CN113673562A - 一种特征增强的方法、目标分割方法、装置和存储介质 - Google Patents

一种特征增强的方法、目标分割方法、装置和存储介质 Download PDF

Info

Publication number
CN113673562A
CN113673562A CN202110802881.9A CN202110802881A CN113673562A CN 113673562 A CN113673562 A CN 113673562A CN 202110802881 A CN202110802881 A CN 202110802881A CN 113673562 A CN113673562 A CN 113673562A
Authority
CN
China
Prior art keywords
feature
processed
image
features
extraction
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.)
Granted
Application number
CN202110802881.9A
Other languages
English (en)
Other versions
CN113673562B (zh
Inventor
廖炳焱
黄世亮
王亚运
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110802881.9A priority Critical patent/CN113673562B/zh
Publication of CN113673562A publication Critical patent/CN113673562A/zh
Priority to EP21950026.1A priority patent/EP4356266A4/en
Priority to PCT/CN2021/141555 priority patent/WO2023284255A1/en
Priority to US18/412,991 priority patent/US20240161304A1/en
Application granted granted Critical
Publication of CN113673562B publication Critical patent/CN113673562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种特征增强的方法、目标分割方法、装置和存储介质，该方法包括：基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；确定第一提取特征与第二提取特征的差异特征；基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征；其中，待处理特征是基于第一提取特征确定的；基础特征是基于特征提取网络中的子网络，对待处理图像和下采样后的待处理图像中的至少一个图像进行特征提取得到的。通过上述方式，本申请能够提升对图像进行特征提取的准确性。

Description

一种特征增强的方法、目标分割方法、装置和存储介质
技术领域
本申请涉及图像处理技术领域，具体涉及一种特征增强的方法、目标分割方法、装置和存储介质。
背景技术
在目标分割的过程中，需要将高级的语义信息与细节信息(边缘或纹理等)结合，相关技术直接将浅层特征与高层特征拼接，但是这种直接拼接的方法会引入浅层特征中的较多误差，并在后续特征上采样的过程中被再次放大，导致在一些模糊区域出现分割错误，降低分割准确度。
发明内容
本申请提供一种特征增强的方法、目标分割方法、装置和存储介质，能够提升对图像进行特征提取的准确性。
为解决上述技术问题，本申请采用的一种技术方案是：提供一种特征增强的方法，该方法包括：基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；确定第一提取特征与第二提取特征的差异特征；基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征；其中，待处理特征是基于第一提取特征确定的；基础特征是基于特征提取网络中的子网络，对待处理图像和下采样后的待处理图像中的至少一个图像进行特征提取得到的。
为解决上述技术问题，本申请采用的另一种技术方案是：提供一种目标分割方法，该方法包括：基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；确定第一提取特征与第二提取特征的差异特征；基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征；其中，待处理特征是基于第一提取特征确定的；基础特征是基于特征提取网络中的子网络，对待处理图像和下采样后的待处理图像中的至少一个图像进行特征提取得到的；基于目标特征对待处理图像进行分割，得到分割结果。
为解决上述技术问题，本申请采用的另一种技术方案是：提供一种图像处理装置，该图像处理装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的特征增强的方法，或者实现上述技术方案中的目标分割方法。
为解决上述技术问题，本申请采用的另一种技术方案是：提供一种图像处理装置，该图像处理装置包括：差异学习模块与细节增强模块，差异学习模块用于基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；确定第一提取特征与第二提取特征的差异特征；细节增强模块与差异学习模块连接，用于基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征；其中，待处理特征是基于第一提取特征确定的；基础特征是基于特征提取网络中的子网络，对待处理图像和下采样后的待处理图像中的至少一个图像进行特征提取得到的。
为解决上述技术问题，本申请采用的另一种技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的特征增强的方法，或者实现上述技术方案中的目标分割方法。
通过上述方案，本申请的有益效果是：对待处理图像进行下采样得到下采样后的待处理图像，并分别将待处理图像与下采样后的待处理图像输入特征提取网络，得到第一提取特征与第二提取特征；通过对待处理图像和/或采样后的待处理图像的特征提取的过程中生成的特征进行处理得到基础特征；将第一提取特征与第二提取特征进行对比得到差异特征，并利用第一提取特征获取待处理特征；然后利用差异特征与基础特征，对待处理特征进行处理得到目标特征；能够学习不同分辨率的输入图像之间的差异，来模拟上/下采样过程中的信息丢失程度，从而基于学习到的信息丢失情况，实现引入基础特征对图像特征进行细节信息上的补充，实现对提取到的特征的增强，能够有目的性的对存在信息丢失的区域进行细节信息的补充，避免引入不必要的误差，使得对待处理图像的特征表达更准确，进而提升图像分割的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请提供的特征增强的方法一实施例的流程示意图；
图2是本申请提供的特征增强的方法另一实施例的流程示意图；
图3是本申请提供的采用特征提取网络与差异学习网络进行图像处理的示意图；
图4是本申请提供的采用细节增强网络进行特征增强的示意图；
图5是本申请提供的目标分割方法一实施例的流程示意图；
图6是本申请提供的对待处理图像进行目标分割的示意图；
图7是本申请提供的图像处理装置一实施例的结构示意图；
图8是本申请提供的图像处理装置另一实施例的结构示意图；
图9是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
先对本申请所涉及的关键词语进行介绍：
图像分割：将一幅图像分成若干互不重叠的子区域，使得每个子区域具有一定的相似性，而不同子区域有着较为明显的差异。图像分割是图像识别、场景理解以及物体检测等任务的基础预处理工作。
浅层特征：输入图像在经过主干网络提取特征时，比较靠近主干网络的输入端的特征；例如，主干网络包括多个卷积层，输入图像经过第一个卷积层或者第二个卷积层后所得到的特征。
高层特征：输入图像在经过主干网络提取特征时，比较靠近主干网络的输出端的特征；例如，输入图像经过主干网络的倒数第一个卷积层或者倒数第二个卷积层后所得到的特征。
为了改善直接将浅层特征与高层特征拼接导致的分割错误，本申请提出一种提升目标分割的准确度的方案，通过对特征进行增强来提升分割的准确度，下面对本申请的方案进行详细阐述。
请参阅图1，图1是本申请提供的特征增强的方法一实施例的流程示意图，该方法包括：
步骤11：基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征。
可采用摄像设备拍摄一张图片作为待处理图像，或者从图像数据库中获取一张图像作为待处理图像，或者将其他设备发送的图像作为待处理图像，该待处理图像可以为彩色图像或灰度图像。
在获取到该待处理图像之后，可将该待处理图像输入至预先训练好的特征提取网络中，该特征提取网络对待处理图像进行处理，便可得到第一提取特征，该特征提取网络可以为残差神经网络(Residual Networks，ResNets)、高分辨率网络(High ResolutionNetworks，HRNet)或孪生网络等具备特征提取功能的网络模型。
步骤12：对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征。
在获取到待处理图像之后，对该待处理图像进行下采样处理，生成下采样后的待处理图像；例如，假设待处理图像I的尺寸为M×N，对其进行k倍下采样，即将待处理图像中k×k窗口内的所有像素变成一个像素(比如：对这k×k个像素求均值)，得到下采样后的待处理图像Ik，下采样后的待处理图像Ik的尺寸为(M/k)×(N/k)。通过将下采样后的待处理图像输入特征提取网络，获得第二提取特征。
步骤13：确定第一提取特征与第二提取特征的差异特征。
在特征提取网络输出第一提取特征与第二提取特征之后，可直接将第一提取特征与第二提取特征相减，生成差异特征；或者先将第一提取特征与第二提取特征相减，然后再进行其他处理(比如：至少一次的卷积处理或降维处理)，得到差异特征。
步骤14：基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征。
在获取到第一提取特征之后，可利用第一提取特征来生成待处理特征，即待处理特征是基于第一提取特征确定的，比如：可直接将第一提取特征确定为待处理特征，或者对第一提取特征进行上采样，将上采样后生成的特征作为待处理特征，或者对第一提取特征与第二提取特征进行融合处理，将融合后生成的特征作为待处理特征，或者先对第一提取特征和/或第二提取特征进行上采样，再进行融合得到待处理特征。
基础特征是基于特征提取网络中的子网络，对待处理图像和下采样后的待处理图像中的至少一个图像进行特征提取得到的；具体地，可以基于上述子网络对待处理图像进行特征提取，得到基础特征，且该种方式得到的基础特征的语义信息的丰富程度小于上述第一提取特征；也可以基于上述子网络对下采样后的待处理图像进行特征提取，得到基础特征，且该种方式得到的基础特征的语义信息的丰富程度小于上述第二提取特征；还可以基于于上述子网络对待处理图像进行特征提取，得到第一参考特征，且基于上述子网络对上采样后的待处理图像进行特征提取，得到第二参考特征，将第一参考特征和第二参考特征进行融合，得到基础特征，且该种方式得到的基础特征的语义信息的丰富程度小于上述第一提取特征和第二提取特征中的至少一个特征。
在获取到差异特征与基础特征之后，对差异特征与基础特征进行处理，生成一特征，对该特征进行处理得到偏移值，将该待处理特征按照偏移值进行偏移，便可得到目标特征的特征值；具体地，将差异特征与基础特征融合得到第一融合特征，利用第一融合特征的特征值对待处理特征进行偏移处理，得到目标特征；或者将差异特征与基础特征融合，得到第一融合特征，对第一融合特征进行两次卷积处理得到偏移矩阵，利用偏移矩阵的偏移值对待处理特征进行偏移处理，得到目标特征。
本实施例提供了一种对提取到的特征进行增强的方案，引入基础特征对图像特征中缺失的细节信息进行补充，学习不同分辨率的输入图像之间的差异，来模拟上/下采样过程中的信息丢失程度，从而基于学习到的信息丢失情况，对图像特征进行细节信息上的补充，实现对提取到的特征的增强，能够有目的性的对存在信息丢失的区域进行细节信息的补充，避免引入不必要的误差，使得提取出来的特征更为准确。
请参阅图2，图2是本申请提供的特征增强的方法另一实施例的流程示意图，该方法包括：
步骤21：基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征。
特征提取网络包括依次串联的N个卷积层，子网络包括依次串联的N个卷积层中的第m个卷积层，N为大于1的整数，m为小于N的正整数；基础特征为将待处理图像输入特征提取网络时，第m个卷积层输出的特征；或者将待处理图像与下采样后的待处理图像分别输入特征提取网络时，通过对第m个卷积层输出的第一基础特征与第m个卷积层输出的第二基础特征进行融合处理，得到基础特征；或者将下采样后的待处理图像输入特征提取网络时，第m个卷积层输出的特征。具体地，第m个卷积层为所有卷积层中靠近第一个卷积层的卷积层，例如，假设特征提取网络包括7个依次连接的卷积层，则m的取值可以但不局限于为2或3，即基础特征可以但不局限于是待处理图像输入特征提取网络后经过第二个卷积层/第三个卷积层后得到的特征。
进一步地，该特征提取网络可以为共享参数的孪生网络，其具体架构与工作原理与相关技术中的孪生网络相同，在此不再赘述。
步骤22：对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征。
步骤22与上述实施例中步骤12相同，在此不再赘述。
步骤23：对第一提取特征进行第一上采样，得到第一语义特征，并对第二提取特征进行第二上采样，得到第二语义特征。
第一上采样的采样参考值和第二上采样的采样参考值不同，采样参考值可以为上采样倍数；如图3所示，通过同一个特征提取网络对待处理图像I和下采样后的待处理图像Ik进行特征提取，分别得到第一提取特征FI和第二提取特征
Figure BDA0003165381890000071
随后将第一提取特征FI和第二提取特征
Figure BDA0003165381890000072
输入差异学习网络，先将第一提取特征FI和第二提取特征
Figure BDA0003165381890000073
上采样到同一分辨率，得到特征F′I和
Figure BDA0003165381890000074
以方便后续计算。
可以理解地，在其他实施例中，还可只对第一提取特征或第二提取特征进行上采样，即如果第一提取特征的维度大于第二提取特征的维度，则对第二提取特征进行上采样得到第二语义特征，以使得第二语义特征的维度等于第一提取特征的维度；如果第一提取特征的维度小于第二提取特征的维度，则对第一提取特征进行上采样得到第一语义特征，以使得第一语义特征的维度等于第二提取特征的维度。
步骤24：基于第一语义特征和第二语义特征的偏差信息，得到第二融合特征，并对第二融合特征进行卷积处理，得到差异特征。
将第一语义特征与第二语义特征相减，生成差异特征；或者采用以下公式来获取差异特征：
Figure BDA0003165381890000075
其中，Fd为差异特征，f()表征基于卷积核大小为3×3的卷积层进行处理，即如图3所示，先基于第一语义特征F′I和第二语义特征
Figure BDA0003165381890000076
的偏差信息，得到第二融合特征，然后对第二融合特征进行卷积处理得到差异特征Fd，比如：直接将第一语义特征F′I与第二语义特征
Figure BDA0003165381890000077
相减得到第二融合特征。
通过上述步骤21-步骤24，实现了采用一个共享参数的孪生网络，学习不同分辨率的输入图像之间的差异性，以模拟上/下采样过程中的信息丢失程度。
步骤25：基于第一提取特征确定待处理特征。
待处理特征可以为第一提取特征；或者对第一提取特征进行上采样，得到待处理特征；或者对第一提取特征与第二提取特征进行融合处理，得到待处理特征；或者对第一语义特征与第二语义特征进行加权求和，得到待处理特征。
进一步地，如图4所示，采用细节增强网络对待处理特征进行增强，为了增强语义信息，将不同分辨率的第一语义特征F′I和第二语义特征
Figure BDA0003165381890000081
通过如下公式进行融合，得到待处理特征Fa：
Figure BDA0003165381890000082
其中，
Figure BDA0003165381890000083
C为待处理特征的维度，H和W分别为待处理特征的高和宽，即待处理特征Fa包括C个H×W的二维矩阵；mI是第一语义特征F′I先通过3×3的卷积层降维到1维、再用激活层归一化到[0，1]得到的概率图，
Figure BDA0003165381890000084
是第二语义特征
Figure BDA0003165381890000085
分别通过3×3的卷积层降维到1维、再用激活层归一化到[0，1]得到的概率图，激活层的激活函数可以为sigmoid。具体地，两个概率图的大小与第一语义特征的大小匹配，例如：如果F′I是3×3×10的数据，那mI是3×3×1的概率图。
通过将两个概率图分别与语义特征(包括第一语义特征与第二语义特征)对应位置直接相乘再相加的方式，实现了对不同尺度的语义特征进行筛选后融合得到待处理特征。
在获取到待处理特征后，针对待处理特征进行细节信息增强，用差异特征来指导基础特征的提取，并与高维特征相结合以获取目标特征，具体如步骤26-步骤27所示。
步骤26：对差异特征与基础特征进行融合处理与卷积处理，得到偏移矩阵。
如图4所示，先对基础特征FL与差异特征Fd进行融合处理，得到第一融合特征，具体地，可以将基础特征FL与差异特征Fd进行级联，得到第一融合特征，例如，假设基础特征FL的维度为15维，差异特征Fd的维度为10维，则第一融合特征为25维；再对第一融合特征进行卷积处理，得到第一卷积特征Fc
Figure BDA0003165381890000091
然后对第一卷积特征Fc进行卷积处理，得到偏移矩阵M，具体地，使用1×1的卷积层对第一卷积特征Fc进行处理得到偏移矩阵M
Figure BDA0003165381890000092
即偏移矩阵M的维度为3。
步骤27：基于偏移矩阵对待处理特征进行偏移处理，得到目标特征。
待处理特征包括多个第一特征向量，偏移矩阵包括多个偏移值，且偏移值的维度为2，目标特征包括多个第二特征向量，将待处理特征中位置[i+a，j+b]处的第一特征向量赋值给目标特征中位置[i，j]处的第二特征向量。具体地，i和j为整数，且0≤i≤(H-1)，0≤j≤(W-1)，a为第一位置调整参数，b为第二位置调整参数，第一位置调整参数、第二位置调整参数与偏移值相关。
进一步地，第一位置调整参数为偏移矩阵中位置[0，i，j]的偏移值，第二位置调整参数为偏移矩阵中位置[1，i，j]的偏移值，即基于偏移矩阵采用如下公式来对待处理特征进行偏移操作：
FE(i，j)＝Fa(i+M[0，i，j]，j+M[1，i，j]) (3)
其中，FE为目标特征，
Figure BDA0003165381890000093
(i，j)表示FE的坐标位置，i＝0，1，2，...，W-1；j＝0，1，2，...，H-1。
通过使用待处理特征中的第一特征向量作为元素输入值，采用偏移矩阵中的偏移值作为偏移距离来对第一特征向量进行偏移操作，最终得到细节增强后的特征(即目标特征)。在上一步学习到的差异特征的基础上，有目的性的增强语义信息和细节信息，同时也可以减少在特征融合时对高层特征表达的负面影响。
本实施例通过孪生网络对从同一张、不同分辨率的图像提取到的特征进行差异性分析，有目的性的提取基础特征，并在引入基础的细节信息时，采用基础信息指导高层特征自身进行特征细化，没有直接将基础特征与高层特征进行显性的结合，避免引入不必要的误差，能够较好的避免融合过程中的相互影响，从而提升特征表达的准确性。
请参阅图5，图5是本申请提供的目标分割方法一实施例的流程示意图，该方法包括：
步骤51：基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征。
步骤52：对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征。
步骤53：确定第一提取特征与第二提取特征的差异特征。
步骤54：基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征。
步骤51-步骤54与上述实施例中步骤11-步骤14相同，在此不再赘述。
步骤55：基于目标特征对待处理图像进行分割，得到分割结果。
在获取到目标特征之后，利用目标特征将待处理图像分割成若干个区域，生成分割结果，基于目标特征进行分割的方案与现有进行目标分割的方案相同，在此不再赘述；例如，如图6所示，待处理图像I输入特征提取网络，采用目标分割网络对特征提取网络输出的基础特征与高层特征进行处理，生成目标特征，并对目标特征进行处理生成分割结果Fg。
本实施例所提供的目标分割方案可以广泛的应用在各个图像处理场景下，比如可以但不局限于：在医学上，用于测量医学图像中组织体积、三维重建或手术模拟等；在遥感图像中，分割合成孔径雷达图像中的目标、提取遥感云图中不同云系与背景等、定位卫星图像中的道路和森林等。图像分割也可作为预处理将最初的图像转化为若干个更便于计算机处理的形式，既保留了图像中的重要特征信息，又有效减少图像中的无用数据、提高了后续图像处理的准确率和效率。例如，在通信方面可事先提取目标的轮廓结构、区域内容等，保证不丢失有用信息的同时，有针对性地压缩图像，以提高网络传输效率；在交通领域，可用来对车辆进行轮廓提取、识别或跟踪，或者进行行人检测等。总的来说，凡是与目标的检测、提取和识别等相关的内容，都需要利用到图像分割技术。
本实施例提供了一种目标分割方法，首先将待分割图像(包括待处理图像与下采样后的待处理图像)送入特征提取网络提取特征，得到基础特征与高层特征；基于待处理图像与下采样后的待处理图像获取差异特征，然后通过差异特征与基础特征对高层特征进行细节增强，最终得到增强后的特征，然后基于目标特征进行分割得到分割结果，提升了对图像进行目标分割的准确度。
请参阅图7，图7是本申请提供的图像处理装置一实施例的结构示意图，图像处理装置70包括互相连接的存储器71和处理器72，其中，存储器71用于存储计算机程序，计算机程序在被处理器72执行时，用于实现上述实施例中的特征增强的方法，和/或实现上述实施例中的目标分割方法。
请参阅图8，图8是本申请提供的图像处理装置另一实施例的结构示意图，图像处理装置80包括：差异学习模块81与细节增强模块82。
差异学习模块81用于基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；对待处理图像进行下采样，并基于特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；确定第一提取特征与第二提取特征的差异特征。
细节增强模块82与差异学习模块81连接，其用于基于差异特征与待处理图像的基础特征，对待处理图像对应的待处理特征进行处理，得到待处理图像的目标特征；具体地，待处理特征是基于第一提取特征确定的；基础特征是基于特征提取网络中的子网络，对待处理图像和下采样后的待处理图像中的至少一个图像进行特征提取得到的。
在一具体的实施方式中，差异学习模块81还用于将第一提取特征确定为待处理特征；或对第一提取特征进行上采样，得到待处理特征；或对第一提取特征与第二提取特征进行融合处理，得到待处理特征。
在另一具体的实施方式中，特征提取网络包括依次串联的N个卷积层，子网络包括依次串联的N个卷积层中的第m个卷积层，N为大于1的整数，m为小于N的正整数。
在另一具体的实施方式中，细节增强模块82还用于对差异特征与基础特征进行融合处理与卷积处理，得到偏移矩阵；基于偏移矩阵对待处理特征进行偏移处理，得到目标特征。
在另一具体的实施方式中，细节增强模块82还用于对基础特征与差异特征进行融合处理，得到第一融合特征；对第一融合特征进行卷积处理，得到第一卷积特征；对第一卷积特征进行卷积处理，得到偏移矩阵。
在另一具体的实施方式中，待处理特征包括多个第一特征向量，偏移矩阵包括多个偏移值，目标特征包括多个第二特征向量，细节增强模块82还用于将待处理特征中位置[i+a，j+b]处的第一特征向量赋值给目标特征中位置[i，j]处的第二特征向量；其中，i和j为整数，且0≤i≤(H-1)，0≤j≤(W-1)，W为待处理特征的宽度，W为待处理特征的高度，a为第一位置调整参数，b为第二位置调整参数，第一位置调整参数、第二位置调整参数与偏移值相关。
在另一具体的实施方式中，第一位置调整参数为偏移矩阵中位置[0，i，j]的偏移值，第二位置调整参数为偏移矩阵中位置[1，i，j]的偏移值。
在另一具体的实施方式中，细节增强模块82还用于将基础特征与差异特征进行级联，得到第一融合特征。
在另一具体的实施方式中，差异学习模块81还用于对第一提取特征进行第一上采样，得到第一语义特征；对第二提取特征进行第二上采样，得到第二语义特征；其中，第一上采样的采样参考值和第二上采样的采样参考值不同；基于第一语义特征和第二语义特征的偏差信息，得到第二融合特征；对第二融合特征进行卷积处理，得到差异特征。
本实施例中图像处理装置包含差异学习模块和细节增强模块，在特征提取网络后对特征进行上采样，并目标特征的低维表达；相对于普通的上采样模块，通过模拟采样过程的信息丢失，有目的性的对存在信息丢失的区域进行细节信息的补充，能够补充缺失的细节信息，提升特征表达的准确性，进而提升目标分割的准确度。
请参阅图9，图9是本申请提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质90用于存储计算机程序91，计算机程序91在被处理器执行时，用于实现上述实施例中的特征增强的方法，或者实现上述实施例中的目标分割方法。
计算机可读存储介质90可以是服务端、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (13)

1.一种特征增强的方法，其特征在于，包括：
基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；
对所述待处理图像进行下采样，并基于所述特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；
确定所述第一提取特征与所述第二提取特征的差异特征；
基于所述差异特征与所述待处理图像的基础特征，对所述待处理图像对应的待处理特征进行处理，得到所述待处理图像的目标特征；其中，所述待处理特征是基于所述第一提取特征确定的；所述基础特征是基于所述特征提取网络中的子网络，对所述待处理图像和所述下采样后的待处理图像中的至少一个图像进行特征提取得到的。
2.根据权利要求1所述的方法，其特征子在于，所述基于所述差异特征与所述待处理图像的基础特征，对所述待处理图像对应的待处理特征进行处理，得到所述待处理图像的目标特征的步骤之前，还包括：
将所述第一提取特征确定为所述待处理特征；或
对所述第一提取特征进行上采样，得到所述待处理特征；或
对所述第一提取特征与所述第二提取特征进行融合处理，得到所述待处理特征。
3.根据权利要求1所述的特征增强的方法，其特征在于，
所述特征提取网络包括依次串联的N个卷积层，所述子网络包括所述依次串联的N个卷积层中的第m个卷积层，N为大于1的整数，m为小于N的正整数。
4.根据权利要求1所述的特征增强的方法，其特征在于，所述基于所述差异特征与所述待处理图像的基础特征，对所述待处理图像对应的待处理特征进行处理，得到所述待处理图像的目标特征的步骤，包括：
对所述差异特征与所述基础特征进行融合处理与卷积处理，得到偏移矩阵；
基于所述偏移矩阵对所述待处理特征进行偏移处理，得到所述目标特征。
5.根据权利要求4所述的特征增强的方法，其特征在于，所述对所述差异特征与所述基础特征进行融合处理与卷积处理，得到偏移矩阵的步骤，包括：
对所述基础特征与所述差异特征进行融合处理，得到第一融合特征；
对所述第一融合特征进行卷积处理，得到第一卷积特征；
对所述第一卷积特征进行卷积处理，得到所述偏移矩阵。
6.根据权利要求4所述的特征增强的方法，其特征在于，所述待处理特征包括多个第一特征向量，所述偏移矩阵包括多个偏移值，所述目标特征包括多个第二特征向量，所述基于所述偏移矩阵对所述待处理特征进行偏移处理，得到所述目标特征的步骤，包括：
将所述待处理特征中位置[i+a，j+b]处的第一特征向量赋值给所述目标特征中位置[i，j]处的第二特征向量；
其中，i和j为整数，且0≤i≤(H-1)，0≤j≤(W-1)；W为所述待处理特征的宽度，W为所述待处理特征的高度，a为第一位置调整参数，b为第二位置调整参数，所述第一位置调整参数、所述第二位置调整参数与所述偏移值相关。
7.根据权利要求6所述的特征增强的方法，其特征在于，
所述第一位置调整参数为所述偏移矩阵中位置[0，i，j]的偏移值，所述第二位置调整参数为所述偏移矩阵中位置[1，i，j]的偏移值。
8.根据权利要求7所述的特征增强的方法，其特征在于，所述对所述基础特征与所述差异特征进行融合处理，得到第一融合特征的步骤，包括：
将所述基础特征与所述差异特征进行级联，得到所述第一融合特征。
9.根据权利要求1所述的特征增强的方法，其特征在于，所述确定所述第一提取特征与所述第二提取特征的差异特征的步骤，包括：
对所述第一提取特征进行第一上采样，得到第一语义特征；
对所述第二提取特征进行第二上采样，得到第二语义特征；其中，所述第一上采样的采样参考值和所述第二上采样的采样参考值不同；
基于所述第一语义特征和所述第二语义特征的偏差信息，得到第二融合特征；
对所述第二融合特征进行卷积处理，得到所述差异特征。
10.一种目标分割方法，其特征在于，包括：
基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；
对所述待处理图像进行下采样，并基于所述特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；
确定所述第一提取特征与所述第二提取特征的差异特征；
基于所述差异特征与所述待处理图像的基础特征，对所述待处理图像对应的待处理特征进行处理，得到所述待处理图像的目标特征；其中，所述待处理特征是基于所述第一提取特征确定的；所述基础特征是基于所述特征提取网络中的子网络，对所述待处理图像和所述下采样后的待处理图像中的至少一个图像进行特征提取得到的；
基于所述目标特征对所述待处理图像进行分割，得到分割结果。
11.一种图像处理装置，其特征在于，包括互相连接的存储器和处理器，其中，所述存储器用于存储计算机程序，所述计算机程序在被所述处理器执行时，用于实现权利要求1-9中任一项所述的特征增强的方法，或者实现权利要求10所述的目标分割方法。
12.一种图像处理装置，其特征在于，包括：
差异学习模块，用于基于特征提取网络，对待处理图像进行特征提取，得到第一提取特征；对所述待处理图像进行下采样，并基于所述特征提取网络，对下采样后的待处理图像进行特征提取，得到第二提取特征；确定所述第一提取特征与所述第二提取特征的差异特征；
细节增强模块，与所述差异学习模块连接，用于基于所述差异特征与所述待处理图像的基础特征，对所述待处理图像对应的待处理特征进行处理，得到所述待处理图像的目标特征；其中，所述待处理特征是基于所述第一提取特征确定的；所述基础特征是基于所述特征提取网络中的子网络，对所述待处理图像和所述下采样后的待处理图像中的至少一个图像进行特征提取得到的。
13.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序在被处理器执行时，用于实现权利要求1-9中任一项所述的特征增强的方法，或者实现权利要求10所述的目标分割方法。
CN202110802881.9A 2021-07-15 2021-07-15 一种特征增强的方法、目标分割方法、装置和存储介质 Active CN113673562B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110802881.9A CN113673562B (zh) 2021-07-15 2021-07-15 一种特征增强的方法、目标分割方法、装置和存储介质
EP21950026.1A EP4356266A4 (en) 2021-07-15 2021-12-27 IMAGE PROCESSING SYSTEMS AND METHODS
PCT/CN2021/141555 WO2023284255A1 (en) 2021-07-15 2021-12-27 Systems and methods for processing images
US18/412,991 US20240161304A1 (en) 2021-07-15 2024-01-15 Systems and methods for processing images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110802881.9A CN113673562B (zh) 2021-07-15 2021-07-15 一种特征增强的方法、目标分割方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN113673562A true CN113673562A (zh) 2021-11-19
CN113673562B CN113673562B (zh) 2024-07-16

Family

ID=78539356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110802881.9A Active CN113673562B (zh) 2021-07-15 2021-07-15 一种特征增强的方法、目标分割方法、装置和存储介质

Country Status (4)

Country Link
US (1) US20240161304A1 (zh)
EP (1) EP4356266A4 (zh)
CN (1) CN113673562B (zh)
WO (1) WO2023284255A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638767A (zh) * 2022-05-18 2022-06-17 山东师范大学 基于生成对抗网络的腹腔镜影像除烟方法
WO2023284255A1 (en) * 2021-07-15 2023-01-19 Zhejiang Dahua Technology Co., Ltd. Systems and methods for processing images

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117830633B (zh) * 2024-01-03 2024-08-20 北京交通大学 一种基于特征对齐与边缘约束的铁路场景分割方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782397A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
US20200134797A1 (en) * 2018-10-31 2020-04-30 Boe Technology Group Co., Ltd. Image style conversion method, apparatus and device
CN111143146A (zh) * 2019-12-26 2020-05-12 深圳大普微电子科技有限公司 一种存储装置的健康状态预测方法及系统
CN111311609A (zh) * 2020-02-14 2020-06-19 北京推想科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN111401380A (zh) * 2020-03-24 2020-07-10 北京工业大学 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法
CN111387974A (zh) * 2020-02-19 2020-07-10 杭州电子科技大学 基于深度自编码的脑电特征优化与癫痫发作检测方法
CN111784623A (zh) * 2020-09-07 2020-10-16 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN111931841A (zh) * 2020-08-05 2020-11-13 Oppo广东移动通信有限公司 基于深度学习的树状处理方法、终端、芯片及存储介质
CN111951164A (zh) * 2020-08-11 2020-11-17 哈尔滨理工大学 一种图像超分辨率重建网络结构及图像重建效果分析方法
CN113034506A (zh) * 2021-05-24 2021-06-25 湖南大学 遥感图像语义分割方法、装置、计算机设备和存储介质
CN113055676A (zh) * 2021-03-26 2021-06-29 中南大学 基于深度网络视频编解码的后处理优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754402B (zh) * 2018-03-15 2021-11-19 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质
US10769744B2 (en) * 2018-10-31 2020-09-08 Kabushiki Kaisha Toshiba Computer vision system and method
KR102215757B1 (ko) * 2019-05-14 2021-02-15 경희대학교 산학협력단 이미지 세그멘테이션 방법, 장치 및 컴퓨터 프로그램
CN111311629B (zh) * 2020-02-21 2023-12-01 京东方科技集团股份有限公司 图像处理方法、图像处理装置及设备
CN112560864B (zh) * 2020-12-22 2024-06-18 苏州超云生命智能产业研究院有限公司 图像语义分割方法、装置及图像语义分割模型的训练方法
CN113673562B (zh) * 2021-07-15 2024-07-16 浙江大华技术股份有限公司 一种特征增强的方法、目标分割方法、装置和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200134797A1 (en) * 2018-10-31 2020-04-30 Boe Technology Group Co., Ltd. Image style conversion method, apparatus and device
CN110782397A (zh) * 2018-12-13 2020-02-11 北京嘀嘀无限科技发展有限公司 一种图像处理方法、生成式对抗网络、电子设备及存储介质
CN111143146A (zh) * 2019-12-26 2020-05-12 深圳大普微电子科技有限公司 一种存储装置的健康状态预测方法及系统
CN111311609A (zh) * 2020-02-14 2020-06-19 北京推想科技有限公司 一种图像分割方法、装置、电子设备及存储介质
CN111387974A (zh) * 2020-02-19 2020-07-10 杭州电子科技大学 基于深度自编码的脑电特征优化与癫痫发作检测方法
CN111401380A (zh) * 2020-03-24 2020-07-10 北京工业大学 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法
CN111931841A (zh) * 2020-08-05 2020-11-13 Oppo广东移动通信有限公司 基于深度学习的树状处理方法、终端、芯片及存储介质
CN111951164A (zh) * 2020-08-11 2020-11-17 哈尔滨理工大学 一种图像超分辨率重建网络结构及图像重建效果分析方法
CN111784623A (zh) * 2020-09-07 2020-10-16 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN113055676A (zh) * 2021-03-26 2021-06-29 中南大学 基于深度网络视频编解码的后处理优化方法
CN113034506A (zh) * 2021-05-24 2021-06-25 湖南大学 遥感图像语义分割方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GEGE QI 等: "Self-Learned Feature Reconstruction and Offset-Dilated Feature Fusion for Real-Time Semantic Segmentation", 《2019 IEEE 31ST INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE》, 31 December 2019 (2019-12-31), pages 331 - 338 *
徐灵丽 等: "基于增强色调特征的涵洞裂缝缺陷分割算法", 《激光与光电子学进展》, vol. 57, no. 8, 30 April 2020 (2020-04-30), pages 1 - 8 *
詹维 等: "一种多光谱红外舰船图像多级融合方法", 《激光与红外》, vol. 49, no. 2, 28 February 2019 (2019-02-28), pages 240 - 245 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284255A1 (en) * 2021-07-15 2023-01-19 Zhejiang Dahua Technology Co., Ltd. Systems and methods for processing images
CN114638767A (zh) * 2022-05-18 2022-06-17 山东师范大学 基于生成对抗网络的腹腔镜影像除烟方法
US11935213B2 (en) 2022-05-18 2024-03-19 Shandong Normal University Laparoscopic image smoke removal method based on generative adversarial network

Also Published As

Publication number Publication date
WO2023284255A1 (en) 2023-01-19
EP4356266A1 (en) 2024-04-24
US20240161304A1 (en) 2024-05-16
CN113673562B (zh) 2024-07-16
EP4356266A4 (en) 2024-10-23

Similar Documents

Publication Publication Date Title
CN112465828B (zh) 一种图像语义分割方法、装置、电子设备及存储介质
CN112132156B (zh) 多深度特征融合的图像显著性目标检测方法及系统
CN111612807B (zh) 一种基于尺度和边缘信息的小目标图像分割方法
CN107301383B (zh) 一种基于Fast R-CNN的路面交通标志识别方法
WO2018166438A1 (zh) 图像处理方法、装置及电子设备
CN112183203B (zh) 一种基于多尺度像素特征融合的实时交通标志检测方法
CN113673562B (zh) 一种特征增强的方法、目标分割方法、装置和存储介质
CN111369581A (zh) 图像处理方法、装置、设备及存储介质
CN111310604A (zh) 一种物体检测方法、装置以及存储介质
CN110781744A (zh) 一种基于多层次特征融合的小尺度行人检测方法
CN114266794B (zh) 基于全卷积神经网络的病理切片图像癌症区域分割系统
CN109977834B (zh) 从深度图像中分割人手与交互物体的方法和装置
CN114419570A (zh) 一种点云数据识别方法、装置、电子设备及存储介质
CN115240240A (zh) 基于yolo网络的红外人脸识别方法及系统
CN114612902A (zh) 图像语义分割方法、装置、设备、存储介质及程序产品
CN114708172A (zh) 图像融合方法、计算机程序产品、存储介质及电子设备
CN118097150A (zh) 一种小样本伪装目标分割方法
CN114842478A (zh) 文本区域的识别方法、装置、设备及存储介质
CN114399681A (zh) 电力能源设备识别方法、装置和终端设备
CN114708173A (zh) 图像融合方法、计算机程序产品、存储介质及电子设备
Xiang et al. Recognition of characters on curved metal workpiece surfaces based on multi-exposure image fusion and deep neural networks
CN112967293A (zh) 一种图像语义分割方法、装置及存储介质
CN117274992A (zh) 植物三维分割模型构建方法、装置、设备及存储介质
CN108154107B (zh) 一种确定遥感图像归属的场景类别的方法
CN117079313A (zh) 图像处理方法、装置、设备及存储介质

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