CN109101907A - 一种基于双边分割网络的车载图像语义分割*** - Google Patents
一种基于双边分割网络的车载图像语义分割*** Download PDFInfo
- Publication number
- CN109101907A CN109101907A CN201810849657.3A CN201810849657A CN109101907A CN 109101907 A CN109101907 A CN 109101907A CN 201810849657 A CN201810849657 A CN 201810849657A CN 109101907 A CN109101907 A CN 109101907A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- characteristic pattern
- module
- mounted image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双边分割网络的车载图像语义分割***,包含:数据存储模块,用于存储车载图像训练集和待测车载图像;双边分割网络包含空间通道和上下文通道,空间通道用于提取车载图像的空间信息,上下文通道用于提取车载图像的上下文语义信息;训练模块,用于利用车载图像训练集训练双边分割网络;语义分割模块,用于利用训练好的双边分割网络,预测待测车载图像,得到待测车载图像中每个像素所属的类别。本发明提出的包含空间通道与上下文通道的双边分割网络,所述空间通道用于提取图像的空间信息的同时保留足够的空间信息,所述上下文通道用于提取图像的上下文语义信息的同时保证足够大的感受野。
Description
技术领域
本发明属于模式识别技术领域,更具体地,涉及一种基于双边分割网络的车载图像语义分割***。
背景技术
图像语义分割是计算机视觉中的基石问题之一,可广泛地应用于增强现实设备、自动驾驶、视频监控等场景中。图像语义分割,也就是对图像中每个像素赋予一个语义标签,即识别出每个像素所属类别,以此同时也能分割出不同物体。
目前,实时的图像语义分割算法主要是通过以下三种方式来加速模型:1)通过修剪或调整图像,进而约束输入图像的大小,从而减少计算的复杂度;2)通过修剪网络的通道数,特别是在基础模型的初期阶段进行通道剪枝,从而减少推断时间;3)通过丢弃模型的末尾阶段,从而得到一个非常紧凑的网络框架。但是,上述方法都存在各自的缺点,方法1)和2)会导致空间信息的缺失,方法3)中末尾阶段没有用到下采样,会导致没有足够大的感受野。这些方法都是利用精度换取速度,在实践上这些方法并不可取。
U型结构的引入可以修补上述方法所造成空间信息的缺失,通过融合骨干网络分层的特征,U型结构能逐渐增加空间分辨率且能填补缺失的信息。但是这种技术有两个缺点:高分辨率特征图的引入会造成额外的计算;不能恢复由通道剪枝和图像裁剪所造成的大部分缺失空间信息。因此,这种技术也只是能减轻空间信息缺失程度,并不是一个本质的解决方案。
发明内容
针对现有技术的缺陷,本发明的目的在于解决现有技术实时图像语义分割方法存在的空间信息缺失以及感受野缩减等技术问题。
为实现上述目的,本发明实施例提供了一种基于双边分割网络的车载图像语义分割***,所述***包含数据存储模块、训练模块、双边分割网络和语义分割模块:
所述数据存储模块,用于存储车载图像训练集和待测车载图像;
所述双边分割网络包含空间通道和上下文通道,所述空间通道用于提取车载图像的空间信息,所述上下文通道用于提取车载图像的上下文语义信息;
所述训练模块,用于利用车载图像训练集训练所述双边分割网络;
所述语义分割模块,用于利用训练好的双边分割网络,预测待测车载图像,得到待测车载图像中每个像素所属的类别。
具体地,所述空间通道包含3层,每层包含依次连接的卷积层、BN层、ReLU函数,车载图像经过空间通道之后,获得尺寸为原始车载图像尺寸的1/8、且通道数为128的特征图。
具体地,所述上下文通道包含轻量化网络模型Xception和两个注意力提纯模块,图像经过上下文通道后获得通道数为128的特征图。
具体地,所述轻量化网络模型Xception包括4个下采样阶段,第一下采样阶段对图像进行快速下采样,第二下采样阶段、第三下采样阶段、第四下采样阶段均对上一个下采样阶段输出的特征图进行下采样。
具体地,注意力提纯模块,利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,用于去除下采样特征图包含的冗余信息。
具体地,所述注意力提纯模块的输入,依次经过全局均值池化层、卷积层、BN层、ReLu函数,得到的维度与输入的通道数相等的向量,该向量与注意力提纯模块的输入相乘,获得通道数为128的特征图。
具体地,第一注意力提纯模块ARM1的输入是Xception中第三下采样阶段输出的特征图,第二注意力提纯模块ARM2的输入是Xception中第四下采样阶段输出的特征图。
具体地,第二注意力提纯模块得到的特征图,由Xception第四下采样阶段得到的特征图通过全局均值池化得到的权重向量进一步提纯。
具体地,将第一注意力提纯模块ARM1输出的通道数为128的特征图与第二个注意力提纯模块经过进一步提纯得到的128通道的特征图,经过拼接融合,形成一个通道数为128的特征图,作为上下文通道得到的高层次特征。
具体地,所述双边分割网络还包括特征融合模块,将空间通道与上下文通道得到的特征图融合后,依次经过卷积层、BN层、ReLu函数,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合,融合后的特征图与权重向量相乘得到一个256通道的特征图。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
(1)本发明提出的包含空间通道与上下文通道的双边分割网络,所述空间通道用于提取图像的空间信息的同时保留足够的空间信息,所述上下文通道用于提取图像的上下文语义信息的同时保证足够大的感受野。
(2)本发明提出的空间通道只有3个卷积层组成,既包含了足够多的位置信息,又不会带来过多的时间消耗。
(3)本发明提出的上下文通道的骨干网络为轻量化网络,在轻量化网络的输出后接一个全局均值池化,以此获得全局的语义信息并且有足够大,同时,通过联合全局均值池化后的特征与轻量化网络最后两个stage经过注意力提纯模块后的特征,可以组合不同层次的特征的同时也保证了足够大的感受野。
附图说明
图1为本发明实施例提供的双边分割网络结构示意图。
图2为本发明实施例提供的注意力提纯模块的结构示意图。
图3为本发明实施例提供的特征融合模块结构示意图。
图4为本发明实施例提供的待测车载图分割效果图,其中,图4(a)待测车载图像,图4(b)为对应的分割效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供的一种基于双边分割网络的车载图像语义分割***结构示意图。所述***包含数据存储模块、训练模块、双边分割网络和语义分割模块:
所述数据存储模块,用于存储车载图像训练集和待测车载图像;
所述双边分割网络包含空间通道和上下文通道,所述空间通道用于提取车载图像的空间信息,所述上下文通道用于提取车载图像的上下文语义信息;
所述训练模块,用于利用车载图像训练集训练所述双边分割网络;
所述语义分割模块,用于利用训练好的双边分割网络,预测待测车载图像,得到待测车载图像中每个像素所属的类别。
本发明的实施例采用Cityscapes,它是一个无人驾驶环境下的图像分割数据集,包含2975张精细标注的图像作为训练集和500张图像作为验证集类,同时包含1525张没有groundtruth的图像与19998张粗略标注的图像作为测试集,每张图像的分辨率为2018×1024,每个像素都标注好预先定义的类别。数据集具有以下预先定义的语义标签:公路、人行道、钢轨、停车场、路人、骑手、小汽车、卡车、大巴、摩托车、自行车、电轨、车队、拖车、大楼、墙、篱笆、护栏、桥、隧道、杆、杆组、交通标志、交通灯、植被、地形、天空、地面。
Ground truth:在图像语义分割中,对图像上每个像素点标注上对应的类别,从而形成的具有语义类别标签的图像。Ground truth与原图尺寸上等大,ground truth上的值由原图中所含类别值构成。
由于输入图像的尺寸会影响推断时间,在训练和验证期间,本发明将Cityscapes图像裁剪成1024×1024。
将训练集随机分成大小相同的训练子集,本实施例中每个训练子集大小为48。
对每个训练子集的数据进行数据扩增,用于提高准确率。具体包括:计算训练集中图像RGB每一通道的均值;训练子集中每张图像减去图像均值;随机水平翻转,并随机缩放,缩放系数为中{0.5,0.75,1.0,1.5,1.7}任一个。
图1为本发明实施例提供的双边分割网络结构示意图。如图1所示,本发明提出的双边分割网络(BiSeNet)包含空间通道(Spatial Path)和上下文通道(Context Path),空间通道可以保留足够的空间信息,而上下文通道可以保证足够大的感受野。与此同时,为了在不增加推断时间的基础上达到更高的准确率,双边分割网络还包括特征融合模块(Feature Fusion Module,FFM)和注意力提纯模块(Attention Refinement Module,ARM)。
空间通道用于提取空间信息,其包含3层,每一层包含一个步长(stride)为2的卷积层,卷积层后接BN层(训练子集-norm层),BN层将数据归一化并加速了训练拟合速度,最后经过ReLU函数。原始图像经过空间通道之后,可以获取尺寸为原图尺寸1/8且通道数为128的特征图,能保留足够多的空间信息,3个卷积层不会带来过多的时间消耗。
上下文通道包含轻量化网络模型Xception和两个注意力提纯模块,原始图像经过上下文通道后可以通道数为128的特征图。
轻量化网络模型Xception包括4个下采样阶段,第一个采样阶段对原始图像进行快速下采样,后三个阶段,每个下采样阶段对上一个下采样阶段输出的特征图进行下采样。
注意力提纯模块ARM,利用全局均值池化获取全局的上下文信息,并通过一个注意力向量指导特征的学习,去除下采样特征图包含的冗余信息。
图2为本发明实施例提供的注意力提纯模块的结构示意图。第一个注意力提纯模块ARM1的输入是Xception中第3个下采样阶段输出的特征图,如图2所示,经过全局均值池化层、1*1卷积层、BN层、ReLu函数,得到的一个维度与输入的通道数相等的向量,该向量与ARM1的输入相乘,获得一个通道数为128的特征图。第二个注意力提纯模块ARM2的输入是Xception中第4个下采样阶段输出的特征图,如图2所示,同样经过全局均值池化层、1*1卷积层、BN层、ReLu函数,得到的一个维度与输入的通道数相等的向量,该向量与ARM2的输入相乘,获得一个通道数为128的特征图。
第二个注意力提纯模块得到的特征图,由Xception第四个下采样阶段得到的特征图通过全局均值池化得到的权重向量进一步提纯。
将第一个注意力提纯模块ARM1输出的一个通道数为128的特征图与第二个注意力提纯模块经过进一步提纯得到的128通道的特征图,经过拼接融合,形成一个通道数为128的特征图,作为上下文通道得到的高层次特征。
图3为本发明实施例提供的特征融合模块结构示意图。如图3所示,特征融合模块将空间通道得到的低层次特征与上下文通道得到的高层次特征融合在一起。将空间通道与上下文通道得到的特征图融合;经过卷积层、BN层、ReLu函数,得到一个融合后的特征图;通过Sigmoid函数来计算特征图中每个通道的权重;利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合;融合后的特征图与权重向量相乘得到一个256通道的特征图。
在本实施例中,训练模块每次训练一个训练子集,所有的训练子集训练结束为一次迭代结束。重复上述操作直至迭代次数到达上限,得到最终的权值,实现深度卷积神经网络的训练。在本实施例中,迭代次数上限优选10000。
一次迭代中的训练过程如下:利用正向传播算法和后向传播算法训练双边分割网络的网络参数,正向传播计算每个训练子集对应的损失函数,反向传播会得到这个训练子集相应的梯度。利用Softmax损失函数其中,N为标签总数,pi为第i个标签的概率,计算双边分割网络的总损失函数其中,lp为主损失函数,即两条通道联合输出的损失,Xi为Xception模型中第i阶段的特征输出,li为第i阶段的附加损失函数,参数α用以均衡主损失函数与附加的损失函数,本发明中α的值为1,K的值为3。利用小批量随机梯度下降算法最小化损失函数,然后更新权值,更新之后的权值作为训练下一个训练子集的初始值。
所述语义分割模块,用于利用训练好的双边分割网络,预测待测车载图像,得到待测车载图像中每个像素所属的类别。
本实施例中,将通过车载摄像头或者激光雷达探查,获取到驾驶环境或路面状况的图像作为待测车载图像。待测车载图像经过同样的预处理。
图4为本发明实施例提供的待测车载图分割效果图,其中,图5(a)待测车载图像,图4(b)为对应的分割效果图。由图4(b)可以看出,利用本发明提出的双边分割网络对目标进行分割归类,从而对路面上的行人、障碍物、车道、红绿灯等进行定位与识别,以避让行人和车辆等障碍物。同时,无人车驾驶对路面状况的图像分割需要达到实时(25帧/秒)的要求,本发明在NVIDIA Titan XP平台上对Cityscapes的测试集(分辨率为1024×1024)能达到112帧/秒,能很好的满足无人车驾驶的实时要求。
本发明提出的双边分割网络除了应用于自动驾驶场景,还可以应用到地理信息***、无人车驾驶、医疗影像分析以及机器人等领域。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于双边分割网络的车载图像语义分割***,其特征在于,所述***包含数据存储模块、训练模块、双边分割网络和语义分割模块:
所述数据存储模块,用于存储车载图像训练集和待测车载图像;
所述双边分割网络包含空间通道和上下文通道,所述空间通道用于提取车载图像的空间信息,所述上下文通道用于提取车载图像的上下文语义信息;
所述训练模块,用于利用车载图像训练集训练所述双边分割网络;
所述语义分割模块,用于利用训练好的双边分割网络,预测待测车载图像,得到待测车载图像中每个像素所属的类别。
2.如权利要求1所述的车载图像语义分割***,其特征在于,所述空间通道包含3层,每层包含依次连接的卷积层、BN层、ReLU函数,车载图像经过空间通道之后,获得尺寸为原始车载图像尺寸的1/8、且通道数为128的特征图。
3.如权利要求1所述的车载图像语义分割***,其特征在于,所述上下文通道包含轻量化网络模型Xception和两个注意力提纯模块,图像经过上下文通道后获得通道数为128的特征图。
4.如权利要求3所述的车载图像语义分割***,其特征在于,所述轻量化网络模型Xception包括4个下采样阶段,第一下采样阶段对图像进行快速下采样,第二下采样阶段、第三下采样阶段、第四下采样阶段均对上一个下采样阶段输出的特征图进行下采样。
5.如权利要求3所述的车载图像语义分割***,其特征在于,注意力提纯模块,利用全局均值池化获取全局的上下文信息,并通过注意力向量指导特征的学习,用于去除下采样特征图包含的冗余信息。
6.如权利要求5所述的车载图像语义分割***,其特征在于,所述注意力提纯模块的输入,依次经过全局均值池化层、卷积层、BN层、ReLu函数,得到的维度与输入的通道数相等的向量,该向量与注意力提纯模块的输入相乘,获得通道数为128的特征图。
7.如权利要求6所述的车载图像语义分割***,其特征在于,第一注意力提纯模块ARM1的输入是Xception中第三下采样阶段输出的特征图,第二注意力提纯模块ARM2的输入是Xception中第四下采样阶段输出的特征图。
8.如权利要求1所述的车载图像语义分割***,其特征在于,第二注意力提纯模块得到的特征图,由Xception第四下采样阶段得到的特征图通过全局均值池化得到的权重向量进一步提纯。
9.如权利要求1所述的车载图像语义分割***,其特征在于,将第一注意力提纯模块ARM1输出的通道数为128的特征图与第二个注意力提纯模块经过进一步提纯得到的128通道的特征图,经过拼接融合,形成一个通道数为128的特征图,作为上下文通道得到的高层次特征。
10.如权利要求1所述的车载图像语义分割***,其特征在于,所述双边分割网络还包括特征融合模块,将空间通道与上下文通道得到的特征图融合后,依次经过卷积层、BN层、ReLu函数,得到一个融合后的特征图,通过Sigmoid函数来计算特征图中每个通道的权重,利用全局均值池化操作将其转变成一个权重向量,用于特征选择与联合,融合后的特征图与权重向量相乘得到一个256通道的特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810849657.3A CN109101907B (zh) | 2018-07-28 | 2018-07-28 | 一种基于双边分割网络的车载图像语义分割*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810849657.3A CN109101907B (zh) | 2018-07-28 | 2018-07-28 | 一种基于双边分割网络的车载图像语义分割*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101907A true CN109101907A (zh) | 2018-12-28 |
CN109101907B CN109101907B (zh) | 2020-10-30 |
Family
ID=64848066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810849657.3A Active CN109101907B (zh) | 2018-07-28 | 2018-07-28 | 一种基于双边分割网络的车载图像语义分割*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101907B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871798A (zh) * | 2019-02-01 | 2019-06-11 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN110738666A (zh) * | 2019-09-25 | 2020-01-31 | 北京影谱科技股份有限公司 | 一种基于离散余弦变换的图像语义分割方法及装置 |
CN110781850A (zh) * | 2019-10-31 | 2020-02-11 | 深圳金信诺高新技术股份有限公司 | 道路识别的语义分割***和方法、计算机存储介质 |
CN110796665A (zh) * | 2019-10-21 | 2020-02-14 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110796147A (zh) * | 2019-10-21 | 2020-02-14 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110991415A (zh) * | 2019-12-21 | 2020-04-10 | 武汉中海庭数据技术有限公司 | 一种结构性目标高精度分割方法、电子设备及存储介质 |
CN112070049A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于BiSeNet的自动驾驶场景下的语义分割方法 |
CN112115790A (zh) * | 2020-08-18 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、装置、可读存储介质和电子设备 |
CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
CN112329254A (zh) * | 2020-11-13 | 2021-02-05 | 的卢技术有限公司 | 一种对接仿真环境图像与真实环境图像的自动驾驶方法 |
CN113205520A (zh) * | 2021-04-22 | 2021-08-03 | 华中科技大学 | 一种对图像进行语义分割的方法及*** |
CN113269164A (zh) * | 2021-07-16 | 2021-08-17 | 智道网联科技(北京)有限公司 | 车道线检测方法及其检测装置 |
CN114565766A (zh) * | 2022-03-01 | 2022-05-31 | 智道网联科技(北京)有限公司 | 基于BiSeNet V2的路面图像语义分割方法及装置 |
CN114677517A (zh) * | 2022-05-30 | 2022-06-28 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
CN116309601A (zh) * | 2023-05-24 | 2023-06-23 | 泉州装备制造研究所 | 基于Lite-EDNet的皮革缺陷实时检测算法 |
CN117392053A (zh) * | 2023-08-28 | 2024-01-12 | 上海贝特威自动化科技有限公司 | 一种基于BiSeNetV2双边分割网络的汽车涂胶视觉检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
US20180108137A1 (en) * | 2016-10-18 | 2018-04-19 | Adobe Systems Incorporated | Instance-Level Semantic Segmentation System |
-
2018
- 2018-07-28 CN CN201810849657.3A patent/CN109101907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180108137A1 (en) * | 2016-10-18 | 2018-04-19 | Adobe Systems Incorporated | Instance-Level Semantic Segmentation System |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
Non-Patent Citations (3)
Title |
---|
ABHISHEK CHAURASIA 等: "LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation", 《2017 IEEE VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 * |
周亚峰 等: "结合条件随机场与神经网络的语义分割方法综述", 《中国科技论文在线》 * |
孙贵宾: "基于深度卷积神经网络的道路场景物体检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871798A (zh) * | 2019-02-01 | 2019-06-11 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN110738666A (zh) * | 2019-09-25 | 2020-01-31 | 北京影谱科技股份有限公司 | 一种基于离散余弦变换的图像语义分割方法及装置 |
CN110796665B (zh) * | 2019-10-21 | 2022-04-22 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110796665A (zh) * | 2019-10-21 | 2020-02-14 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110796147A (zh) * | 2019-10-21 | 2020-02-14 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110796147B (zh) * | 2019-10-21 | 2022-05-06 | Oppo广东移动通信有限公司 | 图像分割方法及相关产品 |
CN110781850A (zh) * | 2019-10-31 | 2020-02-11 | 深圳金信诺高新技术股份有限公司 | 道路识别的语义分割***和方法、计算机存储介质 |
CN110991415A (zh) * | 2019-12-21 | 2020-04-10 | 武汉中海庭数据技术有限公司 | 一种结构性目标高精度分割方法、电子设备及存储介质 |
CN112115790A (zh) * | 2020-08-18 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 人脸识别方法、装置、可读存储介质和电子设备 |
CN112070049A (zh) * | 2020-09-16 | 2020-12-11 | 福州大学 | 基于BiSeNet的自动驾驶场景下的语义分割方法 |
CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
CN112329254A (zh) * | 2020-11-13 | 2021-02-05 | 的卢技术有限公司 | 一种对接仿真环境图像与真实环境图像的自动驾驶方法 |
CN113205520A (zh) * | 2021-04-22 | 2021-08-03 | 华中科技大学 | 一种对图像进行语义分割的方法及*** |
CN113205520B (zh) * | 2021-04-22 | 2022-08-05 | 华中科技大学 | 一种对图像进行语义分割的方法及*** |
CN113269164B (zh) * | 2021-07-16 | 2021-10-29 | 智道网联科技(北京)有限公司 | 车道线检测方法及其检测装置 |
CN113269164A (zh) * | 2021-07-16 | 2021-08-17 | 智道网联科技(北京)有限公司 | 车道线检测方法及其检测装置 |
CN114565766A (zh) * | 2022-03-01 | 2022-05-31 | 智道网联科技(北京)有限公司 | 基于BiSeNet V2的路面图像语义分割方法及装置 |
CN114677517A (zh) * | 2022-05-30 | 2022-06-28 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
CN114677517B (zh) * | 2022-05-30 | 2022-08-26 | 山东巍然智能科技有限公司 | 一种无人机用语义分割网络模型及图像分割识别方法 |
CN116309601A (zh) * | 2023-05-24 | 2023-06-23 | 泉州装备制造研究所 | 基于Lite-EDNet的皮革缺陷实时检测算法 |
CN116309601B (zh) * | 2023-05-24 | 2023-08-22 | 泉州装备制造研究所 | 基于Lite-EDNet的皮革缺陷实时检测方法 |
CN117392053A (zh) * | 2023-08-28 | 2024-01-12 | 上海贝特威自动化科技有限公司 | 一种基于BiSeNetV2双边分割网络的汽车涂胶视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109101907B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101907A (zh) | 一种基于双边分割网络的车载图像语义分割*** | |
WO2022083784A1 (zh) | 一种基于车联网的道路检测方法 | |
Che et al. | D $^ 2$-city: a large-scale dashcam video dataset of diverse traffic scenarios | |
CN111027430B (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
CN111582029B (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
CN114187268A (zh) | 基于目标检测和语义分割融合的障碍物检测方法 | |
CN112861619B (zh) | 模型的训练方法、车道线检测方法、设备及装置 | |
CN114677507A (zh) | 一种基于双向注意力网络的街景图像分割方法及*** | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN114782949B (zh) | 一种边界引导上下文聚合的交通场景语义分割方法 | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
CN112070049A (zh) | 基于BiSeNet的自动驾驶场景下的语义分割方法 | |
CN114267025A (zh) | 基于高分辨率网络与轻量注意力机制的交通标志检测方法 | |
CN112818935A (zh) | 基于深度学习的多车道拥堵检测及持续时间预测方法及*** | |
CN114495060B (zh) | 一种道路交通标线识别方法及装置 | |
CN110852157A (zh) | 一种基于二值化网络的深度学习轨道线检测方法 | |
CN114620059B (zh) | 一种自动驾驶方法及其***、计算机可读存储介质 | |
CN117372991A (zh) | 基于多视角多模态融合的自动驾驶方法及*** | |
CN117115690A (zh) | 一种基于深度学习和浅层特征增强的无人机交通目标检测方法及*** | |
CN116080681A (zh) | 基于循环卷积神经网络的周车行为识别与轨迹预测方法 | |
CN116229448A (zh) | 三维目标检测方法、装置、设备及可读存储介质 | |
Li et al. | An improved lightweight network based on yolov5s for object detection in autonomous driving | |
Chen et al. | DBNet: A large-scale dataset for driving behavior learning | |
CN115063446A (zh) | 一种辅助驾驶***的城市街景实例分割方法 | |
CN114882205A (zh) | 基于注意力机制的目标检测方法 |
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 |