CN113486897A - 一种卷积注意力机制上采样解码的语义分割方法 - Google Patents
一种卷积注意力机制上采样解码的语义分割方法 Download PDFInfo
- Publication number
- CN113486897A CN113486897A CN202110864663.8A CN202110864663A CN113486897A CN 113486897 A CN113486897 A CN 113486897A CN 202110864663 A CN202110864663 A CN 202110864663A CN 113486897 A CN113486897 A CN 113486897A
- Authority
- CN
- China
- Prior art keywords
- convolution
- information
- feature
- semantic segmentation
- attention
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005070 sampling Methods 0.000 title claims abstract description 20
- 230000007246 mechanism Effects 0.000 title claims abstract description 16
- 238000011176 pooling Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 230000004931 aggregating effect Effects 0.000 claims abstract description 3
- 239000011800 void material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
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
本发明提供了一种卷积注意力机制上采样解码的语义分割方法，包括通过空洞卷积深度神经网络提取特征，增大特征提取感受野；通过卷积池化金字塔聚合语义分割类别的局部和全局相关上下文信息，平均池化计算得到特征图；利用特征图的空间关系生成空间注意力特征信息，分别进行一个通道的最大池化和另一个平均池化；经过两层的神经网络，将得到的特征图相加经过激活函数，引入非线性信息，增强通道的泛化性，得到权重系数；经过卷积空间注意力和卷积通道注意力，得到两个新的特征图，通过融合上采样，表达空间分辨信息，输出预测分类的语义分割结果。本发明的上采样卷积注意力机制恢复分辨率结构，提升语义分割效果及性能，降低网络计算内存消耗。
Description
技术领域
本发明涉及图像处理的技术领域，尤其涉及一种卷积注意力机制上采样解码的语义分割方法。
背景技术
语义图像分割是计算机视觉中的一项基本任务，目标是将图像划分为具有不同语义类别的区域。应用于一些实际场景，如增强现实和自动驾驶。通常方法是基于深度学习的语义分割方法采用具有编码器解码器结构的卷积神经网络进行特征提取和上采样分辨率恢复，将语义分割类别像素分类，输出每个像素对应结果。全卷积网络(FCN)是在语义分割中采用深度卷积神经网络(DCNN)的开创性工作，通过在典型DCNN网络架构的最后阶段用卷积层替换全连接层。在通过跳跃链接的方法融合低级语义特征信息上采样分类输出预测结果。由于受卷积层结构的限制，FCN网络模型受限于卷积感受野，并且缺乏全局依赖信息。空洞卷积和金字塔结构在语义分割性能方面进一步改进了基于FCN的架构。扩大神经网络提取特征的感受野并聚合更多的全局视觉信息。
在编解码结构的语义分割网络模型中，解码器上采样通常使用双线差值或者上池化和反卷积方法恢复分辨率尺寸。双线插值是通过数值分析的方法，使用连接两个已知像素的直线来确定在这两个像素之间的一个未知像素值的方法。即在缩放特征图过程中，通过邻近像素确定缩放目标特征图像素信息。反卷积通常根据特征提取网络的热力图尺寸，通过学习大量的卷积核参数，输出预测结果，需要大量计算以及更长的网络训练时间，也需要更多的内存空间。
语义分割上采样跳跃链接结构，通过在全卷积网络结构中个跨层连接多级低级语义特征信息和局部特征信息，学习端到端的空间预测信息表达。在5个卷积层之后有了32倍的降采样特征图，然后直接通过双线性插值生成32倍的预测特征图，这样会缺乏空间分辨率信息，通过引入前面几个卷积层生成的冗余粗糙特征信息来做融合，弥补在空间位置上丢失的信息。由于使用最后输出的前两个卷积层是有效的，而结合别的语义特征特就过低。分别在编码器特征提取过程中生成1/4特征图和1/8特征图直连解码器上采样，然后通过额外的卷积层来做语义分割推理，再通过多分类器输出预测结果。
跳跃连接结构能以端到端，逐像素的用全卷积神经网络提升语义分割效果。需要在不同阶段融合低级语义特征信息，因而网络模型训练过程中需要分多次训练，导致训练时间长，且最终得到的结果不够精细。在上采样过程中为了弥补一些空间信息，分阶段融合了低级语义特征信息，但是融合特征太过于粗糙，丢失了空间分辨率信息。其次是没有考虑像素之间关联性，缺乏像素信息的空间一致性。最终得到的预测结果不够精细，第三阶段的训练结果较32倍上采样提升了效果，但最终结果还是较为模糊，并且在预测结果中丢失了细节信息，导致预测缺乏准确性。
语义分割上采样转置卷积方法，通过使用多个滤波算子，学习滤波参数，类似卷积操作获得激活热力图，串联的反卷积层的层次结构用于捕获不同级别的形状特征图细节，使用反卷积将目标类别密切相关的激活信息被放大，而池化将来自其他区域的污染噪声激活被有效抑制。将滤波窗口的多个输入激活信息相连，低层中的滤波器算子倾向于捕获对象的整体形状，而特定类别的精细细节在较高层的滤波算子中进行编码，以这种方式，通过池化和反卷积的连续操作获得密集的像素级概率图，输出一个放大的密集热力特征图，最终获得同输入图像分辨率大小的预测结果，直接将特定类别的形状信息考虑在内进行语义分割，以更精细的分辨率有效地重建了分割目标的详细结构，得到较为精准的分割结果。
转置卷积方法是通过学习上采样参数，不是通过基于插值方法。学习的滤波算子倾向于捕获空间信息，串联方式传播了由粗到细的分割目标结构。首先在网络模型训练过程中不容易收敛，需要较长的训练时间来学习大量的滤波器参数，其次需要额外的内存消耗和推理过程，并且转置卷积生成造成棋盘效应，存在网格伪影。
发明内容
针对上述技术问题，本发明的目的在于提供一种卷积注意力机制上采样解码的语义分割方法，通过融合低级语义特征信息和卷积注意力机制提升语义分割效果。
为实现上述目的，本发明提供了一种卷积注意力机制上采样解码的语义分割方法，包括如下步骤：
S1：通过空洞卷积深度神经网络提取特征，增大特征提取感受野；
S2：通过卷积池化金字塔聚合语义分割类别的局部和全局相关上下文信息，平均池化计算得到特征图；
S3：利用特征图的空间关系生成空间注意力特征信息，分别进行一个通道的最大池化和另一个平均池化；
S4：经过两层的神经网络，将得到的特征图相加经过激活函数，引入非线性信息，增强通道的泛化性，得到权重系数；
S5：经过卷积空间注意力和卷积通道注意力，得到两个新的特征图，通过融合上采样，表达空间分辨信息，输出预测分类的语义分割结果。
可选的，在步骤S1中，空洞卷积的计算如下：
其中x表示输入图像的像素信号，y表示输出特征信号，k表示卷积核所遍历的特征图尺寸，ω表示卷积核，r表示空洞卷积的孔洞率。
优选的，所述步骤2中，将每一个通道的所有像素信息计算平均值，得到的特征图的维度就是分类数，更好的将设定类别对应输出特征图，对特征图进行不同尺寸卷积核的局部特征提取，通过更改卷积核尺寸来调整不同感受野，然后融合各个尺度信息，聚合多尺度信息，联合全局平均池化的结果，提升特征图空间分辨率信息。
由上，本发明的卷积注意力机制上采样解码的语义分割方法能有效解决计算机视觉中的场景分析以及场景理解任务，对于解码器部分，通常采样深度神经网络提取语义特征信息，得到高维抽象语义特征图，再经过解码器上采样恢复分辨率。在现有的解决方案中，存在上采样空间信息缺乏、神经网络训练时间过长以及过拟合等问题。本发明通过融合特征信息方法，提出一种上采样卷积注意力机制恢复分辨率结构，提升语义分割效果及性能，降低网络计算内存消耗。
本发明在所选数据集上有很好的分割性能，同时降低了神经网络的参数量，使得模型易于训练，提高了模型的泛化能力。本发明提出一种卷积注意力机制解码结构，用以上采样恢复特征空间分辨率，其中卷积通道适应性注意力有效融合低级语义特征并补全了上采样的数据依赖，卷积空间注意力机制聚合了全局上下文依赖和局部空间信息依赖，有助于高维特征图的信息表达。
附图说明
图1是本发明的卷积注意力机制上采样解码的语义分割方法的流程图。
具体实施方式
下面参见图1对本发明所述卷积注意力机制上采样解码的语义分割方法进行详细说明。
如图1所示，本发明构建了卷积注意力机制上采样解码的语义分割方法，通过空洞卷积深度神经网络提取特征，增大特征提取感受野，这是编码器阶段，其中空洞卷积计算如公式所示：
其中x表示输入图像的像素信号，y表示输出特征信号，k表示卷积核所遍历的特征图尺寸，ω表示卷积核，r表示空洞卷积的孔洞率。编码器阶段通过提取步长为8的特征图，其中低级语义特征图是下采样的冗余特征图部分，用以补全上采样的空间信息，帮助恢复采样的空间分辨率。
在编码器提取高维语义特征后，通过卷积池化金字塔聚合语义分割类别的局部和全局相关上下文信息，其中平均池化计算得到特征图，将每一个通道的所有像素信息计算平均值，得到的特征图的维度就是分类数，更好的将设定类别对应输出特征图，防止金字塔聚合尺度过拟合，整合了全局信息，使得空间信息更加鲁棒。再对特征图进行不同尺寸卷积核的局部特征提取，其中不同大小的卷积核可以更好的提取多尺度信息，可以通过更改卷积核尺寸来调整不同感受野，然后融合各个尺度信息，聚合多尺度信息，联合全局平均池化的结果，提升特征图空间分辨率信息。
卷积空间适应注意力，得到金字塔聚合的特征图Fs h×w×c，利用特征图的空间关系生成空间注意力特征信息，分别进行一个通道的最大池化和另一个平均池化得到特征图Fs1 h×w×1和Fs2 h×w×1，再将Fs1和Fs2在通道轴方向拼接，经过激活函数，输出权重系数Ms，权重系数Ms和输入特征Fs相乘得到新的特征图。如下式所示为卷积空间适应注意力。
Ms(F)＝σ(Conv([AvgPool(Fs)+MaxPool(Fs)]))
卷积通道适应注意力，在编码器特征提取过程中的冗余特征图，保留了低级空间信息，得到特征图Fc，通过卷积通道适应性注意力机制，汇总空间特征信息，分别通过全局最大池化和平均池化得到特征图Fc1 1×1×c和Fc2 1×1×c，利用了不同的通道信息，提高模型表达能力，有效聚合空间信息。再将得到的两个特征图分别经过两层的神经网络，对应的共享权重分别为W0和W1，然后将得到的特征图相加经过激活函数，引入非线性信息，增强通道的泛化性，得到权重系数Mc，最后用Mc和输入特征Fc相乘得到通道注意力特征图。如下式所示为通道空间注意力数学表达式。
Mc(F)＝σ(MLP(AvgPool(Fc1))+MLP(MaxPool(Fc2)))
融合上采样，经过卷积空间注意力和卷积通道注意力，得到两个新的特征图，通过融合上采样，表达空间分辨信息，输出预测分类的语义分割结果。
通过在CamVid数据集中测试本发明的相关步骤以及网络模型表达能力，验证此发明的解决方案可行性。CamVid数据集具有32个目标类别的语义分割标签，每个像素和分类类别提供精细标注。本发明关注其中11类分类标签数据，通过分割评价标准评估了网络模型有效性，增强了语义分割表达能力。
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 (3)
1.一种卷积注意力机制上采样解码的语义分割方法，其特征在于，包括如下步骤：
S1：通过空洞卷积深度神经网络提取特征，增大特征提取感受野；
S2：通过卷积池化金字塔聚合语义分割类别的局部和全局相关上下文信息，平均池化计算得到特征图；
S3：利用特征图的空间关系生成空间注意力特征信息，分别进行一个通道的最大池化和另一个平均池化；
S4：经过两层的神经网络，将得到的特征图相加经过激活函数，引入非线性信息，增强通道的泛化性，得到权重系数；
S5：经过卷积空间注意力和卷积通道注意力，得到两个新的特征图，通过融合上采样，表达空间分辨信息，输出预测分类的语义分割结果。
2.根据权利要求1所述的卷积注意力机制上采样解码的语义分割方法，其特征在于，在步骤S1中，空洞卷积的计算如下：
其中x表示输入图像的像素信号，y表示输出特征信号，k表示卷积核所遍历的特征图尺寸，ω表示卷积核，r表示空洞卷积的孔洞率。
3.根据权利要求1所述的卷积注意力机制上采样解码的语义分割方法，其特征在于，所述步骤2中，将每一个通道的所有像素信息计算平均值，得到的特征图的维度就是分类数，更好的将设定类别对应输出特征图，对特征图进行不同尺寸卷积核的局部特征提取，通过更改卷积核尺寸来调整不同感受野，然后融合各个尺度信息，聚合多尺度信息，联合全局平均池化的结果，提升特征图空间分辨率信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864663.8A CN113486897A (zh) | 2021-07-29 | 2021-07-29 | 一种卷积注意力机制上采样解码的语义分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864663.8A CN113486897A (zh) | 2021-07-29 | 2021-07-29 | 一种卷积注意力机制上采样解码的语义分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486897A true CN113486897A (zh) | 2021-10-08 |
Family
ID=77944549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110864663.8A Pending CN113486897A (zh) | 2021-07-29 | 2021-07-29 | 一种卷积注意力机制上采样解码的语义分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486897A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113989507A (zh) * | 2021-11-23 | 2022-01-28 | 江苏科技大学 | 一种水下图像语义分割模型及分割方法 |
| CN114048822A (zh) * | 2021-11-19 | 2022-02-15 | 辽宁工程技术大学 | 一种图像的注意力机制特征融合分割方法 |
| CN114118415A (zh) * | 2021-11-29 | 2022-03-01 | 暨南大学 | 一种轻量级瓶颈注意力机制的深度学习方法 |
| CN114140322A (zh) * | 2021-11-19 | 2022-03-04 | 华中科技大学 | 注意力引导插值方法和低延迟语义分割方法 |
| CN114220098A (zh) * | 2021-12-21 | 2022-03-22 | 一拓通信集团股份有限公司 | 一种基于改进的多尺度全卷积网络语义分割方法 |
| CN114332094A (zh) * | 2021-12-07 | 2022-04-12 | 海南大学 | 基于轻量级多尺度信息融合网络的语义分割方法及装置 |
| CN114898143A (zh) * | 2022-04-19 | 2022-08-12 | 天津大学 | 基于全局与局部视觉特征协同分类方法、设备及存储介质 |
| CN114913325A (zh) * | 2022-03-24 | 2022-08-16 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
| CN115131568A (zh) * | 2022-08-31 | 2022-09-30 | 中国科学院空天信息创新研究院 | 基于非局部注意力机制的空间目标分割方法及装置 |
| CN115170985A (zh) * | 2022-07-25 | 2022-10-11 | 贵州华数云谷科技有限公司 | 一种基于阈值注意力的遥感图像语义分割网络及分割方法 |
| CN115294412A (zh) * | 2022-10-10 | 2022-11-04 | 临沂大学 | 基于深度学习的实时煤岩分割网络生成方法 |
| CN115496990A (zh) * | 2022-11-18 | 2022-12-20 | 武汉纺织大学 | 一种基于深度学习的服装图像解析方法 |
| CN116884005A (zh) * | 2023-09-08 | 2023-10-13 | 江西财经大学 | 一种结合卷积网络与图特征的快速语义分割方法与系统 |
| CN116895030A (zh) * | 2023-09-11 | 2023-10-17 | 西华大学 | 基于目标检测算法和注意力机制的绝缘子检测方法 |
| CN113920378B (zh) * | 2021-11-09 | 2023-10-20 | 西安交通大学 | 基于注意力机制的柴胡种子识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378484A (zh) * | 2019-04-28 | 2019-10-25 | 清华大学 | 一种基于注意力机制的空洞卷积空间金字塔池化上下文学习方法 |
| CN110532955A (zh) * | 2019-08-30 | 2019-12-03 | 中国科学院宁波材料技术与工程研究所 | 基于特征注意力和子上采样的实例分割方法和装置 |
| CN111680695A (zh) * | 2020-06-08 | 2020-09-18 | 河南工业大学 | 一种基于反向注意力模型的语义分割方法 |
| CN112287940A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于深度学习的注意力机制的语义分割的方法 |
-
2021
- 2021-07-29 CN CN202110864663.8A patent/CN113486897A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378484A (zh) * | 2019-04-28 | 2019-10-25 | 清华大学 | 一种基于注意力机制的空洞卷积空间金字塔池化上下文学习方法 |
| CN110532955A (zh) * | 2019-08-30 | 2019-12-03 | 中国科学院宁波材料技术与工程研究所 | 基于特征注意力和子上采样的实例分割方法和装置 |
| CN111680695A (zh) * | 2020-06-08 | 2020-09-18 | 河南工业大学 | 一种基于反向注意力模型的语义分割方法 |
| CN112287940A (zh) * | 2020-10-30 | 2021-01-29 | 西安工程大学 | 一种基于深度学习的注意力机制的语义分割的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张丹丹: "《基于深度神经网络技术的高分遥感图像处理及应用》", vol. 978, 31 August 2020, 中国宇航出版社, pages: 113 - 114 * |
| 杨博雄等: "《基于高性能计算的深度学习理论与实践研究》", vol. 978, 31 December 2019, 武汉大学出版社, pages: 110 - 111 * |
| 翟鹏博等: "结合注意力机制的双路径语义分割", 《中国图象图形学报》, vol. 25, no. 08, 16 August 2020 (2020-08-16), pages 1627 - 1636 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920378B (zh) * | 2021-11-09 | 2023-10-20 | 西安交通大学 | 基于注意力机制的柴胡种子识别方法 |
| CN114048822A (zh) * | 2021-11-19 | 2022-02-15 | 辽宁工程技术大学 | 一种图像的注意力机制特征融合分割方法 |
| CN114140322A (zh) * | 2021-11-19 | 2022-03-04 | 华中科技大学 | 注意力引导插值方法和低延迟语义分割方法 |
| CN114140322B (zh) * | 2021-11-19 | 2024-07-05 | 华中科技大学 | 注意力引导插值方法和低延迟语义分割方法 |
| CN113989507B (zh) * | 2021-11-23 | 2024-07-12 | 江苏科技大学 | 一种水下图像语义分割模型及分割方法 |
| CN113989507A (zh) * | 2021-11-23 | 2022-01-28 | 江苏科技大学 | 一种水下图像语义分割模型及分割方法 |
| CN114118415A (zh) * | 2021-11-29 | 2022-03-01 | 暨南大学 | 一种轻量级瓶颈注意力机制的深度学习方法 |
| CN114332094A (zh) * | 2021-12-07 | 2022-04-12 | 海南大学 | 基于轻量级多尺度信息融合网络的语义分割方法及装置 |
| CN114220098A (zh) * | 2021-12-21 | 2022-03-22 | 一拓通信集团股份有限公司 | 一种基于改进的多尺度全卷积网络语义分割方法 |
| CN114913325A (zh) * | 2022-03-24 | 2022-08-16 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
| CN114913325B (zh) * | 2022-03-24 | 2024-05-10 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
| CN114898143A (zh) * | 2022-04-19 | 2022-08-12 | 天津大学 | 基于全局与局部视觉特征协同分类方法、设备及存储介质 |
| CN115170985A (zh) * | 2022-07-25 | 2022-10-11 | 贵州华数云谷科技有限公司 | 一种基于阈值注意力的遥感图像语义分割网络及分割方法 |
| CN115131568A (zh) * | 2022-08-31 | 2022-09-30 | 中国科学院空天信息创新研究院 | 基于非局部注意力机制的空间目标分割方法及装置 |
| CN115294412A (zh) * | 2022-10-10 | 2022-11-04 | 临沂大学 | 基于深度学习的实时煤岩分割网络生成方法 |
| CN115496990A (zh) * | 2022-11-18 | 2022-12-20 | 武汉纺织大学 | 一种基于深度学习的服装图像解析方法 |
| CN116884005B (zh) * | 2023-09-08 | 2023-11-07 | 江西财经大学 | 一种结合卷积网络与图特征的快速语义分割方法与系统 |
| CN116884005A (zh) * | 2023-09-08 | 2023-10-13 | 江西财经大学 | 一种结合卷积网络与图特征的快速语义分割方法与系统 |
| CN116895030B (zh) * | 2023-09-11 | 2023-11-17 | 西华大学 | 基于目标检测算法和注意力机制的绝缘子检测方法 |
| CN116895030A (zh) * | 2023-09-11 | 2023-10-17 | 西华大学 | 基于目标检测算法和注意力机制的绝缘子检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113486897A (zh) | 一种卷积注意力机制上采样解码的语义分割方法 | |
| CN112287940B (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
| CN111259905B (zh) | 一种基于下采样的特征融合遥感图像语义分割方法 | |
| CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
| CN111612807B (zh) | 一种基于尺度和边缘信息的小目标图像分割方法 | |
| CN112396607B (zh) | 一种可变形卷积融合增强的街景图像语义分割方法 | |
| CN112581409B (zh) | 一种基于端到端的多重信息蒸馏网络的图像去雾方法 | |
| CN111062395B (zh) | 一种实时的视频语义分割方法 | |
| CN111191654B (zh) | 道路数据生成方法、装置、电子设备及存储介质 | |
| CN113902915A (zh) | 一种基于低光照复杂道路场景下的语义分割方法及系统 | |
| CN113850813A (zh) | 基于空间分辨率域自适应的无监督遥感图像语义分割方法 | |
| CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
| CN111563507A (zh) | 一种基于卷积神经网络的室内场景语义分割方法 | |
| CN114048822A (zh) | 一种图像的注意力机制特征融合分割方法 | |
| CN117765361B (zh) | 一种基于残差神经网络检测双时相遥感影像中建筑物变化区域的方法 | |
| CN112598053A (zh) | 基于半监督学习的主动显著性目标检测方法 | |
| CN115082675B (zh) | 一种透明物体图像分割方法及系统 | |
| CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及系统 | |
| CN110706239A (zh) | 融合全卷积神经网络与改进aspp模块的场景分割方法 | |
| CN111652081A (zh) | 一种基于光流特征融合的视频语义分割方法 | |
| CN111382759A (zh) | 一种像素级分类方法、装置、设备及存储介质 | |
| CN114359297A (zh) | 基于注意力金字塔的多分辨率语义分割方法及装置 | |
| CN112700460B (zh) | 图像分割方法及系统 | |
| CN112819000A (zh) | 街景图像语义分割系统及分割方法、电子设备及计算机可读介质 | |
| CN116797787A (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 |
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 |