CN113781465A - 基于Grad-CAM的医学图像分割模型可视化方法 - Google Patents
基于Grad-CAM的医学图像分割模型可视化方法 Download PDFInfo
- Publication number
- CN113781465A CN113781465A CN202111096769.4A CN202111096769A CN113781465A CN 113781465 A CN113781465 A CN 113781465A CN 202111096769 A CN202111096769 A CN 202111096769A CN 113781465 A CN113781465 A CN 113781465A
- Authority
- CN
- China
- Prior art keywords
- medical image
- segmentation model
- image segmentation
- grad
- cam
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 49
- 238000007794 visualization technique Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000008092 positive effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000022131 polyp of large intestine Diseases 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- IJJWOSAXNHWBPR-HUBLWGQQSA-N 5-[(3as,4s,6ar)-2-oxo-1,3,3a,4,6,6a-hexahydrothieno[3,4-d]imidazol-4-yl]-n-(6-hydrazinyl-6-oxohexyl)pentanamide Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)NCCCCCC(=O)NN)SC[C@@H]21 IJJWOSAXNHWBPR-HUBLWGQQSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241001135382 Hypostomus agna Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
基于Grad‑CAM的医学图像分割模型可视化方法属于卷积神经网络可视化技术领域,目的在于解决现有技术存在的无法为医学影像分割模型产生准确的可视化结构的问题。本发明在Grad‑CAM的基础上进行了改进,提出了一个应用于医学影像分割模型的可视化方法,通过设定阈值获取分割出来的感兴趣区域,并将感兴趣区域的像素值加和后反向传播求梯度,进而得出编码器最后一层卷积层中特征图的神经元重要性权重,利用特征图与对应权重的加权和得出粗略热图。最终热图与原图叠加后生成的可视化结果表明了各像素对分割结果的重要程度,该方法避免了直接对分割模型结构进行更改,解决了Grad‑CAM方法无法直接用于可视化医学影像分割模型的问题。
Description
技术领域
本发明属于卷积神经网络可视化技术领域,具体涉及一种基于Grad-CAM的医学图像分割模型可视化方法。
背景技术
随着深度卷积神经网络在各个领域取得了卓越的性能,以深度学习为基础的计算机辅助方法被应用到各种目标病灶的分割、分类、定位和检测等任务中。尽管深度学习在医学领域取得了显著的成果,但基于人工智能的方法的深度神经网络的“黑盒性”极大地制约了深度学习在医疗等公共安全领域的应用与发展。由于深度神经网络不能清楚的表示其内部学习到的特征,导致缺乏透明性。因此,对基于深度学习的医学影像分割模型做出解释有重大意义。
目前已经有一些方法应用于解释和分析基于深度神经网络的模型的“黑盒性”。其中,基于梯度的敏感性分析法只需将网络通过一次前向和后向传播来计算输入像素的重要程度,在深度神经网络上的表现更好。显著图(Saliency map)方法通过对像素进行扰动,记录模型预测结果的变化,并反向传播计算每个像素的梯度,从而得出各个像素对模型的重要程度。为了抑制无用特征,导向反向传播(Guided Back Propagation,GBP)方法通过反向传播计算特征值相对于该输入图片的梯度,限制了小于零的梯度的回传,抑制了无用特征,相比反卷积(Deconvnet)产生了更清晰的可视化视图。为了进一步理解深度神经网络的内部机制,Bach等人提出了LRP(Layer-wise relevance propagation)方法,从模型预测结果开始,逐层反向传播至输入,并逐步调整相关得分,最终得出每个像素的贡献值。为了解决梯度饱和的问题,Shrikumar等人提出了DeepLIFT方法,它是一种改进的基于反向传播梯度生成热图的算法,在LRP方法的基础上引入了放缩规则和RevealCancel规则分别处理神经元的正负贡献。Grad-CAM(Gradient-weighted Class Activation Mapping)[15]广泛应用于为分类任务产生解释性热图,与CAM基本思路相同,都是通过计算最后卷积层中特征图与对应权重的加权和得出最后的热图,但克服了CAM方法需要对分类网络结构进行修改的弊端,使用梯度的全局平均来计算权重。Grad-CAM只需对训练好的模型进行一次前向传播和反向传播,且能产生准确的可视化结果。
目前已有的基于梯度的敏感性分析法大多数被应用于解释病灶分类和检测结果等任务进行解释,例如,Grad-CAM能为分类模型产生准确的可视化结果,但对于医学影像分割模型的解释方法还有待探索。由于分类模型和分割模型这样的结构差异,使得Grad-CAM方法不能直接应用于分割医学影像分割模型。
发明内容
本发明的目的在于提出一种基于Grad-CAM的医学图像分割模型可视化方法,解决现有技术存在的无法为医学影像分割模型产生准确的可视化结构的问题。
为实现上述目的,本发明的基于Grad-CAM的医学图像分割模型可视化方法包括以下步骤:
步骤一:将三个医学影像数据集的图像通过数据增强技术后获取到增强后的图像(三个医学影像数据集分别为CVC-Clinic结直肠息肉数据集、3Dircadb肾脏分割数据集和Lesion Boundary Segmentation dataset from ISIC-2018病灶边界分割数据集),将增强后的图像作为输入图像X,所述输入图像X的尺寸为H×W;
步骤二:将步骤一中获得的输入图像输入至预训练好的医学影像分割模型进行前向传播,通过医学影像分割模型输出尺寸为H×W的二值图像;
步骤三:将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P,其中M=H×W,并将向量P经过softmax激活操作归一化后生成S;
步骤四:根据公式(一)对步骤三中获得的S计算感兴趣区域T1,其中分位数α决定了需要通过反向传播的感兴趣区域,α设定为0.5;
T1={si∈S|si>α} (一)
其中:AK为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图的激活值;
Z为所述特征图中像素的个数;
步骤八:使用ReLU激活函数将步骤七中获得的粗略热图Rc突出对分割结构有积极影响的区域Lc,Lc=ReLU(Rc);
步骤九:将步骤八获得的Lc放大至输入图像X大小得到最终热图Hc,将放大后的最终热图Hc和输入图像X叠加后获得的图像作为可视化结果。
步骤二中所述的预训练好的医学影像分割模型具体为Double U-Net,R2U-Net以及MCGU-Net三医学影像分割模型。
步骤三所述的将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P具体为:
P=(a1,a2,a3,..,ai),i∈[1,H×W],其中ai为输出的尺寸为H×W的二值图像中的像素值。
步骤三中所述的将向量P经过softmax激活操作归一化后生成S具体为S=Softmax(P)。
步骤六中所述的预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图一般取预训练好的医学影像分割模型中编码器中最后一层卷积层输出的特征图。
本发明的有益效果为:本发明的目的是为医学影像分割模型产生可视化结果,由于分类模型与分割模型存在较大的差异。从模型输出结果来看,分类模型的输出是在最后的卷积层之后经过一次或者多次全连接操作,最终经过Softmax运算得出一个C维向量,其中向量中的元素为对应类别c的分类得分。而分割模型输出的是与模型输入大小相同的分割后的图片。分割结果反应每个输入空间像素的分类情况,以及为每个输入像素输出一个新的像素值,其中新的像素值c表示像素的所属类别。由于对二维医学影像的分割一般是为了区分病灶区域和其他背景区域,每个区域是包含同一语义信息的像素的集合。所以我们将Grad-CAM方法进行了改进,改进的Grad-CAM方法用于为医学影像分割任务产生的分割结果做出可视化解释。由于分类模型和分割模型的结构差异,使得Grad-CAM不能直接用于医学影像分割的深度神经网络产生可解释性热图。本发明在Grad-CAM的基础上进行了改进,提出了一个应用于医学影像分割模型的可视化方法,通过设定阈值获取分割出来的感兴趣区域,并将感兴趣区域的像素值加和后反向传播求梯度,进而得出编码器最后一层卷积层中特征图的神经元重要性权重,利用特征图与对应权重的加权和得出粗略热图。最终热图与原图叠加后生成的可视化结果表明了各像素对分割结果的重要程度,该方法避免了直接对分割模型结构进行更改,解决了Grad-CAM方法无法直接用于可视化医学影像分割模型的问题。
附图说明
图1为本发明的基于Grad-CAM的医学图像分割模型可视化方法原理图。
具体实施方式
下面结合附图对本发明的实施方式作进一步说明。
参见附图1,本发明的基于Grad-CAM的医学图像分割模型可视化方法包括以下步骤:
步骤一:将三个医学影像数据集的图像通过数据增强技术后获取到增强后的图像(三个医学影像数据集分别为CVC-Clinic结直肠息肉数据集、3Dircadb肾脏分割数据集和Lesion Boundary Segmentation dataset from ISIC-2018病灶边界分割数据集),将增强后的图像作为输入图像X,所述输入图像X的尺寸为H×W;
步骤二:将步骤一中获得的输入图像输入至预训练好的医学影像分割模型进行前向传播,通过医学影像分割模型输出尺寸为H×W的二值图像;
步骤三:将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P,其中M=H×W,并将向量P经过softmax激活操作归一化后生成S;
步骤四:根据公式(一)对步骤三中获得的S计算感兴趣区域T1,其中分位数α决定了需要通过反向传播的感兴趣区域,α设定为0.5;
T1={si∈S|si>α} (一)
其中:AK为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图的激活值;
Z为所述特征图中像素的个数;
反向求梯度利用TensorFlow里的tf.GradientType()可以自动求取;
步骤八:使用ReLU激活函数将步骤七中获得的粗略热图Rc突出对分割结构有积极影响的区域Lc,Lc=ReLU(Rc);
步骤九:将步骤八获得的Lc放大至输入图像X大小得到最终热图Hc,将放大后的最终热图Hc和输入图像X叠加后获得的图像作为可视化结果。
步骤二中所述的预训练好的医学影像分割模型具体为Double U-Net,R2U-Net以及MCGU-Net三医学影像分割模型。
步骤三所述的将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P具体为:
P=(a1,a2,a3,..,ai),i∈[1,H×W],其中ai为输出的尺寸为H×W的二值图像中的像素值。
步骤三中所述的将向量经过softmax激活操作归一化后生成S具体为S=Softmax(P)。
本实施例中步骤六中所述的预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图选取预训练好的医学影像分割模型中编码器中最后一层卷积层输出的特征图。
Claims (6)
1.基于Grad-CAM的医学图像分割模型可视化方法,其特征在于,包括以下步骤:
步骤一:将三个医学影像数据集的图像通过数据增强技术后获取到增强后的图像,将增强后的图像作为输入图像X,所述输入图像X的尺寸为H×W;三个医学影像数据集分别为CVC-Clinic、3Dircadb和Lesion Boundary Segmentation dataset from ISIC-2018;
步骤二:将步骤一中获得的输入图像输入至预训练好的医学影像分割模型进行前向传播,通过医学影像分割模型输出尺寸为H×W的二值图像;
步骤三:将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P,其中M=H×W,并将向量P经过softmax激活操作归一化后生成S;
步骤四:根据公式(一)对步骤三中获得的S计算感兴趣区域T1,其中分位数α决定了需要通过反向传播的感兴趣区域,α设定为0.5;
T1={si∈S|si>α} (一)
其中:AK为预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图的激活值;
Z为所述特征图中像素的个数;
步骤八:使用ReLU激活函数将步骤七中获得的粗略热图Rc突出对分割结构有积极影响的区域Lc,Lc=ReLU(Rc);
步骤九:将步骤八获得的Lc放大至输入图像X大小得到最终热图Hc,将放大后的最终热图Hc和输入图像X叠加后获得的图像作为可视化结果。
2.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法,其特征在于,步骤二中所述的预训练好的医学影像分割模型具体为Double U-Net,R2U-Net以及MCGU-Net三医学影像分割模型。
3.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法,其特征在于,步骤三所述的将步骤二中输出的尺寸为H×W的二值图像转换为形状为1×M的向量P具体为:
P=(a1,a2,a3,..,ai),i∈[1,H×W],其中ai为输出的尺寸为H×W的二值图像中的像素值。
4.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法,其特征在于,步骤三中所述的将向量P经过softmax激活操作归一化后生成S具体为S=Softmax(P)。
5.根据权利要求1所述的基于Grad-CAM的医学图像分割模型可视化方法,其特征在于,步骤六中所述的预训练好的医学影像分割模型中编码器中任意一层卷积层输出的特征图选取预训练好的医学影像分割模型中编码器中最后一层卷积层输出的特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111096769.4A CN113781465A (zh) | 2021-09-18 | 2021-09-18 | 基于Grad-CAM的医学图像分割模型可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111096769.4A CN113781465A (zh) | 2021-09-18 | 2021-09-18 | 基于Grad-CAM的医学图像分割模型可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113781465A true CN113781465A (zh) | 2021-12-10 |
Family
ID=78852032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111096769.4A Pending CN113781465A (zh) | 2021-09-18 | 2021-09-18 | 基于Grad-CAM的医学图像分割模型可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781465A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023108968A1 (zh) * | 2021-12-14 | 2023-06-22 | 北京邮电大学 | 基于知识驱动的深度学习图像分类方法和系统 |
CN116309431A (zh) * | 2023-03-14 | 2023-06-23 | 中国人民解放军空军军医大学 | 一种基于医学影像的视觉解释方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311592A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于深度学习的三维医学图像自动分割方法 |
CN112614119A (zh) * | 2020-12-28 | 2021-04-06 | 上海市精神卫生中心(上海市心理咨询培训中心) | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
-
2021
- 2021-09-18 CN CN202111096769.4A patent/CN113781465A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311592A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于深度学习的三维医学图像自动分割方法 |
CN112614119A (zh) * | 2020-12-28 | 2021-04-06 | 上海市精神卫生中心(上海市心理咨询培训中心) | 医学图像感兴趣区域可视化方法、装置、存储介质和设备 |
Non-Patent Citations (1)
Title |
---|
MENGYING XIAO等: "A visualization method based on the Grad-CAM for medical image segmentation model" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023108968A1 (zh) * | 2021-12-14 | 2023-06-22 | 北京邮电大学 | 基于知识驱动的深度学习图像分类方法和系统 |
CN116309431A (zh) * | 2023-03-14 | 2023-06-23 | 中国人民解放军空军军医大学 | 一种基于医学影像的视觉解释方法 |
CN116309431B (zh) * | 2023-03-14 | 2023-10-27 | 中国人民解放军空军军医大学 | 一种基于医学影像的视觉解释方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN112150425A (zh) | 一种基于神经网络的无监督血管内超声图像配准方法 | |
CN111627019A (zh) | 一种基于卷积神经网络的肝脏肿瘤分割方法及系统 | |
CN111968138B (zh) | 基于3d动态边缘不敏感性损失函数的医学图像分割方法 | |
Peng et al. | Segmentation of dermoscopy image using adversarial networks | |
CN113781465A (zh) | 基于Grad-CAM的医学图像分割模型可视化方法 | |
Xiao et al. | A visualization method based on the Grad-CAM for medical image segmentation model | |
CN114612660A (zh) | 一种基于多特征融合点云分割的三维建模方法 | |
CN107301643A (zh) | 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法 | |
Rehman et al. | Automatic melanoma detection and segmentation in dermoscopy images using deep RetinaNet and conditional random fields | |
Wu | Research on deep learning image processing technology of second-order partial differential equations | |
CN116310693A (zh) | 基于边缘特征融合和高阶空间交互的伪装目标检测方法 | |
CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
CN116310396A (zh) | 一种基于深度质量加权的rgb-d显著性目标检测方法 | |
Jia et al. | Nonlocal regularized CNN for image segmentation | |
Samsi et al. | Colorization of H&E stained tissue using Deep Learning | |
Wu et al. | Fish Target Detection in Underwater Blurred Scenes Based on Improved YOLOv5 | |
Wang et al. | Air pollution measurement based on hybrid convolutional neural network with spatial-and-channel attention mechanism | |
Zhang et al. | Multi-scale aggregation networks with flexible receptive fields for melanoma segmentation | |
Huang | Image super-resolution reconstruction based on generative adversarial network model with double discriminators | |
Huang et al. | DeeptransMap: a considerably deep transmission estimation network for single image dehazing | |
Cao et al. | Ancient mural segmentation based on a deep separable convolution network | |
Li et al. | A review of advances in image inpainting research | |
CN114863132A (zh) | 图像空域信息的建模与捕捉方法、系统、设备及存储介质 | |
CN110827238B (zh) | 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211210 |
|
WD01 | Invention patent application deemed withdrawn after publication |