CN114332496A - 一种静态目标分割方法和系统 - Google Patents
一种静态目标分割方法和系统 Download PDFInfo
- Publication number
- CN114332496A CN114332496A CN202210260910.8A CN202210260910A CN114332496A CN 114332496 A CN114332496 A CN 114332496A CN 202210260910 A CN202210260910 A CN 202210260910A CN 114332496 A CN114332496 A CN 114332496A
- Authority
- CN
- China
- Prior art keywords
- attention
- reference frame
- current frame
- feature
- texture
- 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
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开一种静态目标分割方法和系统,该方法包括:步骤一,获取当前帧图像和参考帧图像,输入纹理提取网络模块,得到对应图像的纹理特征;步骤二,利用注意力计算模块,对当前帧和参考帧的纹理特征进行切块后计算每块的相似度,并基于相似度的计算,得到软硬注意力;步骤三,将当前帧图像和参考帧图像输入编码网络模块,得到对应编码特征,利用参考帧编码特征和硬注意力,通过注意力特征生成模块得到注意力特征,再根据注意力特征和当前帧编码特征得到最终的注意力特征;步骤四,构造解码网络模块,基于当前帧编码特征和最终的注意力特征得到当前帧图像的最终静态目标分割结果。本发明在保证分割精度的同时提高了整体逻辑处理的速度。
Description
技术领域
本发明属于静态目标分割技术领域,涉及一种静态目标分割方法和系统。
背景技术
基于视觉的静态目标分割,如车道线,人行道,交通标志、环境障碍物等,是无人驾驶视觉感知中的重要技术,以车道线识别为例,目前该领域研究成果集中于单帧数据的使用,因此从模型层面对于检测结果的稳定性难以保证,需要复杂的后处理逻辑,增加开发部署的难度,同时也会带来额外计算开销。
单帧车道线识别技术主要分为基于分割(segmentation-based)、基于锚点(anchor-based)、按行搜索(row-wise)、参数预测(Parametric Prediction)四大类;其中基于分割的方法可以产生更加精准丰富的识别结果,但是对算力要求更高,因此有很多研究者致力于通过网络的巧妙设置在保证精度的同时提高推理速度,如《ERFNet: EfficientResidual Factorized ConvNet for Real-Time Semantic Segmentation》。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种静态目标分割方法和系统,其具体技术方案如下:
一种静态目标分割方法,包括以下步骤:
步骤一,获取到当前帧图像和参考帧图像,输入纹理提取网络模块提取得到对应图像的纹理特征;
步骤二,利用注意力计算模块,对当前帧和参考帧的纹理特征进行切块后计算每块的相似度,并基于相似度的计算,得到软硬注意力;
步骤三,将当前帧图像和参考帧图像输入编码网络模块,得到对应编码特征,利用参考帧编码特征和硬注意力,通过注意力特征生成模块得到注意力特征,再根据注意力特征和当前帧编码特征得到最终的注意力特征;
步骤四,构造解码网络模块,基于当前帧编码特征和最终的注意力特征得到当前帧图像的最终静态目标分割结果。
进一步的,所述步骤一,具体包括以下子步骤:
步骤1.1,获取当前帧图像和参考帧图像后预处理;
步骤1.2,构造纹理提取网络模块,将预处理后的当前帧图像和参考帧图像分别输入道路语义的纹理提取网络模块,得到当前帧纹理特征和参考帧纹理特征,其尺寸均为CL*HL*WL, CL、HL、WL分别表示纹理通道数、纹理高度、纹理宽度。
进一步的,所述纹理提取网络模块包含两种卷积层,其卷积核大小分别为KL*1和1*KL,两种卷积层交错设置,若前一层卷积核大小为KL*1,则后一层卷积核大小为1*KL,若前一层卷积核大小为1*KL,则后一层卷积核大小为KL*1,卷积层数和KL取值预先设置。
进一步的,所述步骤二,具体包括以下子步骤:
步骤2.1,构造注意力计算模块,该模块采用滑动窗口,窗口大小为KA*KA,步长为StrA,分别将当前帧纹理特征和参考帧纹理特征分成P块,*,每一块用一个特征向量来表征,特征向量的值来自于窗口在每个通道上取值的拼接,因此该特征向量长度为**;
其中argmax表示求最大值对应的索引;
其中max表示求最大值;
进一步的,所述步骤三,具体包括以下子步骤:
步骤3.1,构造编码网络模块,将参考帧图像和当前帧图像分别输入到编码网络模块得到参考帧编码特征和当前帧编码特征,其尺寸均为CE*HL*WL。
步骤3.2,构造注意力特征生成模块,将大小为CE*HL*WL的参考帧编码特征通过滑动窗口切分方式,窗口大小为KA*KA,步长为StrA,转为P行列的参考帧编码矩阵,构建参考帧编码特征中滑动窗口每次滑动的位置和参考帧编码矩阵中行的位置映射关系F_win,其中**;
基于硬注意力向量AH从参考帧编码特征中进行特征选择,对于硬注意力向量AH中的第i个元素AHi选择参考帧编码矩阵的第AHi行,组成P*LE的注意力特征矩阵;
步骤3.3, 注意力特征生成模块将注意力特征AHF 和当前帧编码特征按照通道进行拼接,得到(CE+CL)*HL*WL的特征张量,输入到卷积层,输入通道数CE+CL,输出通道数CE,得到特征张量FT,其大小为CE*HL*WL;再将特征张量FT与软注意力向量AS的对应元素相乘,得到最终的注意力特征EF,其尺寸为CE*HL*WL。
进一步的,所述编码网络模块由不同尺寸的空洞卷积层、下采样层交错设置组成,按顺序设置为1个下采样层+E1个空洞卷积层+1个下采样层+E2个空洞卷积层+1个下采样层。
进一步的,所述步骤四,具有为:构造解码网络模块,将最终的注意力特征EF与当前帧编码特征相加得到CE*HL*WL的特征张量输入到解码网络模块,通过解码网络模块输出当前帧图像的最终静态目标分割结果,其大小为Class*H*W,Class为需要分割的静态目标类型数目,H表示高,W表示宽。
进一步的,所述解码网络模块由空洞卷积和上采样层交错组成,按顺序设置为1个下采样层+D1个空洞卷积层+1个下采样层+D2个空洞卷积层+1个下采样层。
一种静态目标分割系统,包括:纹理提取网络模块、注意力计算模块、编码网络模块、注意力特征生成模块和解码网络模块,所述纹理提取网络模块的输入两张预处理后的图像数据,分别表示当前帧和参考帧,输出提取的纹理特征至注意力计算模块;所述注意力计算模块输入为当前帧纹理特征和参考帧纹理特征,输出为两种纹理特征的硬注意力和软注意力;所述编码网络模块其输入为当前帧图像和参考帧图像,输出为当前帧编码特征和参考帧编码特征;所述注意力特征生成模块其输入为当前帧编码特征、参考帧编码特征、硬注意力、软注意力,输出为注意力特征;所述解码网络模块,其输入为注意力特征、当前帧编码特征,输出为静态目标分割结果。
有益效果:
本发明能够基于参考帧图像,从当前帧图像中分割出静态目标,在保证分割精度的同时提高了整体逻辑处理的速度,且易于开发部署。
附图说明
图1是本发明的一种静态目标分割方法流程图;
图2是本发明的一种静态目标分割系统的网络连接示意图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图,对本发明作进一步详细说明。
如图1和图2所示,本发明的一种静态目标分割方法和系统,该方法包括以下步骤:
步骤一,获取到当前帧图像和参考帧图像,输入纹理提取网络模块提取得到对应图像的纹理特征;
步骤1.1,获取当前帧图像Curr_img和参考帧图像Ref_img后预处理,形状均为H*W*3,H表示高,W表示宽,3是维度值,本实施例尺寸取值为1024*512*3。
步骤1.2,以车道线识别为例,构造道路语义的纹理提取网络模块Feature_Net,将预处理后的当前帧图像Curr_img和参考帧图像Ref_img分别输入道路语义的纹理提取网络模块Feature_Net,得到当前帧纹理特征Curr_feat和参考帧纹理特征Ref_feat,其尺寸均为CL*HL*WL,分别为预定义的纹理通道数、纹理高度、纹理宽度,本实施例尺寸均为64*64*128。
纹理提取网络模块包含两种卷积层,其卷积核大小分别为KL*1和1*KL,两种卷积层交错设置,如果前一层卷积核大小为KL*1,则后一层卷积核大小为1*KL,如果前一层卷积核大小为1*KL,则后一层卷积核大小为KL*1,卷积层数和KL取值预先设置。
步骤二,利用注意力计算模块,对当前帧和参考帧的图像纹理特征进行切块后计算每块的相似度,并基于相似度的计算,得到软硬注意力;
步骤2.1 构造注意力计算模块Attn_module,该模块采用滑动窗口,窗口大小为KA*KA,步长为StrA,分别将当前帧纹理特征Curr_feat和参考帧纹理特征Ref_feat分P块,*,每一块用一个特征向量来表征,特征向量的值来自于窗口在每个通道上取值的拼接,因此该向量长度为**;
本发明实施例中,注意力计算模块Attn_module,将参考帧纹理特征Ref_feat的每个通道的特征,尺寸为64*128,采用滑动窗口,窗口大小3*3, 步长为1,裁剪成64*128=8192个同样大小的方块;每个方块对应的特征展开成一个长64*3*3=576的向量;同理对当前帧纹理特征Curr_feat进行一样的滑动裁剪操作,得到8192个块,每个块特征为长576的向量。
步骤2.2,对于当前帧纹理特征Curr_feat中每一个块,计算其与参考帧纹理特征Ref_feat中每个块之间的相似度,得到一个P*P的相似度矩阵A,A为8192行8192列的方阵,对于A的任意一个元素有:
其中表示将来自参考帧纹理特征Ref_feat的第i个方块的特征展开为一个向量后进行归一化,表示将来自参考帧纹理特征Ref_feat的第j个方块的特征展开为一个向量后进行归一化,表示求两个向量内积,相似度的计算也可以采用其他方式。
步骤2.3,根据相似度矩阵A按行计算每一行的最大值和最大值索引,分别得到软注意力向量AS和硬注意力向量AH,作为该模块最后的输出,其长度均为P,本实施例两个向量的长度均为8192,对于硬注意力向量AH中第i个元素有:
其中argmax表示求最大值对应的索引;
其中max表示求最大值;
步骤三,将当前帧图像和参考帧图像输入编码网络模块,得到对应编码特征,利用参考帧编码特征和硬注意力,通过注意力特征生成模块得到注意力特征,再根据注意力特征和当前帧编码特征得到最终的注意力特征;
步骤3.1,构造编码网络Encode_Net,将参考帧图像Ref_img和当前帧图像Curr_img分别输入到编码网络模块Encode_Net得到参考帧编码特征Ref_enc和当前帧编码特征Curr_enc,其尺寸均为CE*HL*WL,高宽与纹理特征提取模块的输出一致,CE由预先设定,本实施例尺寸均为128*64*128。
编码网络模块由不同尺寸的空洞卷积层、下采样层交错设置组成,按顺序设置为1个下采样层+E1个空洞卷积层+1个下采样层+E2个空洞卷积层+1个下采样层,E1 和E2的值由预先设定好。
步骤3.2,构造注意力特征生成模块Attn_feat_select,将大小为CE*HL*WL的参考帧编码特征Ref_enc按照步骤二中的滑动窗口切分方式,转为P行列的参考帧编码矩阵Ref_enc_win,构建参考帧编码特征Ref_enc中滑窗每次滑动的位置和参考帧编码矩阵Ref_enc_win中行的位置映射关系F_win,其中**;
基于硬注意力向量AH从参考帧编码特征Ref_enc中进行特征选择,对于硬注意力向量AH中的第i个元素AHi选择参考帧编码矩阵Ref_enc_win的第AHi行,组成P*LE的注意力特征矩阵AHF_tmp;
实施例中,对参考帧编码特征Ref_enc进行步骤二中的滑动裁剪操作,得到8192个块,每块特征为长1152的向量,用一个8192*1152的参考帧编码矩阵Ref_enc_win表示;基于硬注意力向量AH对参考帧编码特征Ref_enc的特征块进行选择,对于硬注意力向量AH中的第i个元素AHi选择参考帧编码矩阵Ref_enc_win的第AHi行,得到一个1152行8192列的注意力特征矩阵AHF_tmp,将注意力特征矩阵AHF_tmp转为张量,具体地根据步骤二滑动窗口的操作,将1152*8192的注意力特征矩阵AHF_tmp重新整理成128*9*64*128的张量,将张量沿第二个维度取均值,得到128*64*128的注意力特征AHF。
步骤3.3,注意力特征生成模块Attn_feat_select将注意力特征AHF 和当前帧编码特征Curr_enc按照通道进行拼接,得到(CE+CL)*HL*WL的特征张量,输入到卷积层,卷积核大小由预先设定,输入通道数CE+CL,输出通道数CE,得到特征张量FT,其大小为CE*HL*WL;
注意力特征生成模块Attn_feat_select将特征张量FT与软注意力向量AS的对应元素相乘,得到最终的注意力特征EF,其尺寸为CE*HL*WL。
实施例中,将当前帧编码特征Curr_enc与注意力特征AHF的通道叠加,得到256*64*128的特征图,注意力特征生成模块Attn_feat_select将该特征图进行一次卷积操作转换成128*64*128的特征张量FT,将特征张量FT与软注意力向量AS对应元素相乘,得到128*64*128的最终的注意力特征EF。
步骤四,构造解码网络模块,基于当前帧编码特征和最终的注意力特征得到当前帧图像的最终静态目标分割结果;
构造解码网络模块Decode_Net,将最终的注意力特征EF与当前帧编码特征Curr_enc相加得到CE*HL*WL的特征张量输入到解码网络模块Decode_Net,解码网络模块的输出为当前帧图像的最终静态目标分割结果Seg,其大小为Class*H*W, Class为需要分割的静态目标类型数目。
本实施例中,解码网络模块输出得到21*512*1024的分割结果Seg,分别表示每个像素属于21种车道线类型的概率。
解码网络模块的设置参考编码网络模块,由空洞卷积和上采样层交错组成,按顺序设置为1个下采样层+D1个空洞卷积层+1个下采样层+D2个空洞卷积层+1个下采样层,D1 和D2的值由预先设定好。
本发明的系统包括:纹理提取网络模块、注意力计算模块、编码网络模块、注意力特征生成模块和解码网络模块,所述纹理提取网络模块的输入两张预处理后的图像数据,分别表示当前帧和参考帧,输出提取的纹理特征至注意力计算模块;所述注意力计算模块输入为当前帧纹理特征和参考帧纹理特征,输出为两种纹理特征的硬注意力和软注意力;所述编码网络模块其输入为当前帧图像和参考帧图像,输出为当前帧编码特征和参考帧编码特征;所述注意力特征生成模块其输入为当前帧编码特征、参考帧编码特征、硬注意力、软注意力,输出为注意力特征;所述解码网络模块,其输入为注意力特征、当前帧编码特征,输出为静态目标分割结果。
本发明的系统,对纹理提取网络模块、编码网络模块和解码网络模块参数进行训练,训练数据包括当前帧图像和对应的分割标注,参考帧图像和对应的分割标注,其中纹理提取网络模块的权重来自于相关数据集的预训练,训练采用log_softmax损失,并且对背景类带来的损失设置权重小于被检测类带来的损失;对高稳定性的静态目标分割系统进行推理测试,加载训练好的纹理提取网络模块、编码网络模块和解码网络模块模型,将预处理后的当前帧图像和参考帧图像输入系统,得到最终的分割结果。其中参考帧可以来自于相机的上一帧,也可以来自于相近坐标下的历史图像。
以上所述,仅为本发明的优选实施案例,并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明,对于熟悉本领域的人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种静态目标分割方法,其特征在于,包括以下步骤:
步骤一,获取到当前帧图像和参考帧图像,输入纹理提取网络模块提取得到对应图像的纹理特征;
步骤二,利用注意力计算模块,对当前帧和参考帧的纹理特征进行切块后计算每块的相似度,并基于相似度的计算,得到软硬注意力;
步骤三,将当前帧图像和参考帧图像输入编码网络模块,得到对应编码特征,利用参考帧编码特征和硬注意力,通过注意力特征生成模块得到注意力特征,再根据注意力特征和当前帧编码特征得到最终的注意力特征;
步骤四,构造解码网络模块,基于当前帧编码特征和最终的注意力特征得到当前帧图像的最终静态目标分割结果。
2.如权利要求1所述的一种静态目标分割方法,其特征在于,所述步骤一,具体包括:
步骤1.1,获取当前帧图像和参考帧图像后预处理;
步骤1.2,构造纹理提取网络模块,将预处理后的当前帧图像和参考帧图像分别输入道路语义的纹理提取网络模块,得到当前帧纹理特征和参考帧纹理特征,其尺寸均为CL*HL*WL, CL、HL、WL分别表示纹理通道数、纹理高度、纹理宽度。
3.如权利要求2所述的一种静态目标分割方法,其特征在于,所述纹理提取网络模块包含两种卷积层,其卷积核大小分别为KL*1和1*KL,两种卷积层交错设置,若前一层卷积核大小为KL*1,则后一层卷积核大小为1*KL,若前一层卷积核大小为1*KL,则后一层卷积核大小为KL*1,卷积层数和KL取值预先设置。
4.如权利要求1所述的一种静态目标分割方法,其特征在于,所述步骤二,具体包括:
步骤2.1,构造注意力计算模块,该模块采用滑动窗口,窗口大小为KA*KA,步长为StrA,分别将当前帧纹理特征和参考帧纹理特征分成P块,*,每一块用一个特征向量来表征,特征向量的值来自于窗口在每个通道上取值的拼接,因此该特征向量长度为**;
其中argmax表示求最大值对应的索引;
其中max表示求最大值;
5.如权利要求4所述的一种静态目标分割方法,其特征在于,所述步骤三,具体包括:
步骤3.1,构造编码网络模块,将参考帧图像和当前帧图像分别输入到编码网络模块得到参考帧编码特征和当前帧编码特征,其尺寸均为CE*HL*WL;
步骤3.2,构造注意力特征生成模块,将大小为CE*HL*WL的参考帧编码特征通过滑动窗口切分方式,窗口大小为KA*KA,步长为StrA,转为P行列的参考帧编码矩阵,构建参考帧编码特征中滑动窗口每次滑动的位置和参考帧编码矩阵中行的位置映射关系F_win,其中**;
基于硬注意力向量AH从参考帧编码特征中进行特征选择,对于硬注意力向量AH中的第i个元素AHi选择参考帧编码矩阵的第AHi行,组成P*LE的注意力特征矩阵;
步骤3.3, 注意力特征生成模块将注意力特征AHF 和当前帧编码特征按照通道进行拼接,得到(CE+CL)*HL*WL的特征张量,输入到卷积层,输入通道数CE+CL,输出通道数CE,得到特征张量FT,其大小为CE*HL*WL;再将特征张量FT与软注意力向量AS的对应元素相乘,得到最终的注意力特征EF,其尺寸为CE*HL*WL。
6.如权利要求5所述的一种静态目标分割方法,其特征在于,所述编码网络模块由不同尺寸的空洞卷积层、下采样层交错设置组成,按顺序设置为1个下采样层+E1个空洞卷积层+1个下采样层+E2个空洞卷积层+1个下采样层。
7.如权利要求5所述的一种静态目标分割方法,其特征在于,所述步骤四,具有为:构造解码网络模块,将最终的注意力特征EF与当前帧编码特征相加得到CE*HL*WL的特征张量输入到解码网络模块,通过解码网络模块输出当前帧图像的最终静态目标分割结果,其大小为Class*H*W,Class为需要分割的静态目标类型数目,H表示高,W表示宽。
8.如权利要求7所述的一种静态目标分割方法,其特征在于,所述解码网络模块由空洞卷积和上采样层交错组成,按顺序设置为1个下采样层+D1个空洞卷积层+1个下采样层+D2个空洞卷积层+1个下采样层。
9.一种静态目标分割系统,包括:纹理提取网络模块、注意力计算模块、编码网络模块、注意力特征生成模块和解码网络模块,其特征在于,所述纹理提取网络模块的输入两张预处理后的图像数据,分别表示当前帧和参考帧,输出提取的纹理特征至注意力计算模块;所述注意力计算模块输入为当前帧纹理特征和参考帧纹理特征,输出为两种纹理特征的硬注意力和软注意力;所述编码网络模块其输入为当前帧图像和参考帧图像,输出为当前帧编码特征和参考帧编码特征;所述注意力特征生成模块其输入为当前帧编码特征、参考帧编码特征、硬注意力、软注意力,输出为注意力特征;所述解码网络模块,其输入为注意力特征、当前帧编码特征,输出为静态目标分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210260910.8A CN114332496A (zh) | 2022-03-17 | 2022-03-17 | 一种静态目标分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210260910.8A CN114332496A (zh) | 2022-03-17 | 2022-03-17 | 一种静态目标分割方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332496A true CN114332496A (zh) | 2022-04-12 |
Family
ID=81033944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210260910.8A Pending CN114332496A (zh) | 2022-03-17 | 2022-03-17 | 一种静态目标分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332496A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740099A (zh) * | 2023-08-15 | 2023-09-12 | 南京博视医疗科技有限公司 | 一种oct图像分割方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669327A (zh) * | 2020-12-25 | 2021-04-16 | 上海交通大学 | 磁共振图像分割系统及其分割方法 |
CN112766279A (zh) * | 2020-12-31 | 2021-05-07 | 中国船舶重工集团公司第七0九研究所 | 一种基于联合注意力机制的图像特征提取方法 |
US20210248761A1 (en) * | 2020-02-10 | 2021-08-12 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method for image segmentation using cnn |
CN113269818A (zh) * | 2021-06-09 | 2021-08-17 | 河北工业大学 | 一种基于深度学习的地震数据纹理特征重建方法 |
CN113592794A (zh) * | 2021-07-16 | 2021-11-02 | 华中科技大学 | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 |
-
2022
- 2022-03-17 CN CN202210260910.8A patent/CN114332496A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210248761A1 (en) * | 2020-02-10 | 2021-08-12 | Hong Kong Applied Science and Technology Research Institute Company Limited | Method for image segmentation using cnn |
CN112669327A (zh) * | 2020-12-25 | 2021-04-16 | 上海交通大学 | 磁共振图像分割系统及其分割方法 |
CN112766279A (zh) * | 2020-12-31 | 2021-05-07 | 中国船舶重工集团公司第七0九研究所 | 一种基于联合注意力机制的图像特征提取方法 |
CN113269818A (zh) * | 2021-06-09 | 2021-08-17 | 河北工业大学 | 一种基于深度学习的地震数据纹理特征重建方法 |
CN113592794A (zh) * | 2021-07-16 | 2021-11-02 | 华中科技大学 | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 |
Non-Patent Citations (2)
Title |
---|
XUHUA REN等: "ROBUST BRAIN MAGNETIC RESONANCE IMAGE SEGMENTATION FOR HYDROCEPHALUS PATIENTS: HARD AND SOFT ATTENTION", 《2020 IEEE 17TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING (ISBI)》 * |
曲直生: "基于CNN和注意力机制的医学图像分割算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740099A (zh) * | 2023-08-15 | 2023-09-12 | 南京博视医疗科技有限公司 | 一种oct图像分割方法及装置 |
CN116740099B (zh) * | 2023-08-15 | 2023-11-14 | 南京博视医疗科技有限公司 | 一种oct图像分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113421269B (zh) | 一种基于双分支深度卷积神经网络的实时语义分割方法 | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN110428424B (zh) | 基于深度学习的雷达回波图像高压线分割方法 | |
CN110599502B (zh) | 一种基于深度学习的皮肤病变分割方法 | |
CN111127538A (zh) | 一种基于卷积循环编码-解码结构的多视影像三维重建方法 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
JP7337268B2 (ja) | 三次元エッジ検出方法、装置、コンピュータプログラム及びコンピュータ機器 | |
CN116310350B (zh) | 基于图卷积和半监督学习网络的城市场景语义分割方法 | |
CN116258874A (zh) | 基于深度条件扩散网络的sar识别数据库样本姿态扩充方法 | |
CN115115831A (zh) | 基于注意力引导的多尺度上下文信息交互的语义分割方法 | |
CN116453121A (zh) | 一种车道线识别模型的训练方法及装置 | |
CN114565628B (zh) | 一种基于边界感知注意的图像分割方法及系统 | |
CN115346071A (zh) | 高置信局部特征与全局特征学习的图片分类方法及系统 | |
CN114998373A (zh) | 基于多尺度损失函数的改进型U-Net云图分割方法 | |
CN115841625A (zh) | 一种基于改进U-Net模型的遥感建筑物影像提取方法 | |
CN114332496A (zh) | 一种静态目标分割方法和系统 | |
CN116310187B (zh) | 一种小尺度短周期的滩涂精细建模方法 | |
CN117496158A (zh) | 半监督场景融合改进mbi的对比学习与语义分割方法 | |
CN113554655B (zh) | 基于多特征增强的光学遥感图像分割方法及装置 | |
CN115205530A (zh) | 一种面向低空无人机的实时图像语义分割方法 | |
CN114998587A (zh) | 一种遥感影像建筑物语义分割方法及系统 | |
CN113192018A (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN114022719A (zh) | 一种多特征融合的显著性检测方法 | |
CN112926684A (zh) | 一种基于半监督学习的文字识别方法 | |
CN116258970B (zh) | 一种融合遥感图像与点云数据的地理要素识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |
|
RJ01 | Rejection of invention patent application after publication |