CN114358144B - 一种图像分割质量评估方法 - Google Patents
一种图像分割质量评估方法 Download PDFInfo
- Publication number
- CN114358144B CN114358144B CN202111543178.7A CN202111543178A CN114358144B CN 114358144 B CN114358144 B CN 114358144B CN 202111543178 A CN202111543178 A CN 202111543178A CN 114358144 B CN114358144 B CN 114358144B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- score
- data
- diagram
- image
- 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
Abstract
本发明涉及深度学习、计算机视觉以及图像处理领域，具体为一种图像分割质量评估方法，包括以下具体步骤：S1、收集数据信息并构建训练集和验证集；S2、选取神经网络结构并进行训练，利用验证集确定当前网络参数；S3、在训练集，利用对比学习的方法对特征空间层网络参数进行微调；S4、得到相似性匹配图，并以类激活图为指导转化为得分，确定最优迭代次数和最优网络参数；S5、对于原始图像和待评估分割结果，利用最优带参网络输出相似性匹配图，并以当前图像的类激活图为指导，输出最终得分。本发明在应用阶段无需真实标签即可给出得分，又将类激活图引入指导最终评估得分，使评估得分更加符合人类的视觉，取得了较好的结果。
Description
技术领域
本发明涉及深度学习、计算机视觉以及图像处理领域，具体为一种图像分割质量评估方法。
背景技术
图像分割是指依据特定任务将图像分为若干个互不相交且具有某种性质的区域，并将感兴趣区域提取的过程。图像分割是计算机视觉、图像处理和分析的关键课题，有许多可应用领域，诸如图像分类，目标识别追踪、医疗影像分析以及自动驾驶等。在图像分割中，对分割结果质量好坏进行评估也是一个关键问题。一个好的评估方法可以更客观的对分割算法进行评估，指导分割算法的训练，还可以作为再分割、分割优化的指导因子。
目前，对图像分割质量进行评估的方法主要包括三种：
一、人工评估方法；人工评估方法依靠人工进行主观评估，这种方法过于耗费人力资源，且由于人的主观差异性，需要多人协作才能给出客观评估，在数据量较大的情况下难以展开；
二、有监督评估方法；有监督评估方法诸如IoU、F-Measure、PRI等效果较好，评估较客观，是当前的主流方法，但是其仍然存在一些问题：首先，其需要图像的真实分割标签作为模版进行评估，无法应对新的数据，其次，其不同方法在不同场景评估的准确性，可靠性不一，难以统一，再之，其只是在分割结果的空间上进行评估，脱离图像本身的内容，不能理解图像真实语义，导致部分评估结果与人类视觉标准脱离；
三、无监督评估方法；无监督评估方法依据使用方法的不同可以分为两类：一是基于传统机器学习的图像分割质量评估方法，二是基于深度学习的神经网络图像分割评估方法；基于传统机器学习的方法主要使用颜色、边缘、纹理以及目标区域等特征的一致性和差异性作为评估的依据，这种方法不需要真实标签，但仍然是在分割结果的空间上进行评估，不能理解图像本身的语义信息，且具有传统机器学习方法固有的缺点，只能针对具体场景进行设计，准确性方面都远不足于有监督方法。
深度学习是近几年机器学习领域中新发展出的一个方向，深度学习让机器拥有了一定分析学习的能力，许多领域因为深度学习的加入，使获得的结果更加精准，研究深度进一步扩散，特别是在图像视频识别领域和自然语言处理领域，它的引入使机器学习更接近于最初的目标---人工智能。由于深度学习兴起于近几年，基于深度学习的图像分割质量评估方法仍然较少，主要有直接利用有监督得分作为依据进行回归训练的方法和依据分割质量的好坏进行对比学习的方法两种，分析评估时需要真实标签，评估稳定可靠差且不符合人类视觉。
发明内容
本发明目的是针对背景技术中存在的问题，提出一种无需真实标签，评估稳定可靠且符合人类视觉的图像分割质量评估方法。
本发明的技术方案：一种图像分割质量评估方法，包括以下具体步骤：
S1、收集数据信息，并构建训练集和验证集；其中，数据收集的步骤为：
S101、从公开数据集中筛选N幅原始图像和其真实分割标签，并将N幅原始图像和其真实分割标签整合为统一尺寸大小H*W*3,得到原始图像数据和真实分割标签数据；其中，N≥5000；数据图像的高度H与数据图像的宽度W的数值相同；
S102、选取K种现有分割方法，将获得的N幅原始图像分别输入K种现有分割方法中，输出分割结果；其中，K≥2；
每幅图像人工选取视觉上最好分割结果图和最坏分割结果图各一种；
将得到的所有最好分割结果图和最坏分割结果图整合为统一尺寸大小H*W*3，得到相对较好分割集数据和相对较差分割集数据；其中，数据图像的高度H与数据图像的宽度W的数值相同；
S2、选取神经网络结构，在训练集，将原始图像数据联合分割结果作为神经网络结构的输入，依据分割结果与真实分割标签数据的匹配程度，对神经网络结构进行训练，利用验证集确定当前网络参数；
S3、基于步骤S2中确定的具有网络参数的神经网络结构获得数据的特征空间，保持前序层网络参数不变；在训练集，利用对比学习的方法对特征空间层网络参数进行微调；
S4、获得所述步骤S3中微调后神经网络结构的多次迭代参数，将验证集数据输入，输出相似性匹配图，并以类激活图为指导转化为得分S，在多次迭代中，依据验证集得分确定最优迭代次数和最优网络参数；
S5、对于原始图像和待评估分割结果，首先利用训练好的最优带参网络输出相似性匹配图，并以当前图像的类激活图为指导，输出最终得分。
优选的，S2中确定当前网络参数的具有步骤为：
S201、选取结构基于全卷积神经网络框架的神经网络结构；
S202、对于真实分割标签数据、相对较好分割集数据和相对较差分割集数据，确定其与真实分割标签数据中是每个像素点是否匹配，组成大小为H*W的实际匹配图TM；
S203、将选取的分割图像与原始图像组成尺寸大小为H*W*6的数据，并输入神经网络结构，输出预测匹配图PM，计算预测匹配图PM与真实匹配图TM的差异，以此作为损失进行多次迭代训练；迭代训练的次数不少于100次；其中，计算预测匹配图PM与真实匹配图TM的差异的计算方法包括二元交叉熵、KL散度和Dice系数中的任意一种；
S204、对于训练中不同迭代次数的迭代参数，在验证集计算不同迭代参数下的像素级预测准确率P，选取取得最高准确率的迭代参数为当前网络参数；
预测准确率P的计算公式为P＝(PM∩TM)/TM。
优选的，S3中利用对比学习的方法对特征空间层网络参数进行微调的方法为：
S301、依据具有网络参数的神经网络结构获得数据的特征空间，输出预测匹配图PM，取其平均值作为评估得分；
S302、保持网络参数的神经网络结构其他层参数不变，在特征空间层，依据对比学习方法，将分割集依据视觉效果分为正负类，正类的得分SP应大于负类的得分SN，以正类得分与负类得分的差值作为损失对神经网络进行多次迭代微调。
优选的，S4中最优网络参数确定方法为：
S401、利用获取类激活图的算法获得原始图像的类激活图；
S402、将验证集数据输入S3中获得的具有网络参数的神经网络结构中，输出预测匹配图，以类激活图为指导，输出得分S，并以正类得分大于负类得分为依据，计算准确率，确定取得最高准确率的网络参数为最优参数。
优选的，获取类激活图的方法包括CAM、Grad-CAM、Grad-CAM++以及SmoothGradCAM++。
优选的，类激活图指导输出最终得分S采用惩戒的方式，即获得一个权重得分C，
当C大于一定阈值则保持输出得分不变，
当C小于一定阈值则对得分进行惩戒；惩戒阈值设置为0.5；
对于每个分割结果的得分，以正类得分大于负类得分为一次正确的预测，否则为错误，计算准确率，取得最高准确率的网络参数确定为最优参。
优选的，最终得分S，其权重得分C的计算方式是：
以类激活图作为预测匹配图的权重，则类激活图更关注部分具有更高的权重，并可获得正确匹配部分所占权重，计算正确匹配部分的权重在总权重中的比例，以此作为权重得分C，当C＞0.5，则设置C＝1，即C的公式为:
优选的，S5中将待分割图像与原始图像合并成6通道，然后输入到S3中获得的神经网络结构，输出其匹配图，以类激活图为指导，输出最终得分。
与现有技术相比，本发明的上述技术方案具有如下有益的技术效果：
本发明提供的图像分割质量评估方法与人工评估方法比较，能显著节省大量人力资源；
本发明提供的图像分割质量评估方法与有监督方法比较，本发明在应用阶段无需真实标签即可给出得分，且对比准确性接近有监督方法，甚至部分优于有监督方法，明显有益；
本发明提供的图像分割质量评估方法与其他无监督方法比较，本发明使用基于神经网络的相似性匹配方法进行评估，并利用对比学习方法在特征空间进行微调学习，在对比实验中，其准确性大幅提升,远超其他无监督方法。另外，本发明在评估阶段使用类激活图作为指导，其得分更加符合人类视觉。
附图说明
图1为本发明提出的一种实施例的流程图。
具体实施方式
如图1所示，本发明提出的一种图像分割质量评估方法，包括以下具体步骤：
S1、收集数据信息，并构建训练集和验证集；其中，数据收集的步骤为：
S101、从公开数据集中筛选N幅原始图像和其真实分割标签，并将N幅原始图像和其真实分割标签整合为统一尺寸大小H*W*3,得到原始图像数据和真实分割标签数据；其中，N≥5000；数据图像的高度H与数据图像的宽度W的数值相同，例如(256,256)、(320,320)、(512,512)等；
进一步的，公开数据集选用但不限于Pascal VOC数据集；
S102、选取K种现有分割方法，将获得的N幅原始图像分别输入K种现有分割方法中，输出分割结果；其中，K≥2；K种现有分割方法均为现有认知中最为先进的分割方法；
对所得分割结果中的每幅图像人工选取视觉上最好分割结果图和最坏分割结果图各一种；
将得到的所有最好分割结果图和最坏分割结果图整合为统一尺寸大小H*W*3，得到相对较好分割集数据Pos和相对较差分割集数据Neg；其中，数据图像的高度H与数据图像的宽度W的数值相同；
最后将原始图像数据、真实分割标签数据、相对较好分割集数据Pos和相对较差分割集数据Neg四种数据分成训练集和验证集；
需要说明是的，取N＝7000，则选取6000张原始图像以及其对应的分割图像获得的数据作为训练集，1000张原始图像数据作为验证集；
S2、选取神经网络结构，在训练集，将原始图像数据联合分割结果作为神经网络结构的输入，依据分割结果与真实分割标签数据的匹配程度，对神经网络结构进行训练，利用验证集确定当前网络参数；
确定当前网络参数的具有步骤为：
S201、选取结构基于全卷积神经网络框架(FCN，Fully Convolutional Networks)的神经网络结构，选择现有已知的最先进的神经网络结构，确保输入和输出的数据图像宽度和高度一致；
进一步的，可选择的神经网络结构还包括ResFCN、U-Net以及Deeplab；
S202、对于真实分割标签数据、相对较好分割集数据Pos、相对较差分割集数据Neg，其他图像分割结果四种分割图像，确定其与真实分割标签数据中是每个像素点是否匹配，组成大小为H*W的实际匹配图TM；
S203、将选取的分割图像与原始图像组成尺寸大小为H*W*6的数据，并输入神经网络结构，输出大小为H*W的预测匹配图PM，计算预测匹配图PM与真实匹配图TM的差异，以此作为损失进行多次迭代训练；迭代训练的次数不少于100次；迭代训练的次数可以为300或500等；
进一步的，计算预测匹配图PM与真实匹配图TM的差异的计算方法包括二元交叉熵、KL散度和Dice系数中的任意一种；
S204、对于训练中不同迭代次数的迭代参数，在验证集计算不同迭代参数下的像素级预测准确率P，选取取得最高准确率的迭代参数为当前网络参数；
预测准确率P的计算公式为P＝(PM∩TM)/TM；
S3、基于步骤S2中确定的具有网络参数的神经网络结构获得数据的特征空间，保持前序层网络参数不变；在训练集，利用对比学习的方法对特征空间层网络参数进行微调；
其中，利用对比学习的方法对特征空间层网络参数进行微调的方法为：
S301、在训练集，依据具有网络参数的神经网络结构获得数据的特征空间，输出预测匹配图PM，取其平均值作为评估得分；
S302、保持网络参数的神经网络结构其他层参数不变，在特征空间层，依据对比学习方法，将分割集依据视觉效果分为正负类，正类的得分SP应大于负类的得分SN，以正类得分与负类得分的差值作为损失对神经网络进行多次迭代微调；
图像正负类的得分基于S301获得；
S4、获得所述步骤S3中微调后神经网络结构的多次迭代参数，将验证集数据输入，输出相似性匹配图，并以类激活图为指导转化为得分S，在多次迭代中，依据验证集得分确定最优迭代次数和最优网络参数；其中，多次迭代的次数可以为10或20或50等；
最优网络参数确定方法为：
S401、利用常用的获取类激活图的算法获得原始图像的类激活图；其中，常用的获取类激活图的方法包括CAM、Grad-CAM、Grad-CAM++以及SmoothGradCAM++中的任意一种；
S402、将验证集数据输入S3中获得的具有网络参数的神经网络结构中，输出预测匹配图PM，以类激活图为指导，输出得分S，并以正类得分大于负类得分为依据，计算准确率，确定取得最高准确率的网络参数为最优参数；
进一步的，类激活图指导输出最终得分S采用惩戒的方式，即获得一个权重得分C，
当C大于一定阈值则保持输出得分不变，
当C小于一定阈值则对得分进行惩戒；惩戒阈值设置为0.5；
对于每个分割结果的得分，以正类得分大于负类得分为一次正确的预测，否则为错误，计算准确率，取得最高准确率的网络参数确定为最优参；
最终得分S，其权重得分C的计算方式是：
以类激活图作为预测匹配图的权重，则类激活图更关注部分具有更高的权重，并可获得正确匹配部分所占权重，计算正确匹配部分的权重在总权重中的比例，以此作为权重得分C，当C＞0.5，则设置C＝1，即C的公式为:
S5、在应用阶段，对于原始图像和待评估分割结果，不需要真实分割标签，首先利用训练好的最优带参网络输出相似性匹配图，并以当前图像的类激活图为指导，输出最终得分；
其中，在应用阶段，获得待评估分割图像以及原始图像，不需要真实分割标签，将待分割图像与原始图像合并成6通道，然后输入到S3中获得的神经网络结构，输出其匹配图，以类激活图为指导，输出最终得分，类激活图指导得分的计算过程与S402过程相同。
方法验证
本发明还提供了对本发明方法的效果进行验证的方法，具体为：在验证集，设原始图像集为Img，采用分割方法进行处理后，对应得到相对较好分割集数据Pos以及相对较差分割集数据Neg；
对于第i张原始图像Imgi，其对应的分割结果为Posi，相对较差分割集数据Negi,以此为依据，本发明进行了三种比较试验：
1、对应好坏样本的比较，对于原始图像Imgi，设Posi为正类，Negi为负类；则可设Posi与Imgi的匹配得分Spi，Negi与Imgi的匹配得分SNi，如果Spi＞SNi，则认为是一次正确的比较，其平均准确率p的计算公式为：
2、在Pos分割集中交换分割图像的比较，对于原始图像Imgi，设Posi为正类，设集为负类，则可设Imgi与Posi的匹配得分为Spii，Imgi与Posj的匹配得分为Spij；如果Spii＞Spij，则认为是一次正确的比较，其平均准确率p的计算公式为：
3、在Neg分割集中交换分割图像的比较，对于原始图像Imgi，设Negi为正类，设集为负类,则可设Imgi与Negi的匹配得分为SNii；Imgi与Negi的匹配得分为SNij；如果SNii＞SNij，则认为是一次正确的比较，其平均准确率p的计算公式为：
如下表1，验证集三种对比实验的准确率表，通过表1可明显看出本发明提供的方法平均准确率优于其他无监督方法，且接近最优的有监督方法。
表1验证集三种对比实验的准确率表
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。
Claims (6)
1.一种图像分割质量评估方法，其特征在于，包括以下具体步骤：
S1、收集数据信息，并构建训练集和验证集；其中，数据收集的步骤为：
S101、从公开数据集中筛选N幅原始图像和其真实分割标签，并将N幅原始图像和其真实分割标签整合为统一尺寸大小H*W*3,得到原始图像数据和真实分割标签数据；其中，N≥5000；数据图像的高度H与数据图像的宽度W的数值相同；
S102、选取K种现有分割方法，将获得的N幅原始图像分别输入K种现有分割方法中，输出分割结果；其中，K≥2；
每幅图像人工选取视觉上最好分割结果图和最坏分割结果图各一种；
将得到的所有最好分割结果图和最坏分割结果图整合为统一尺寸大小H*W*3，得到相对较好分割集数据和相对较差分割集数据；其中，数据图像的高度H与数据图像的宽度W的数值相同；
S2、选取神经网络结构，在训练集，将原始图像数据联合分割结果作为神经网络结构的输入，依据分割结果与真实分割标签数据的匹配程度，对神经网络结构进行训练，利用验证集确定当前网络参数；
确定当前网络参数的具体步骤为：
S201、选取结构基于全卷积神经网络框架的神经网络结构；
S202、对于真实分割标签数据、相对较好分割集数据和相对较差分割集数据，确定其与真实分割标签数据中每个像素点是否匹配，组成大小为H*W的实际匹配图TM；
S203、将选取的分割图像与原始图像组成尺寸大小为H*W*6的数据，并输入神经网络结构，输出预测匹配图PM，计算预测匹配图PM与真实匹配图TM的差异，以此作为损失进行多次迭代训练；迭代训练的次数不少于100次；其中，计算预测匹配图PM与真实匹配图TM的差异的计算方法包括二元交叉熵、KL散度和Dice系数中的任意一种；
S204、对于训练中不同迭代次数的迭代参数，在验证集计算不同迭代参数下的像素级预测准确率P，选取取得最高准确率的迭代参数为当前网络参数；
预测准确率P的计算公式为P＝(PM∩TM)/TM；
S3、基于步骤S2中确定的具有网络参数的神经网络结构获得数据的特征空间，保持前序层网络参数不变；在训练集，利用对比学习的方法对特征空间层网络参数进行微调；
利用对比学习的方法对特征空间层网络参数进行微调的方法为：
S301、依据具有网络参数的神经网络结构获得数据的特征空间，输出预测匹配图PM，取其平均值作为评估得分；
S302、保持网络参数的神经网络结构其他层参数不变，在特征空间层，依据对比学习方法，将分割集依据视觉效果分为正负类，正类的得分SP应大于负类的得分SN，以正类得分与负类得分的差值作为损失对神经网络进行多次迭代微调；
S4、获得所述步骤S3中微调后神经网络结构的多次迭代参数，将验证集数据输入，输出相似性匹配图，并以类激活图为指导转化为得分S，在多次迭代中，依据验证集得分确定最优迭代次数和最优网络参数；
S5、对于原始图像和待评估分割结果，首先利用训练好的最优带参网络输出相似性匹配图，并以当前图像的类激活图为指导，输出最终得分。
2.根据权利要求1所述的一种图像分割质量评估方法，其特征在于，S4中最优网络参数确定方法为：
S401、利用获取类激活图的算法获得原始图像的类激活图；
S402、将验证集数据输入S3中获得的具有网络参数的神经网络结构中，输出预测匹配图，以类激活图为指导，输出得分S，并以正类得分大于负类得分为依据，计算准确率，确定取得最高准确率的网络参数为最优参数。
3.根据权利要求2所述的一种图像分割质量评估方法，其特征在于，获取类激活图的方法包括CAM、Grad-CAM、Grad-CAM++以及SmoothGradCAM++。
4.根据权利要求2所述的一种图像分割质量评估方法，其特征在于，类激活图指导输出最终得分S采用惩戒的方式，即获得一个权重得分C，
当C大于阈值则保持输出得分不变，
当C小于阈值则对得分进行惩戒；阈值设置为0.5；
对于每个分割结果的得分，以正类得分大于负类得分为一次正确的预测，否则为错误，计算准确率，取得最高准确率的网络参数确定为最优参。
5.根据权利要求4所述的一种图像分割质量评估方法，其特征在于，最终得分S，其权重得分C的计算方式是：
以类激活图作为预测匹配图的权重，则类激活图更关注部分具有更高的权重，并可获得正确匹配部分所占权重，计算正确匹配部分的权重在总权重中的比例，以此作为权重得分C，当C＞0.5，则设置C＝1，即C的公式为:
则S＝C*avg(PM)。
6.根据权利要求1所述的一种图像分割质量评估方法，其特征在于，S5中将待分割图像与原始图像合并成6通道，然后输入到S3中获得的神经网络结构，输出其匹配图，以类激活图为指导，输出最终得分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543178.7A CN114358144B (zh) | 2021-12-16 | 2021-12-16 | 一种图像分割质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111543178.7A CN114358144B (zh) | 2021-12-16 | 2021-12-16 | 一种图像分割质量评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114358144A CN114358144A (zh) | 2022-04-15 |
| CN114358144B true CN114358144B (zh) | 2023-09-26 |
Family
ID=81099172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111543178.7A Active CN114358144B (zh) | 2021-12-16 | 2021-12-16 | 一种图像分割质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358144B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
| CN107808389A (zh) * | 2017-10-24 | 2018-03-16 | 上海交通大学 | 基于深度学习的无监督视频分割方法 |
| CN108665460A (zh) * | 2018-05-23 | 2018-10-16 | 浙江科技学院 | 基于组合神经网络和分类神经网络的图像质量评价方法 |
| CN109145939A (zh) * | 2018-07-02 | 2019-01-04 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
| CN109242864A (zh) * | 2018-09-18 | 2019-01-18 | 电子科技大学 | 基于多分支网络的图像分割结果质量评价方法 |
| WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
| CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
| CN110264477A (zh) * | 2019-06-20 | 2019-09-20 | 西南交通大学 | 一种基于树结构的图像分割评价方法 |
| CN111160041A (zh) * | 2019-12-30 | 2020-05-15 | 科大讯飞股份有限公司 | 语义理解方法、装置、电子设备和存储介质 |
| CN111488757A (zh) * | 2019-01-25 | 2020-08-04 | 富士通株式会社 | 用于对图像的识别结果进行分割的方法和设备及存储介质 |
| CN111950608A (zh) * | 2020-06-12 | 2020-11-17 | 中国科学院大学 | 一种基于对比损失的域自适应物体检测方法 |
| CN112308860A (zh) * | 2020-10-28 | 2021-02-02 | 西北工业大学 | 基于自监督学习的对地观测图像语义分割方法 |
| CN112613533A (zh) * | 2020-12-01 | 2021-04-06 | 南京南瑞信息通信科技有限公司 | 基于排序约束的图像分割质量评价网络系统、方法及系统 |
| CN113160226A (zh) * | 2021-05-24 | 2021-07-23 | 苏州大学 | 基于双向引导网络的amd病变oct图像的分类分割方法及系统 |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
| CN113436175A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
| CN113450387A (zh) * | 2020-03-26 | 2021-09-28 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
| CN113723425A (zh) * | 2021-07-16 | 2021-11-30 | 深圳大学 | 一种飞机型号识别方法、装置、存储介质及设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102434562B1 (ko) * | 2015-06-30 | 2022-08-22 | 삼성전자주식회사 | 위조 지문 검출 방법 및 장치, 지문 인식 방법 및 장치 |
| US20200364855A1 (en) * | 2017-11-22 | 2020-11-19 | The Trustees Of Columbia University In The City Of New York | System, method and computer-accessible medium for classifying breast tissue using a convolutional neural network |
| DE102018104616A1 (de) * | 2018-02-28 | 2019-08-29 | Carl Zeiss Microscopy Gmbh | Verfahren zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten, Computerprogrammprodukt, computerlesbares Medium, auf dem das Computerprogrammprodukt gespeichert ist, und System zum Aufteilen eines oder mehrerer Bilder einer Probe in nach Farbstoffen aufgeteilte Bilddaten |
-
2021
- 2021-12-16 CN CN202111543178.7A patent/CN114358144B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107123123A (zh) * | 2017-05-02 | 2017-09-01 | 电子科技大学 | 基于卷积神经网络的图像分割质量评价方法 |
| CN107808389A (zh) * | 2017-10-24 | 2018-03-16 | 上海交通大学 | 基于深度学习的无监督视频分割方法 |
| WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
| CN108665460A (zh) * | 2018-05-23 | 2018-10-16 | 浙江科技学院 | 基于组合神经网络和分类神经网络的图像质量评价方法 |
| CN109145939A (zh) * | 2018-07-02 | 2019-01-04 | 南京师范大学 | 一种小目标敏感的双通道卷积神经网络语义分割方法 |
| CN109242864A (zh) * | 2018-09-18 | 2019-01-18 | 电子科技大学 | 基于多分支网络的图像分割结果质量评价方法 |
| CN111488757A (zh) * | 2019-01-25 | 2020-08-04 | 富士通株式会社 | 用于对图像的识别结果进行分割的方法和设备及存储介质 |
| CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
| CN110264477A (zh) * | 2019-06-20 | 2019-09-20 | 西南交通大学 | 一种基于树结构的图像分割评价方法 |
| CN111160041A (zh) * | 2019-12-30 | 2020-05-15 | 科大讯飞股份有限公司 | 语义理解方法、装置、电子设备和存储介质 |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
| CN113450387A (zh) * | 2020-03-26 | 2021-09-28 | 京东方科技集团股份有限公司 | 目标跟踪方法、装置、电子设备及计算机可读存储介质 |
| CN111950608A (zh) * | 2020-06-12 | 2020-11-17 | 中国科学院大学 | 一种基于对比损失的域自适应物体检测方法 |
| CN112308860A (zh) * | 2020-10-28 | 2021-02-02 | 西北工业大学 | 基于自监督学习的对地观测图像语义分割方法 |
| CN112613533A (zh) * | 2020-12-01 | 2021-04-06 | 南京南瑞信息通信科技有限公司 | 基于排序约束的图像分割质量评价网络系统、方法及系统 |
| CN113160226A (zh) * | 2021-05-24 | 2021-07-23 | 苏州大学 | 基于双向引导网络的amd病变oct图像的分类分割方法及系统 |
| CN113436175A (zh) * | 2021-06-30 | 2021-09-24 | 平安科技（深圳）有限公司 | 车图像分割质量的评估方法、装置、设备及存储介质 |
| CN113723425A (zh) * | 2021-07-16 | 2021-11-30 | 深圳大学 | 一种飞机型号识别方法、装置、存储介质及设备 |
Non-Patent Citations (4)
| Title |
|---|
| Katharina Hoebel等."An Exploration of Uncertainty Information for Segmentation Quality Assessment".《Medical Imaging》.2020,第1-10页. * |
| Wen Shi等."Segmentation Quality Evaluation based on Multi-Scale Convolutional Neural Networks".《2017 IEEE Visual Communications and Image Processing》.2018,第1-4页. * |
| 林湔."图像分割质量的协同评价框架设计与实现".《中国优秀硕士学位论文全文数据库》.2014,(第9期),第I138-956页. * |
| 郭莉丽."基于卷积神经网络的图像分割质量评估方法研究".《中国优秀硕士学位论文全文数据库》.2019,(第12期),第I138-630页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114358144A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363122B (zh) | 一种基于多层特征对齐的跨域目标检测方法 | |
| Hosu et al. | KonIQ-10k: An ecologically valid database for deep learning of blind image quality assessment | |
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| CN112818862B (zh) | 基于多源线索与混合注意力的人脸篡改检测方法与系统 | |
| EP2568429A1 (en) | Method and system for pushing individual advertisement based on user interest learning | |
| WO2020253127A1 (zh) | 脸部特征提取模型训练方法、脸部特征提取方法、装置、设备及存储介质 | |
| CN110263215B (zh) | 一种视频情感定位方法及系统 | |
| CN111583210B (zh) | 基于卷积神经网络模型集成的乳腺癌图像自动识别方法 | |
| CN109033978B (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
| CN106709421B (zh) | 一种基于变换域特征和cnn的细胞图像识别分类方法 | |
| CN104143081A (zh) | 基于嘴部特征的笑脸识别系统及方法 | |
| CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
| CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
| CN112233129A (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
| CN111914599A (zh) | 一种基于语义信息多层特征融合的细粒度鸟类识别方法 | |
| CN114998602A (zh) | 基于低置信度样本对比损失的域适应学习方法及系统 | |
| CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
| CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
| CN110765285A (zh) | 基于视觉特征的多媒体信息内容管控方法及系统 | |
| CN113792659A (zh) | 文档识别方法、装置及电子设备 | |
| US11132572B2 (en) | Method and system for splicing and restoring shredded paper based on extreme learning machine | |
| CN112765354A (zh) | 模型训练方法、模型训练装置、计算机设备和存储介质 | |
| CN114358144B (zh) | 一种图像分割质量评估方法 | |
| CN116935411A (zh) | 一种基于字符分解和重构的部首级古文字识别方法 | |
| CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |