CN108062523A - 一种红外远小目标检测方法 - Google Patents
一种红外远小目标检测方法 Download PDFInfo
- Publication number
- CN108062523A CN108062523A CN201711323185.XA CN201711323185A CN108062523A CN 108062523 A CN108062523 A CN 108062523A CN 201711323185 A CN201711323185 A CN 201711323185A CN 108062523 A CN108062523 A CN 108062523A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- msup
- mtd
- sparse
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种红外远小目标检测方法,包括稀疏残差计算步骤、结构相似性计算步骤、通过线性关系将稀疏残差和结构相似性信息融合,最终得到检测成像。本发明利用加权稀疏残差模型来重构远小目标,其次,通过区域协方差来分析目标和背景区域的结构相似性,最后将稀疏残差模型和结构相似性特征融合,有效地检测出实际目标并且排除虚假目标。对比以往的红外远小目标检测方法,本发明方法能够在复杂场景下对感兴趣的目标进行更加有效地检测。
Description
技术领域
本发明涉及一种目标检测方法,尤其涉及一种红外远小目标检测方法,属于红外目标检测的技术领域。
背景技术
在计算机视觉和军事领域,红外远小目标检测是一个重要的研究热点。随着红外成像技术的发展,红外传感器已经可以获得高分辨率图像,从而为目标检测技术奠定了基础。但是在复杂的场景下,红外远小目标检测技术仍然面临着很大的挑战。文献一(Tom,Victor T.,Peli,Tamar.,Leung,May and Bondaryk,Joseph E.:’Morphology-basedalgorithm for point target detection in infraredbackgrounds’,Proc.SPIE,1993,pp.2-11)提出基于形态学的top-hot滤波器方法。文献二(Yang,L.,Yang,J and Yang,K.:’Adaptive detection for infrared smalltarget under sea-sky complexbackground’,Electronics Letters,2004,40(17),pp.1083-1085)采用自适应巴特沃斯高通滤波器。文献三(Gu,Yanfeng.,Wang,Chen.,Liu,BaoXue and Zhang,Ye.:’A kernel-basednonparametric regression method for clutter removal in infraredsmalltargetdetection applications’,Geoscience and Remote Sensing Letters,2010,7(3),pp.469-473)通过基于核函数的非参数回归方法实现背景预测和远小目标检测。文献四(Bae,Tae-Wuk.,Zhang,Fei and Kweon,In-So.:’Edge directional 2DLMSfilter for infrared small target detection’,Infrared Physics&Technology,2012,55(1),pp.137-145)采用边缘方向信息的最小均方滤波器。文献五(Li,Li.,Li,Hui.,Li,Tian and Gao,Feng.:’Infrared small target detectionin compressive domain’,Electronics Letters,2014,50(7),pp.510-512)提出一种新颖的基于压缩感知的红外远小目标检测方法。尽管如此,针对复杂场景下的红外远小目标检测问题仍然没有有效地解决方案。
发明内容
本发明的目的是解决上述现有技术的不足,复杂场景下红外远小目标检测仍然存在较大问题,提供一种红外远小目标检测方法。
为了达到上述目的,本发明所采用的技术方案为:
一种红外远小目标检测方法,包括如下步骤:
步骤一,稀疏残差计算步骤,
利用SLIC算法将红外图像分割成若干个区域块,
每个区域块用p={x,y,lu,gx,gy}表示,
其中,lu是亮度信息,gx,gy是梯度信息,x,y是像素点坐标,
红外图像表示为P=[p1,p2,...,pN],N是区域块的数目,
从P中抽取出图像的边界分割块d作为基,构建背景模板集D=[d1,d2,...,dM],
M是边界分割块的数目;
对分割图像进行编码,
λ是归一化参数,ωi是分割块di的权值,
P(di)代表di的领域分割块,权值ωi用来计算边界分割块di与其领域的相似性,
计算每一个分割块的正则化重建残差,
步骤二:结构相似性计算步骤,
记F为输入图像I的特征图像,Γ是一个映射函数,通过映射变换F=Γ(I)将输入图像I中的每个像素映射为一个k维的特征向量,F中的一个区域qi能够用一个k×k的协方差矩阵表示,
其中qu,u=1,...,n表示区域q中k维的特征向量,μ代表这些特征向量的均值,
通过两个区域的协方差计算结构的相似性,
步骤三:通过线性关系将稀疏残差和结构相似性信息融合得到最终的检测表达式,
其中t是融合的信息个数,St表示稀疏残差和结构相似性信息,
计算目标检测的结果
其中Smax是S的最大值,ε=0.6为阈值。
本发明的有益效果主要体现在:
利用加权稀疏残差模型来重构远小目标,其次,通过区域协方差来分析目标和背景区域的结构相似性,最后将稀疏残差模型和结构相似性特征融合,有效地检测出实际目标并且排除虚假目标。对比以往的红外远小目标检测方法,本发明方法能够在复杂场景下对感兴趣的目标进行更加有效地检测。
附图说明
图1是本发明一种红外远小目标检测方法的原理示意图。
图2是采用本发明方法成像与传统成像的效果对比图。
具体实施方式
本发明提供一种红外远小目标检测方法。以下结合附图对本发明技术方案进行详细描述,以使其更易于理解和掌握。
目标与背景区域之间存在一些不同的表现形式,通常图像的边界被认为是背景区域,所以可以从图像的边界构建出背景的模板,那么通过稀疏表示的残差模型重建整幅图像。
本发明一种红外远小目标检测方法,如图1流程所示。
具体地,获取一幅红外图像,利用SLIC(Achanta,R.S,A.,Smith,K.,Lucchi,A.,Fua,P.,andLsstrunk,S.:‘SLIC Superpixels Compared to State-of-the-ArtSuperpixel Methods’,IEEE Trans.Pattern Anal.Mach.Intell.,2012,34,pp.2274-2282)算法将红外图像分割成多个区域块,每个分割块用p={x,y,lu,gx,gy}表示,lu是亮度信息,gx,gy是梯度信息,x,y是像素点坐标。所以整幅红外图像表示为P=[p1,p2,...,pN],N是分块的数目。再从P中抽取出图像的边界分割块d作为基,构建背景模板集D=[d1,d2,...,dM],M是边界分割块的数目。基于相同的背景模板基,计算目标区域和背景区域的稀疏残差,那么稀疏残差越大目标出现的可能性也越大。对分割图像进行编码定义,
λ是归一化参数,ωi是分割块di的权值,
P(di)代表di的领域分割块。权值ωi用来计算分割块di与其领域的相似性。大的权值ωi将对非零输入αi起抑制作用,当权值ωi很小时,将αi置零。对于背景模板,权值ωi应该与图像的边界分割块的相似性成比例。最后计算每一个分割块的正则化重建残差,
通过正则化稀疏残差可以很容易地实现对目标区域的粗略检测。重建残差越大意味着该区域与背景区域的相似度越低,目标区域的可能性也就越大。
步骤二:通常,目标与背景区域总是具有不同的结构信息。本发明方法通过区域协方差来比较目标与背景区域的结构差异。记F为输入图像I的特征图像,那么F=Γ(I),Γ是一个映射函数,它将输入图像I中的每个像素映射为一个k维的特征向量。F中的一个区域qi能够用一个k×k大小的协方差矩阵表示,
其中qu,u=1,...,n表示区域q中k维的特征向量,μ代表这些特征向量的均值。本发明方法中取k=5个特征(如x,y,lu,gx,gy)构建区域特征。通过两个区域的协方差计算结构的相似性,
计算两个协方差的相似性。协方差矩阵可以更好的描述图像的结构信息,有效地检测目标和背景区域的差异。与背景区域相比,含有目标区域的G值更高。
步骤三:通过线性关系将稀疏残差和结构相似性信息融合得到最终的检测表达式,
其中t是融合的信息个数,St表示稀疏残差和结构相似性信息。本发明方法使用最小二乘估计(leastsquare estimator)学习模型计算线性系数,具体的求解方法为条件随机场(conditional random field)。最终,通过设置一个阈值来判断目标检测的结果,
其中Smax是S的最大值,ε=0.6为阈值。
如图2所示,是采用本发明方法成像与传统成像的效果对比图,其中Inputs为原始输入红外图像,TH为top-hat滤波器检测方法成像,CD为压缩感知检测方法成像,Ours为本方法成像,A1~A4为四组对比。
通过以上描述可以发现,本发明一种红外远小目标检测方法,利用加权稀疏残差模型来重构远小目标,其次,通过区域协方差来分析目标和背景区域的结构相似性,最后将稀疏残差模型和结构相似性特征融合,有效地检测出实际目标并且排除虚假目标。对比以往的红外远小目标检测方法,本发明方法能够在复杂场景下对感兴趣的目标进行更加有效地检测。
以上对本发明的技术方案进行了充分描述,需要说明的是,本发明的具体实施方式并不受上述描述的限制,本领域的普通技术人员依据本发明的精神实质在结构、方法或功能等方面采用等同变换或者等效变换而形成的所有技术方案,均落在本发明的保护范围之内。
Claims (1)
1.一种红外远小目标检测方法,包括如下步骤:
步骤一,稀疏残差计算步骤
利用SLIC算法将红外图像分割成若干个区域块,
每个区域块用p={x,y,lu,gx,gy}表示,
其中,lu是亮度信息,gx,gy是梯度信息,x,y是像素点坐标,
红外图像表示为P=[p1,p2,...,pN],N是区域块的数目,
从P中抽取出图像的边界分割块d作为基,构建背景模板集D=[d1,d2,...,dM],
M是边界分割块的数目;
对分割图像进行编码,
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</munder>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
λ是归一化参数,ωi是分割块di的权值,
<mrow>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
P(di)代表di的领域分割块,权值ωi用来计算边界分割块di与其领域的相似性,
计算每一个分割块的正则化重建残差,
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>;</mo>
</mrow>
步骤二:结构相似性计算步骤
记F为输入图像I的特征图像,Γ是一个映射函数,通过映射变换F=Γ(I)将输入图像I中的每个像素映射为一个k维的特征向量,F中的一个区域qi能够用一个k×k的协方差矩阵表示,
<mrow>
<msub>
<mi>C</mi>
<msub>
<mi>q</mi>
<mi>u</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>q</mi>
<mi>u</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>q</mi>
<mi>u</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中qu,u=1,...,n表示区域q中k维的特征向量,μ代表这些特征向量的均值,
通过两个区域的协方差计算结构的相似性,
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>q</mi>
<mi>u</mi>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mi>v</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<msub>
<mi>q</mi>
<mi>u</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>C</mi>
<msub>
<mi>q</mi>
<mi>v</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤三:通过线性关系将稀疏残差和结构相似性信息融合得到最终的检测表达式,
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>t</mi>
</msub>
<msup>
<mi>S</mi>
<mi>t</mi>
</msup>
</mrow>
其中t是融合的信息个数,St表示稀疏残差和结构相似性信息,
计算目标检测的结果
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&epsiv;S</mi>
<mi>max</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>s</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中Smax是S的最大值,ε=0.6为阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711323185.XA CN108062523B (zh) | 2017-12-13 | 2017-12-13 | 一种红外远小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711323185.XA CN108062523B (zh) | 2017-12-13 | 2017-12-13 | 一种红外远小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108062523A true CN108062523A (zh) | 2018-05-22 |
CN108062523B CN108062523B (zh) | 2021-10-26 |
Family
ID=62138270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711323185.XA Active CN108062523B (zh) | 2017-12-13 | 2017-12-13 | 一种红外远小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062523B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461164A (zh) * | 2018-09-21 | 2019-03-12 | 武汉大学 | 一种基于方向核重建的红外小目标检测方法 |
CN110942437A (zh) * | 2019-11-29 | 2020-03-31 | 石家庄铁道大学 | 基于Otsu-SSIM的自适应顶帽变换方法 |
CN113822352A (zh) * | 2021-09-15 | 2021-12-21 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
CN106447668A (zh) * | 2016-08-25 | 2017-02-22 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN106709512A (zh) * | 2016-12-09 | 2017-05-24 | 河海大学 | 基于局部稀疏表示和对比度的红外目标检测方法 |
CN107451595A (zh) * | 2017-08-04 | 2017-12-08 | 河海大学 | 基于混合算法的红外图像显著性区域检测方法 |
-
2017
- 2017-12-13 CN CN201711323185.XA patent/CN108062523B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408700A (zh) * | 2014-11-21 | 2015-03-11 | 南京理工大学 | 基于形态学和pca的轮廓波红外与可见光图像融合方法 |
CN106447668A (zh) * | 2016-08-25 | 2017-02-22 | 南京理工大学 | 红外场景下基于随机取样和稀疏矩阵恢复的小目标检测方法 |
CN106709512A (zh) * | 2016-12-09 | 2017-05-24 | 河海大学 | 基于局部稀疏表示和对比度的红外目标检测方法 |
CN107451595A (zh) * | 2017-08-04 | 2017-12-08 | 河海大学 | 基于混合算法的红外图像显著性区域检测方法 |
Non-Patent Citations (1)
Title |
---|
杨春伟: "基于核稀疏编码的红外目标识别方法", 《红外技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461164A (zh) * | 2018-09-21 | 2019-03-12 | 武汉大学 | 一种基于方向核重建的红外小目标检测方法 |
CN110942437A (zh) * | 2019-11-29 | 2020-03-31 | 石家庄铁道大学 | 基于Otsu-SSIM的自适应顶帽变换方法 |
CN110942437B (zh) * | 2019-11-29 | 2022-11-08 | 石家庄铁道大学 | 基于Otsu-SSIM的自适应顶帽变换方法 |
CN113822352A (zh) * | 2021-09-15 | 2021-12-21 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
CN113822352B (zh) * | 2021-09-15 | 2024-05-17 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108062523B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Infrared and visible image fusion using a deep learning framework | |
Zhou et al. | Gradient vector flow with mean shift for skin lesion segmentation | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN105574534B (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN109684925B (zh) | 一种基于深度图像的人脸活体检测方法及设备 | |
CN104834922B (zh) | 基于混合神经网络的手势识别方法 | |
CN101477690B (zh) | 一种视频帧序列中物体轮廓跟踪的方法和装置 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN101615245A (zh) | 基于avr和增强lbp的表情识别方法 | |
CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
Shen et al. | Adaptive pedestrian tracking via patch-based features and spatial–temporal similarity measurement | |
CN112308873B (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN104484890A (zh) | 基于复合稀疏模型的视频目标跟踪方法 | |
Chakraborty | An advanced approach to detect edges of digital images for image segmentation | |
Guo et al. | R2N: a novel deep learning architecture for rain removal from single image | |
CN108062523A (zh) | 一种红外远小目标检测方法 | |
CN107480585A (zh) | 基于dpm算法的目标检测方法 | |
CN108133489A (zh) | 一种增强的多层卷积视觉跟踪方法 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
Ecins et al. | Shadow free segmentation in still images using local density measure | |
CN102509293A (zh) | 异源图像的一致性特征检测方法 | |
CN106407975B (zh) | 基于空间-光谱结构约束的多尺度分层目标检测方法 | |
CN104392209B (zh) | 一种目标与背景的图像复杂度评价方法 | |
Liu et al. | A Generative Adversarial Network for infrared and visible image fusion using adaptive dense generator and Markovian discriminator | |
CN116993760A (zh) | 一种基于图卷积和注意力机制的手势分割方法、***、设备及介质 |
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 |