
(d)卷积操作的尺寸选择;采用3个含3×3的卷积核的卷积操作的复合卷积操作,且前两个卷积操作中直接添加一个残差网络结构输入到第三个卷积操作中;卷积1和反卷积1采用通道数为64的卷积,其它卷积操作均采用128作为其卷积操作的通道数。
2.根据权利要求1所述的基于SegNet-SL网络的小障碍物检测方法,其特征在于,在训练策略上,首先使用全局对比度归一化算法消除图像对比度差异,然后选用不同层设置不同学习率的算法提高网络的收敛速度,最后选用多类交叉熵损失函数和类平衡算法优化损失率。
3.根据权利要求1所述的基于SegNet-SL网络的小障碍物检测方法,其特征在于,所述基于SegNet-SL网络的小障碍物检测方法应用于智能驾驶的实时图像处理工作中。
4.一种基于SegNet-SL网络的小障碍物检测方法系统,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至3任一项所述的基于SegNet-SL网络的小障碍物检测方法。
5.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至3任一项所述的基于SegNet-SL网络的小障碍物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737189.2A CN113486762B (zh) | 2021-06-30 | 2021-06-30 | 基于SegNet-SL网络的小障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737189.2A CN113486762B (zh) | 2021-06-30 | 2021-06-30 | 基于SegNet-SL网络的小障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486762A CN113486762A (zh) | 2021-10-08 |
CN113486762B true CN113486762B (zh) | 2022-03-25 |
Family
ID=77936719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110737189.2A Active CN113486762B (zh) | 2021-06-30 | 2021-06-30 | 基于SegNet-SL网络的小障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486762B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409240A (zh) * | 2018-09-28 | 2019-03-01 | 北京航空航天大学 | 一种结合随机游走的SegNet遥感图像语义分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446970B (zh) * | 2018-10-24 | 2021-04-27 | 西南交通大学 | 一种基于深度学习的变电站巡检机器人道路场景识别方法 |
WO2020252330A1 (en) * | 2019-06-12 | 2020-12-17 | Carnegie Mellon University | System and method for labeling ultrasound data |
CN111783782B (zh) * | 2020-05-29 | 2022-08-05 | 河海大学 | 融合改进UNet和SegNet的遥感图像语义分割方法 |
CN112149535B (zh) * | 2020-09-11 | 2023-06-27 | 华侨大学 | 一种结合SegNet和U-Net的车道线检测方法和装置 |
-
2021
- 2021-06-30 CN CN202110737189.2A patent/CN113486762B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409240A (zh) * | 2018-09-28 | 2019-03-01 | 北京航空航天大学 | 一种结合随机游走的SegNet遥感图像语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113486762A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325751B (zh) | 基于注意力卷积神经网络的ct图像分割系统 | |
CN109815886B (zh) | 一种基于改进YOLOv3的行人和车辆检测方法及系统 | |
CN108509978B (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN111612008B (zh) | 基于卷积网络的图像分割方法 | |
CN111126359A (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
CN114943963A (zh) | 一种基于双分支融合网络的遥感图像云和云影分割方法 | |
CN110659664B (zh) | 一种基于ssd的高精度识别小物体的方法 | |
CN112508960A (zh) | 一种基于改进注意力机制的低精度图像语义分割方法 | |
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 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN113312983A (zh) | 基于多模态数据融合的语义分割方法、系统、装置及介质 | |
CN112991364A (zh) | 基于卷积神经网络跨模态融合的道路场景语义分割方法 | |
CN113066089B (zh) | 一种基于注意力引导机制的实时图像语义分割方法 | |
CN114241388A (zh) | 基于时空记忆信息的视频实例分割方法和分割装置 | |
CN113592885B (zh) | 基于SegNet-RS网络的大障碍物轮廓分割方法 | |
CN114037640A (zh) | 图像生成方法及装置 | |
CN114170311A (zh) | 一种双目立体匹配方法 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
CN116863194A (zh) | 一种足溃疡图像分类方法、系统、设备及介质 | |
CN116934780A (zh) | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 | |
CN109508639B (zh) | 基于多尺度带孔卷积神经网络的道路场景语义分割方法 | |
CN113947538A (zh) | 一种多尺度高效卷积自注意力单幅图像除雨方法 | |
CN113486762B (zh) | 基于SegNet-SL网络的小障碍物检测方法 | |
CN113627481A (zh) | 一种面向智慧园林的多模型组合的无人机垃圾分类方法 | |
CN113643303A (zh) | 基于双路注意力编解码网络的三维图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |