CN113570608B - 目标分割的方法、装置及电子设备 - Google Patents
目标分割的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113570608B CN113570608B CN202110738825.3A CN202110738825A CN113570608B CN 113570608 B CN113570608 B CN 113570608B CN 202110738825 A CN202110738825 A CN 202110738825A CN 113570608 B CN113570608 B CN 113570608B
- Authority
- CN
- China
- Prior art keywords
- feature map
- generate
- feature
- downsampling
- downsampled
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003287 optical effect Effects 0.000 claims abstract description 93
- 238000005070 sampling Methods 0.000 claims description 122
- 230000004927 fusion Effects 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 42
- 238000012937 correction Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 description 60
- 238000010586 diagram Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种目标分割的方法、装置及电子设备,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下。具体实现方案为:对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图,生成第三上采样特征图和生成第二上采样特征图;根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图;对所述第一上采样特征图进行解码,以生成目标分割图像。本公开实施例可以根据待检测图像检测其中的目标。通过融合不同尺度的特征图,获取的信息更加丰富,通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于智慧城市和智能交通场景下,尤其涉及一种目标分割的方法、装置及电子设备。
背景技术
随着人工智能相关技术的发展与应用,越来越多的领域显露出对智能化、自动化技术的强烈需求,其中短视频领域就是其中之一。在短视频领域中,视频目标分割方法的使用前景非常好,无论是视频中指定目标的抠除,背景虚化等都是比较依赖于视频目标分割方法的。所以视频目标分割方法的发展对短视频处理的智能化,特效处理等具有十分重要的意义。
但是现在视频目标分割方法中检测目标物体的准确度较低,目前缺乏可以较为精确地检测目标物体的视频目标分割方法。
发明内容
本公开提供了一种目标分割的方法、装置及电子设备,可用于智慧城市和智能交通场景下。
根据本公开的第一方面,提供了一种目标分割的方法,包括:
对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图;
根据所述第三下采样特征图生成第三上采样特征图;
根据所述第三上采样特征图和所述第二下采样特征图生成第二上采样特征图;
根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图;
对所述第一上采样特征图进行解码,以生成目标分割图像。
可选地,所述生成第一下采样特征图、第二下采样特征图和第三下采样特征图,包括:
提取所述待检测图像的特征,以生成所述第一下采样特征图;
对所述第一下采样特征图进行下采样,以生成所述第二下采样特征图;
对所述第二下采样特征图进行下采样,以生成所述第三下采样特征图。
可选地,所述根据所述第三下采样特征图生成第三上采样特征图,包括:
对所述第三下采样特征图进行池化,以生成所述第三上采样特征图。
可选地,所述根据所述第三上采样特征图和所述第二下采样特征图生成第二上采样特征图,包括:
对所述第三上采样特征图进行上采样,以生成第一特征图;
将所述第一特征图与所述第二下采样特征图拼接,以生成第一融合特征图;
将所述第一融合特征图输入光流提取网络,并生成第一光流特征图;
通过所述第一光流特征图修正所述第一特征图中像素的位置,以生成第一修正特征图;
将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,以生成所述第二上采样特征图。
可选地,所述根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图,包括:
对所述第二上采样特征图进行上采样,以生成第二特征图;
将所述第二特征图与所述第一下采样特征图拼接,以生成第二融合特征图;
将所述第二融合特征图输入光流提取网络,并生成第二光流特征图;
通过所述第二光流特征图修正所述第二特征图中像素的位置,以生成第二修正特征图;
将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,以生成所述第一上采样特征图。
根据本公开的第二方面,提供了一种目标分割的装置,包括:
特征提取模块,用于对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图;
池化模块,用于根据所述第三下采样特征图生成第三上采样特征图;
第一特征融合模块,用于根据所述第三上采样特征图和所述第二下采样特征图生成第二上采样特征图;
第二特征融合模块,用于根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图;
目标分割模块,用于对所述第一上采样特征图进行解码,以生成目标分割图像。
可选地,所述特征提取模块,包括:
第一下采样子模块,用于提取所述待检测图像的特征,以生成所述第一下采样特征图;
第二下采样子模块,用于对所述第一下采样特征图进行下采样,以生成所述第二下采样特征图;
第三下采样子模块,用于对所述第二下采样特征图进行下采样,以生成所述第三下采样特征图。
可选地,所述池化模块,包括:
池化子模块,用于对所述第三下采样特征图进行池化,以生成所述第三上采样特征图。
可选地,所述第一特征融合模块,包括:
第一特征图生成子模块,用于对所述第三上采样特征图进行上采样,以生成第一特征图;
第一特征融合子模块,用于将所述第一特征图与所述第二下采样特征图拼接,以生成第一融合特征图;
第一光流提取子模块,用于将所述第一融合特征图输入光流提取网络,并生成第一光流特征图;
第一修正子模块,用于通过所述第一光流特征图修正所述第一特征图中像素的位置,以生成第一修正特征图;
第一特征相加模块,用于将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,以生成所述第二上采样特征图。
可选地,所述第二特征融合模块,包括:
第二特征图生成子模块,用于对所述第二上采样特征图进行上采样,以生成第二特征图;
第二特征融合子模块,用于将所述第二特征图与所述第一下采样特征图拼接,以生成第二融合特征图;
第二光流提取子模块,用于将所述第二融合特征图输入光流提取网络,并生成第二光流特征图;
第二修正子模块,用于通过所述第二光流特征图修正所述第二特征图中像素的位置,以生成第二修正特征图;
第二特征相加模块,用于将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,以生成所述第一上采样特征图。
根据本公开的第三方面,提供了一种电子设备,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所述第一方面中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据所述第一方面中任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据所述第一方面中任一项所述的方法。
本公开具有以下有益效果:
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。
通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种目标分割方法的流程示意图;
图2是根据本公开实施例提供的一种目标分割方法的流程示意图;
图3是根据本公开实施例提供的一种目标分割方法的流程示意图;
图4是根据本公开实施例提供的一种目标分割方法的流程示意图;
图5是根据本公开实施例提供的一种目标分割装置的结构示意图;
图6是根据本公开实施例提供的一种目标分割装置的结构示意图;
图7是根据本公开实施例提供的一种目标分割装置的结构示意图;
图8是根据本公开实施例提供的一种目标分割装置的结构示意图;
图9是用来实现本公开实施例的目标分割的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
随着人工智能相关技术的发展与应用,越来越多的领域显露出对智能化、自动化技术的强烈需求,其中短视频领域就是其中之一。在短视频领域中,视频目标分割方法的使用前景非常好,无论是视频中指定目标的抠除,背景虚化等都是比较依赖于视频目标分割方法的。所以视频目标分割方法的发展对短视频处理的智能化,特效处理等具有十分重要的意义。
但是现在视频目标分割方法中,有一个比较难解决的问题,在不同的视频环境下,不同的目标有不同的帧间运动速度,所以低帧间运动速度下设定的网络参数就不一定会适用与高帧间运动速度的目标,因此大家都会提出采用多尺度的目标分割方法,以提升目标分割的鲁棒性,但是同时会存在的问题就是,多尺度间的特征融合方式,基本都是基于特征金字塔网络(Feature Pyramid Networks,FPN)结构完成的特征融合,所述FPN的实质是低分辨率的特征图双线行插值后与高分辨率特征图拼接concat或者相加sum得到,但其实这种方法会导致高低分辨率特征无法对齐,导致视频目标分割的效果达不到预期。为了解决以上问题,本公开提出一种目标分割的方法。
图1是根据本公开实施例提供的一种目标分割方法的流程示意图,如图1所示,所述目标分割方法包括:
步骤101,对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图;
本公开通过下采样来提取待检测图像的特征。下采样,是对于一个样值序列间隔几个样值取样一次,这样得到新序列就是原序列的下采样。下采样就是抽取,是多速率信号处理中的基本内容之一。本公开为了获取所述待检测图像不同尺度的特征,首先对待检测图像进行下采样,生成所述第一下采样特征图,所述第一下采样特征图的大小为所述待检测图像的1/4;再对所述第一下采样特征图进行下采样,生成所述第二下采样特征图,所述第二下采样特征图的大小为所述待检测图像的1/8;最后对所述第二下采样特征图进行下采样,生成所述第三下采样特征图,所述第三下采样特征图的大小为所述待检测图像的1/16。这样可以得到不同尺度,不同分辨率的三个采样特征图。
步骤102,根据所述第三下采样特征图生成第三上采样特征图;
为了进行特征融合,需要将不同尺度的特征图变为同一尺度,本公开通过金字塔池化模块(pyramid pooling module,PPM)来对所述第三下采样特征图进行池化操作,以生成所述第三上采样特征图。实现了聚合不同区域的上下文信息,从而提高获取全局信息的能力。
步骤103,根据所述第三上采样特征图和所述第二下采样特征图生成第二上采样特征图;
所述第三上采样特征图和所述第二下采样特征图的尺度不同,为了将其融合,本公开对所述第三上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第一特征图。经上采样操作,所述第一特征图与所述第二下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第一融合特征图。将所述第一融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第一融合特征图中的光流特征,并生成第一光流特征图;通过所述第一光流特征图修正所述第一特征图中像素的位置,将所述第一特征图中像素调整到正确的位置,以生成第一修正特征图;将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第二上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤104,根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图;
所述第二上采样特征图和所述第一下采样特征图的尺度不同,为了将其融合,本公开对所述第二上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第二特征图。经上采样操作,所述第二特征图与所述第一下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第二融合特征图。将所述第二融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第二融合特征图中的光流特征,并生成第二光流特征图;通过所述第二光流特征图修正所述第二特征图中像素的位置,也即进行扭曲warp操作,将所述第二特征图中像素调整到正确的位置,以生成第二修正特征图;将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第一上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤105,对所述第一上采样特征图进行解码,以生成目标分割图像。
对所述第一上采样特征图进行上采样,来恢复特征并生成所述目标分割图像,通过所述目标分割图像,即可获取目标的位置。
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
图2是根据本公开实施例提供的一种目标分割方法的流程示意图,如图2所示,所述目标分割方法包括:
步骤201,提取所述待检测图像的特征,以生成所述第一下采样特征图;
本公开为了获取所述待检测图像不同尺度的特征,首先对待检测图像进行下采样,生成所述第一下采样特征图,所述第一下采样特征图的大小为所述待检测图像的1/4。需要说明的是,在每次上采样之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤202,对所述第一下采样特征图进行下采样,以生成所述第二下采样特征图;
再对所述第一下采样特征图进行下采样,生成所述第二下采样特征图,所述第二下采样特征图的大小为所述待检测图像的1/8;这样可以得到不同尺度,不同分辨率的三个采样特征图。需要说明的是,在每次上采样之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤203,对所述第二下采样特征图进行下采样,以生成所述第三下采样特征图。
最后对所述第二下采样特征图进行下采样,生成所述第三下采样特征图,所述第三下采样特征图的大小为所述待检测图像的1/16。需要说明的是,在每次上采样之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
可选地,所述根据所述第三下采样特征图生成第三上采样特征图,包括:
对所述第三下采样特征图进行池化,以生成所述第三上采样特征图。
为了进行特征融合,需要将不同尺度的特征图变为同一尺度,本公开通过金字塔池化模块(pyramid pooling module,PPM)来对所述第三下采样特征图进行池化操作,以生成所述第三上采样特征图。实现了聚合不同区域的上下文信息,从而提高获取全局信息的能力。
首先使用全局平均池化得到不同尺度的特征,PPM模块融合了4个不同尺度的特征。本公开中有三种尺度的特征图,也即所述第一下采样特征图、所述第二下采样特征图和所述第三下采样特征图。再利用1x1的卷积核来降低通道维度。上采样到和所述第三下采样特征图相同的尺寸,获取所述第三上采样特征图。
图3是根据本公开实施例提供的一种目标分割方法的流程示意图,如图3所示,所述目标分割方法包括:
步骤301,对所述第三上采样特征图进行上采样,以生成第一特征图;
所述第三上采样特征图和所述第二下采样特征图的尺度不同,为了将其融合,本公开对所述第三上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第一特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤302,将所述第一特征图与所述第二下采样特征图拼接,以生成第一融合特征图;
经上采样操作,所述第一特征图与所述第二下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第一融合特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤303,将所述第一融合特征图输入光流提取网络,并生成第一光流特征图;
将所述第一融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第一融合特征图中的光流特征,并生成第一光流特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤304,通过所述第一光流特征图修正所述第一特征图中像素的位置,以生成第一修正特征图;
通过所述第一光流特征图修正所述第一特征图中像素的位置,将所述第一特征图中像素调整到正确的位置,以生成第一修正特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤305,将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,以生成所述第二上采样特征图。
将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第二上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
图4是根据本公开实施例提供的一种目标分割方法的流程示意图,如图4所示,所述目标分割方法包括:
步骤401,对所述第二上采样特征图进行上采样,以生成第二特征图;
所述第二上采样特征图和所述第一下采样特征图的尺度不同,为了将其融合,本公开对所述第二上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第二特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤402,将所述第二特征图与所述第一下采样特征图拼接,以生成第二融合特征图;
经上采样操作,所述第二特征图与所述第一下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第二融合特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤403,将所述第二融合特征图输入光流提取网络,并生成第二光流特征图;
将所述第二融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第二融合特征图中的光流特征,并生成第二光流特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤404,通过所述第二光流特征图修正所述第二特征图中像素的位置,以生成第二修正特征图;
通过所述第二光流特征图修正所述第一特征图中像素的位置,将所述第二特征图中像素调整到正确的位置,以生成第二修正特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
步骤405,将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,以生成所述第一上采样特征图。
将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第一上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
图5是根据本公开实施例提供的一种目标分割装置的结构示意图,如图5所示,所述目标分割装置500包括:
特征提取模块510,用于对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图;
本公开通过下采样来提取待检测图像的特征。下采样,是对于一个样值序列间隔几个样值取样一次,这样得到新序列就是原序列的下采样。下采样就是抽取,是多速率信号处理中的基本内容之一。本公开为了获取所述待检测图像不同尺度的特征,首先对待检测图像进行下采样,生成所述第一下采样特征图,所述第一下采样特征图的大小为所述待检测图像的1/4;再对所述第一下采样特征图进行下采样,生成所述第二下采样特征图,所述第二下采样特征图的大小为所述待检测图像的1/8;最后对所述第二下采样特征图进行下采样,生成所述第三下采样特征图,所述第三下采样特征图的大小为所述待检测图像的1/16。这样可以得到不同尺度,不同分辨率的三个采样特征图。
池化模块520,用于根据所述第三下采样特征图生成第三上采样特征图;
为了进行特征融合,需要将不同尺度的特征图变为同一尺度,本公开通过金字塔池化模块(pyramid pooling module,PPM)来对所述第三下采样特征图进行池化操作,以生成所述第三上采样特征图。实现了聚合不同区域的上下文信息,从而提高获取全局信息的能力。
第一特征融合模块530,用于根据所述第三上采样特征图和所述第二下采样特征图生成第二上采样特征图;
所述第三上采样特征图和所述第二下采样特征图的尺度不同,为了将其融合,本公开对所述第三上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第一特征图。经上采样操作,所述第一特征图与所述第二下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第一融合特征图。将所述第一融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第一融合特征图中的光流特征,并生成第一光流特征图;通过所述第一光流特征图修正所述第一特征图中像素的位置,将所述第一特征图中像素调整到正确的位置,以生成第一修正特征图;将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第二上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第二特征融合模块540,用于根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图;
所述第二上采样特征图和所述第一下采样特征图的尺度不同,为了将其融合,本公开对所述第二上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第二特征图。经上采样操作,所述第二特征图与所述第一下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第二融合特征图。将所述第二融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第二融合特征图中的光流特征,并生成第二光流特征图;通过所述第二光流特征图修正所述第二特征图中像素的位置,也即进行扭曲warp操作,将所述第二特征图中像素调整到正确的位置,以生成第二修正特征图;将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第一上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
目标分割模块550,用于对所述第一上采样特征图进行解码,以生成目标分割图像。
对所述第一上采样特征图进行上采样,来恢复特征并生成所述目标分割图像,通过所述目标分割图像,即可获取目标的位置。
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
图6是根据本公开实施例提供的一种目标分割装置的结构示意图,如图6所示,所述目标分割装置600包括:
第一下采样子模块610,用于提取所述待检测图像的特征,以生成所述第一下采样特征图;
本公开为了获取所述待检测图像不同尺度的特征,首先对待检测图像进行下采样,生成所述第一下采样特征图,所述第一下采样特征图的大小为所述待检测图像的1/4。需要说明的是,在每次上采样之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第二下采样子模块620,用于对所述第一下采样特征图进行下采样,以生成所述第二下采样特征图;
再对所述第一下采样特征图进行下采样,生成所述第二下采样特征图,所述第二下采样特征图的大小为所述待检测图像的1/8;这样可以得到不同尺度,不同分辨率的三个采样特征图。需要说明的是,在每次上采样之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第三下采样子模块630,用于对所述第二下采样特征图进行下采样,以生成所述第三下采样特征图。
最后对所述第二下采样特征图进行下采样,生成所述第三下采样特征图,所述第三下采样特征图的大小为所述待检测图像的1/16。需要说明的是,在每次上采样之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
可选地,所述池化模块,包括:
池化子模块,用于对所述第三下采样特征图进行池化,以生成所述第三上采样特征图。
为了进行特征融合,需要将不同尺度的特征图变为同一尺度,本公开通过金字塔池化模块(pyramid pooling module,PPM)来对所述第三下采样特征图进行池化操作,以生成所述第三上采样特征图。实现了聚合不同区域的上下文信息,从而提高获取全局信息的能力。
首先使用全局平均池化得到不同尺度的特征,PPM模块融合了4个不同尺度的特征。本公开中有三种尺度的特征图,也即所述第一下采样特征图、所述第二下采样特征图和所述第三下采样特征图。再利用1x1的卷积核来降低通道维度。上采样到和所述第三下采样特征图相同的尺寸,获取所述第三上采样特征图。
图7是根据本公开实施例提供的一种目标分割装置的结构示意图,如图7所示,所述目标分割装置700包括:
第一特征图生成子模块710,用于对所述第三上采样特征图进行上采样,以生成第一特征图;
所述第三上采样特征图和所述第二下采样特征图的尺度不同,为了将其融合,本公开对所述第三上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第一特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第一特征融合子模块720,用于将所述第一特征图与所述第二下采样特征图拼接,以生成第一融合特征图;
经上采样操作,所述第一特征图与所述第二下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第一融合特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第一光流提取子模块730,用于将所述第一融合特征图输入光流提取网络,并生成第一光流特征图;
将所述第一融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第一融合特征图中的光流特征,并生成第一光流特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第一修正子模块740,用于通过所述第一光流特征图修正所述第一特征图中像素的位置,以生成第一修正特征图;
通过所述第一光流特征图修正所述第一特征图中像素的位置,将所述第一特征图中像素调整到正确的位置,以生成第一修正特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第一特征相加模块750,用于将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,以生成所述第二上采样特征图。
将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第二上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
图8是根据本公开实施例提供的一种目标分割装置的结构示意图,如图8所示,所述目标分割装置800包括:
第二特征图生成子模块810,用于对所述第二上采样特征图进行上采样,以生成第二特征图;
所述第二上采样特征图和所述第一下采样特征图的尺度不同,为了将其融合,本公开对所述第二上采样特征图进行上采样,所述采样的采样倍数为2倍,生成第二特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第二特征融合子模块820,用于将所述第二特征图与所述第一下采样特征图拼接,以生成第二融合特征图;
经上采样操作,所述第二特征图与所述第一下采样特征图的尺度相同,可以进行拼接concat,这样就可以生成第二融合特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第二光流提取子模块830,用于将所述第二融合特征图输入光流提取网络,并生成第二光流特征图;
将所述第二融合特征图输入光流提取网络,所述光流提取网络包含3×3的卷积核,可以提取所述第二融合特征图中的光流特征,并生成第二光流特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第二修正子模块840,用于通过所述第二光流特征图修正所述第二特征图中像素的位置,以生成第二修正特征图;
通过所述第二光流特征图修正所述第一特征图中像素的位置,将所述第二特征图中像素调整到正确的位置,以生成第二修正特征图;需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
第二特征相加模块850,用于将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,以生成所述第一上采样特征图。
将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,也即进行sum操作,以生成所述第一上采样特征图。需要说明的是,在每次上采样或卷积核之后,均会通过批次归一化层batchnorm进行归一化操作,使各个像素的特征值回归到[0,1]的范围内。
通过融合不同尺度的特征图,获取的信息更加丰富,提高了目标分割的鲁棒性。通过光流来对其不同尺度图像的特征,获得的目标分割图像更接近实际情况,目标分割的结果更准确。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如所述目标分割方法。例如,在一些实施例中,所述目标分割方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的所述目标分割方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行所述目标分割方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种目标分割的方法,包括:
对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图;
根据所述第三下采样特征图生成第三上采样特征图;
对所述第三上采样特征图进行上采样,以生成第一特征图;
将所述第一特征图与所述第二下采样特征图拼接,以生成第一融合特征图;
将所述第一融合特征图输入光流提取网络,并生成第一光流特征图;
通过所述第一光流特征图修正所述第一特征图中像素的位置,以生成第一修正特征图;
将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,以生成第二上采样特征图;
对所述第二上采样特征图进行上采样,以生成第二特征图;
将所述第二特征图与所述第一下采样特征图拼接,以生成第二融合特征图;
将所述第二融合特征图输入光流提取网络,并生成第二光流特征图;
通过所述第二光流特征图修正所述第二特征图中像素的位置,以生成第二修正特征图;
将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,以生成第一上采样特征图;
对所述第一上采样特征图进行解码,以生成目标分割图像。
2.根据权利要求1所述的方法,其中,所述生成第一下采样特征图、第二下采样特征图和第三下采样特征图,包括:
提取所述待检测图像的特征,以生成所述第一下采样特征图;
对所述第一下采样特征图进行下采样,以生成所述第二下采样特征图;
对所述第二下采样特征图进行下采样,以生成所述第三下采样特征图。
3.根据权利要求1所述的方法,其中,所述根据所述第三下采样特征图生成第三上采样特征图,包括:
对所述第三下采样特征图进行池化,以生成所述第三上采样特征图。
4.一种目标分割的装置,包括:
特征提取模块,用于对待检测图像进行特征提取,生成第一下采样特征图、第二下采样特征图和第三下采样特征图;
池化模块,用于根据所述第三下采样特征图生成第三上采样特征图;
第一特征融合模块,用于根据所述第三上采样特征图和所述第二下采样特征图生成第二上采样特征图;
第二特征融合模块,用于根据所述第二上采样特征图和所述第一下采样特征图生成第一上采样特征图;
目标分割模块,用于对所述第一上采样特征图进行解码,以生成目标分割图像;
所述第一特征融合模块,包括:
第一特征图生成子模块,用于对所述第三上采样特征图进行上采样,以生成第一特征图;
第一特征融合子模块,用于将所述第一特征图与所述第二下采样特征图拼接,以生成第一融合特征图;
第一光流提取子模块,用于将所述第一融合特征图输入光流提取网络,并生成第一光流特征图;
第一修正子模块,用于通过所述第一光流特征图修正所述第一特征图中像素的位置,以生成第一修正特征图;
第一特征相加模块,用于将所述第一修正特征图中像素与所述第二下采样特征图中像素点对点相加,以生成所述第二上采样特征图;
所述第二特征融合模块,包括:
第二特征图生成子模块,用于对所述第二上采样特征图进行上采样,以生成第二特征图;
第二特征融合子模块,用于将所述第二特征图与所述第一下采样特征图拼接,以生成第二融合特征图;
第二光流提取子模块,用于将所述第二融合特征图输入光流提取网络,并生成第二光流特征图;
第二修正子模块,用于通过所述第二光流特征图修正所述第二特征图中像素的位置,以生成第二修正特征图;
第二特征相加模块,用于将所述第二修正特征图中像素与所述第一下采样特征图中像素点对点相加,以生成所述第一上采样特征图。
5.根据权利要求4所述的装置,其中,所述特征提取模块,包括:
第一下采样子模块,用于提取所述待检测图像的特征,以生成所述第一下采样特征图;
第二下采样子模块,用于对所述第一下采样特征图进行下采样,以生成所述第二下采样特征图;
第三下采样子模块,用于对所述第二下采样特征图进行下采样,以生成所述第三下采样特征图。
6.根据权利要求4所述的装置,其中,所述池化模块,包括:
池化子模块,用于对所述第三下采样特征图进行池化,以生成所述第三上采样特征图。
7. 一种电子设备,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1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738825.3A CN113570608B (zh) | 2021-06-30 | 2021-06-30 | 目标分割的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738825.3A CN113570608B (zh) | 2021-06-30 | 2021-06-30 | 目标分割的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570608A CN113570608A (zh) | 2021-10-29 |
CN113570608B true CN113570608B (zh) | 2023-07-21 |
Family
ID=78163195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738825.3A Active CN113570608B (zh) | 2021-06-30 | 2021-06-30 | 目标分割的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570608B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631196B (zh) * | 2022-12-20 | 2023-03-10 | 杭州太美星程医药科技有限公司 | 图像分割方法、模型的训练方法、装置、设备和存储介质 |
CN115909255B (zh) * | 2023-01-05 | 2023-06-06 | 北京百度网讯科技有限公司 | 图像生成、图像分割方法、装置、设备、车载终端及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816671A (zh) * | 2019-01-31 | 2019-05-28 | 深兰科技(上海)有限公司 | 一种目标检测方法、装置及存储介质 |
CN109993096A (zh) * | 2019-03-26 | 2019-07-09 | 东北大学 | 一种面向视频目标检测的光流多层帧特征传播及聚合方法 |
CN111931684A (zh) * | 2020-08-26 | 2020-11-13 | 北京建筑大学 | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 |
CN112053327A (zh) * | 2020-08-18 | 2020-12-08 | 南京理工大学 | 视频目标物检测方法、系统及存储介质和服务器 |
-
2021
- 2021-06-30 CN CN202110738825.3A patent/CN113570608B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816671A (zh) * | 2019-01-31 | 2019-05-28 | 深兰科技(上海)有限公司 | 一种目标检测方法、装置及存储介质 |
CN109993096A (zh) * | 2019-03-26 | 2019-07-09 | 东北大学 | 一种面向视频目标检测的光流多层帧特征传播及聚合方法 |
CN112053327A (zh) * | 2020-08-18 | 2020-12-08 | 南京理工大学 | 视频目标物检测方法、系统及存储介质和服务器 |
CN111931684A (zh) * | 2020-08-26 | 2020-11-13 | 北京建筑大学 | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的无人机航拍车辆检测;赵爽;黄怀玉;胡一鸣;娄小平;王欣刚;;计算机应用(第S2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570608A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321593B2 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
US20200134365A1 (en) | Instance segmentation methods and apparatuses, electronic devices, programs, and media | |
CN113570608B (zh) | 目标分割的方法、装置及电子设备 | |
CN113570606B (zh) | 目标分割的方法、装置及电子设备 | |
CN113570610B (zh) | 采用语义分割模型对视频进行目标分割的方法、装置 | |
CN112861830B (zh) | 特征提取方法、装置、设备、存储介质以及程序产品 | |
CN113139543A (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN112802037A (zh) | 人像提取方法、装置、电子设备及存储介质 | |
CN114202648B (zh) | 文本图像矫正方法、训练方法、装置、电子设备以及介质 | |
CN113920313B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113361535B (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
CN114549535A (zh) | 一种图像分割方法、装置、设备、存储介质及产品 | |
CN113361536B (zh) | 图像语义分割模型训练、图像语义分割方法及相关装置 | |
CN115330851A (zh) | 单目深度估计方法、装置、电子设备、存储介质及车辆 | |
CN113139463B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN114842066A (zh) | 图像深度识别模型训练方法、图像深度识别方法及装置 | |
CN114549303A (zh) | 图像显示、处理方法、装置、设备和存储介质 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113570607B (zh) | 目标分割的方法、装置及电子设备 | |
CN114282664A (zh) | 自反馈模型训练方法、装置、路侧设备及云控平台 | |
CN114820686B (zh) | 抠图的方法、装置、电子设备及存储介质 | |
CN113343979B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
CN113506368B (zh) | 地图数据融合方法、装置、电子设备、介质和程序产品 | |
JP7372487B2 (ja) | オブジェクトセグメンテーション方法、オブジェクトセグメンテーション装置及び電子機器 | |
CN113658277B (zh) | 立体匹配方法、模型训练方法、相关装置及电子设备 |
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 |