CN109711413A - 基于深度学习的图像语义分割方法 - Google Patents
基于深度学习的图像语义分割方法 Download PDFInfo
- Publication number
- CN109711413A CN109711413A CN201811646148.7A CN201811646148A CN109711413A CN 109711413 A CN109711413 A CN 109711413A CN 201811646148 A CN201811646148 A CN 201811646148A CN 109711413 A CN109711413 A CN 109711413A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- neural network
- deep neural
- deep
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
一种基于深度学习的图像语义分割方法,由数据集处理、构建深度语义分割网络、深度语义分割网络训练及参数学习、对测试图像进行语义分割四部分组成。本发明将输入图像的RGB图像和灰度图像作为网络模型的输入,充分利用灰度图像的边缘信息,有效增加输入特征的丰富程度;把卷积神经网络和双向门限递归单元相结合,在学习图像局部特征的基础上,捕获更多的上下文依赖关系和全局特征信息;通过第一坐标通道模块和第二坐标通道模块对特征图加入坐标信息,丰富模型的坐标特征,提升模型的泛化能力,产生分辨率高、边界精确的语义分割结果。
Description
技术领域
本发明属于计算机视觉与深度学习技术领域,具体涉及一种基于深度学习的图像语义分割方法。
背景技术
图像语义分割是从像素水平上,理解、识别图片的内容,其目的是建立每个像素和语义类别之间的一一映射关系,根据语义信息进行分割,其被广泛应用于场景理解、自动驾驶、医学影像分析、机器人视觉等领域。图像语义分割是图像理解的基石,其分割结果的好坏将直接影响对后续图像内容的处理,因此,对图像语义分割技术的研究具有非常重要的现实意义。
传统的图像语义分割方法大多依赖于手工特征提取和概率图模型,如:随机森林、条件随机场(CRF)、马尔科夫随机场(MRF)等,这些方法只能学习浅层的表征信息,不能产生准确精细的分割结果。2012年以来,随着深度学习的快速发展,基于卷积神经网络的图像语义分割方法成为了研究热点。2014年,Hariharan 等人提出了协同目标检测和语义分割的SDS(simultaneous detection and segmentation)方法,该方法首先使用MCG方法抽取每幅图像中多个候选区域,然后分两路使用CNN提取边界框(bounding-box)特征和前景区域特征,并完成两路特征的信息融合,最后,利用非最大约束NMS(non-maximum suppression)方法生成语义分割结果。除了SDS方法,类似的还有R-CNN、SPP等方法,都是基于候选区域的语义分割方法,但这类方法依赖于大量的区域建议,导致内存消耗非常大,训练时间比较长,得到的语义分割结果精度低。
为了进一步降低内存开销,提升语义分割精度。2015年,Long等人提出了全卷积网络模型FCN(fully convolutional networks),该模型将深度卷积神经网路最后的全连接层全部转换成卷积层,形成端到端、像素到像素的全卷积网络框架,使图像语义分割进入了一个全新的时代。Kendall等人提出了一种深度卷积编码-解码架构SegNet,该模型由一个卷积编码网络和一个反卷积解码网络组成,每一个编码器层都对应一个解码器层,最终编码器的输出被送入soft-max分类器进行逐像素分类。Chen等人在FCN的基础上,提出了一个更加成熟的语义分割模型Deeplab-CRF,该模型采用优化后的DCNN(深度卷积神经网络)得到粗糙得分图并通过双线性插值上采样到原图像大小,然后使用全连接条件随机场(CRF)进行迭代优化,得到精细的语义分割结果。
上述语义分割方法的缺点:其一,模型输入一般为RGB图像,输入过于单一,可能会导致局部特征缺失;其二,这些方法都是基于卷积神经网络来进行特征提取的,没有充分利用图像的局部特征信息和全局上下文依赖关系,导致图像的分割边缘非常粗糙,分割精度非常低。
发明内容
本发明所要解决的技术问题在于克服现有方法的缺陷,提供一种分割精度高、泛化能力强的基于深度学习的图像语义分割方法。
解决上述技术问题所采用的技术方案包括下述步骤:
S1、数据集处理
将图像数据集分为训练图像集和测试图像集,并对训练图像集进行数据增强操作,将训练图像的数量增加到万级单位;
S2、构建深度语义分割网络
深度语义分割网络由并行深度神经网络模块、特征融合模块、Softmax分类层构成,所述的并行深度神经网络模块用于对输入图像进行特征提取,所述特征融合模块将并行深度神经网络的输出特征图进行加权融合得到新的特征图,所述Softmax分类层将像素类别标签预测分值转换成像素类别标签预测概率分布图;
所述的并行深度神经网络模块由第一深度神经网络模块和第二深度神经网络模块组成,且第一深度神经网络模块和第二深度神经网络模块网络结构相同,第一深度神经网络模块的输入为输入图像的RGB图像,第二深度神经网络模块的输入为输入图像的灰度图像;
所述的第一深度神经网络模块由全卷积网络模块、第一坐标通道模块、第一循环层模块、第二坐标通道模块、第二循环层模块、空间金字塔池化模块构成,第一坐标通道模块与第二坐标通道模块的结构相同,第一循环层模块与第二循环层模块的结构相同,所述全卷积网络模块对输入图像进行局部特征提取,所述第一循环层模块用于捕获图像的上下文依赖关系和全局特征信息,所述第一坐标通道模块对全卷积网络模块输出的特征图连接i、j、r坐标通道构成新的特征图,以学习更多的坐标特征信息并提高模型的泛化能力,所述空间金字塔池化模块对第二循环层模块输出的特征图在多个采样率上进行卷积操作,提取不同尺度区域的特征信息;
S3、深度语义分割网络训练及参数学习
S31、网络模型参数初始化:使用ResNet101在ImageNet数据集上的预训练模型对全卷积网络模块进行参数初始化,使用标准均匀分布对第一循环层模块和第二循环层模块进行参数初始化,使用标准高斯分布对空间金字塔池化模块的卷积层进行参数初始化;
S32、使用数据增强后的训练图像集训练深度语义分割网络,生成像素类别预测标签概率分布图,利用预测标签概率和原始标签概率计算预测损失,具体采用混合损失函数L(θ)作为目标函数,
L(θ)=L1(θ)+L2(θ)
式中L1(θ)为交叉熵损失函数,L2(θ)为L2正则化项,θ是深度语义分割网络的参数;
S33、采用随机梯度下降算法优化目标函数,运用反向传播算法更新网络模型参数,直到目标函数的值不再下降时结束训练;
S4、对测试图像进行语义分割
S41、将测试图像集输入步骤S3训练好的深度语义分割网络;
S42、并行深度神经网络模块对输入的测试图像集进行特征提取
测试图像的RGB图像作为第一深度神经网络模块的输入,测试图像的灰度图像作为第二深度神经网络模块的输入;
第一深度神经网络模块特征提取过程为:全卷积网络模块通过空洞卷积、最大池化、卷积操作对测试图像的RGB图像进行局部特征提取;将全卷积网络模块输出的特征图通过第一坐标通道模块得到新的特征图送入第一循环层模块进行水平和垂直扫描,学***和垂直扫描,捕获图像的全局特征信息;将第二循环层模块输出的特征图输入空间金字塔池化模块,在多个采样率上进行卷积操作,提取不同尺度区域的特征信息;
第二深度神经网络模块特征提取过程与第一深度神经网络模块特征提取过程相同;
S43、将第一深度神经网络模块输出的特征图与第二深度神经网络模块输出的特征图进行加权融合得到新的特征图;
S44、将步骤S43的结果送入Softmax分类层进行像素类别标签预测,得到图像中每个像素所属的物体类别,并做双线性插值操作上采样到原图像尺寸,得到精细的语义分割图。
作为一种优选的技术方案,所述的第一循环层模块由两个双向门限递归单元构成,双向门限递归单元的神经元个数为150。
作为一种优选的技术方案,所述的空间金字塔池化模块由4个不同采样率的空洞卷积构成,空洞卷积的卷积核大小为3×3,扩张率分别为4、6、8、12。
作为一种优选的技术方案,所述的步骤S2中i、j、r坐标通道由i坐标通道、j坐标通道、r坐标通道构成,i坐标通道、j坐标通道及r坐标通道均为e×f的坐标矩阵,i坐标通道第1行~第e行的元素依次为0、1、...、e-1,j坐标通道第1列~第f列的元素依次为0、1、...、f-1,e、f取正整数,r坐标通道为m为i坐标通道中的任意元素,n为j坐标通道中与m坐标位置相同的元素,将i坐标通道和j坐标通道中的元素线性缩放到[-1,1]范围内。
作为一种优选的技术方案,所述的步骤S3中参数学习的学习率按照如下公式进行衰减:
式中t为迭代次数,l0是初始学习率,lt是第t次迭代的学习率,power是动量为0.9。
本发明的有益效果如下:
本发明将输入图像的RGB图像和灰度图像作为网络模型的输入,充分利用灰度图像的边缘信息,有效增加输入特征的丰富程度;把卷积神经网络和双向门限递归单元相结合,在学习图像局部特征的基础上,捕获更多的上下文依赖关系和全局特征信息;通过第一坐标通道模块和第二坐标通道模块对特征图加入坐标信息,丰富模型的坐标特征,提升模型的泛化能力,产生分辨率高、边界精确的语义分割结果。
附图说明
图1是基于深度学习的图像语义分割方法流程图。
图2是第一深度神经网络模块。
图3是WeizmannHorse数据集中部分测试图像的语义分割图。
图4是StanfordBackground数据集中部分测试图像的语义分割图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于这些实施例。
实施例1
WeizmannHorse数据集是一个由328幅图像组成的图像分割数据集,数据集中部分图像如图3所示,网络模型的训练使用Pytorch平台,代码在python上编写完成,本实施例基于深度学习的图像语义分割方法,如图1所示,其步骤如下:
S1、数据集处理
从WeizmannHorse数据集中随机选取200张作为训练图像集,剩下的128张作为测试图像集,并对训练图像集进行数据增强操作,使训练图像的数量增加到11000张;
S2、构建深度语义分割网络
深度语义分割网络由并行深度神经网络模块、特征融合模块、Softmax分类层构成,并行深度神经网络模块用于对输入图像进行特征提取,特征融合模块将两个并行深度神经网络的输出特征图进行加权融合得到新的特征图,Softmax分类层将像素类别标签预测分值转换成像素类别标签预测概率分布图;
并行深度神经网络模块由第一深度神经网络模块和第二深度神经网络模块组成,且第一深度神经网络模块和第二深度神经网络模块结构相同,第一深度神经网络模块的输入为输入图像的RGB图像,第二深度神经网络模块的输入为输入图像的灰度图像;
在图2中,第一深度神经网络模块由全卷积网络模块、第一坐标通道模块、第一循环层模块、第二坐标通道模块、第二循环层模块、空间金字塔池化模块构成,第一坐标通道模块与第二坐标通道模块的结构相同,第一循环层模块与第二循环层模块的结构相同;
全卷积网络模块对输入图像进行局部特征提取,全卷积网络模块由Deeplab_largeFOV模型中Resnet101网络的第一卷积组~第五个卷积组构成,其中,第一卷积组~第三个卷积组使用卷积操作、最大池化操作,第四卷积组和第五个卷积组使用卷积操作、空洞卷积操作;
第一循环层模块由两个双向门限递归单元构成,双向门限递归单元的神经元个数为150,用于捕获图像的上下文依赖关系和全局特征信息;首先使用1×1的分块大小把特征图X分成G×K个不重叠的区域块,其中,G、K分别等于特征图X的长、宽;然后使用一个双向门限递归单元沿特征图X的每列进行垂直扫描,一个自顶向下扫描、一个自下向上扫描,每次读取一个区域块,并将扫描得到的输出预测按坐标索引连接起来得到一个复合特征图同样地,使用另外一个双向门限递归单元沿着复合特征图的每行进行水平扫描,一个自左向右扫描、一个自右向左扫描,每次读取一个区域块,并将输出预测按坐标索引连接起来得到一个新的复合特征图新的复合特征图具有来自整个图像的上下文信息;
第一坐标通道模块对全卷积网络模块输出的特征图连接i、j、r坐标通道构成新的特征图,以学习更多的坐标特征信息并提高模型的泛化能力;i、j、r坐标通道由i坐标通道、j坐标通道、r坐标通道构成,i坐标通道、j坐标通道及r坐标通道均为e×f的坐标矩阵,i坐标通道第1行~第e行的元素依次为0、1、...、e-1,j坐标通道第1列~第f列的元素依次为0、1、...、f-1,e、f取正整数,r坐标通道为m为i坐标通道中的任意元素,n为j坐标通道中与m坐标位置相同的元素,将i坐标通道和j坐标通道中的元素线性缩放到[-1,1]范围内;
空间金字塔池化模块对第二循环层模块输出的特征图在多个采样率上进行卷积操作,提取不同尺度区域的特征信息,该模块由4个不同采样率的空洞卷积构成,空洞卷积的卷积核大小为3×3,扩张率分别为4、6、8、12;
S3、深度语义分割网络训练及参数学习
S31、网络模型参数初始化:使用ResNet101在ImageNet数据集上的预训练模型对全卷积网络模块进行参数初始化,使用标准均匀分布对第一循环层模块和第二循环层模块进行参数初始化,使用标准高斯分布对空间金字塔池化模块的卷积层进行参数初始化;
S32、将数据增强后的训练图像集中的图像尺寸裁剪为330×330,使用裁剪后的训练图像训练深度语义分割网络,生成像素类别预测标签概率分布图,利用预测标签概率和原始标签概率计算预测损失,具体采用混合损失函数L(θ)作为目标函数,
L(θ)=L1(θ)+L2(θ)
式中L1(θ)为交叉熵损失函数,L2(θ)为L2正则化项,θ是深度语义分割网络的参数;
本实施例的交叉熵损失函数L1(θ)为:
式中ypq是预测标签概率向量,是原始标签概率向量,N是每张图片的像素个数,N为330×330=108900,B是批大小,B为10,C是像素类别数,C为2,ln(.)是求自然对数;
本实施例的L2正则化项L2(θ)为:
式中λ是正则化系数且为正数,N是每张图像的像素个数,N为330×330=108900,B是批大小,B为10,S是w的参数个数且S取正整数,w是权重参数;
S33、采用随机梯度下降算法优化目标函数,运用反向传播算法更新网络模型参数,直到目标函数的值不再下降时结束训练,为了加速模型收敛,引入参数学习的学习率,学习率按照如下公式进行衰减:
式中t为迭代次数且t≤35000,l0是初始学习率,l0为0.003,lt是第t次迭代的学习率,梯度衰减为0.0001,power是动量为0.9;
S4、对测试图像进行语义分割
S41、将测试图像集输入步骤S3训练好的深度语义分割网络;
S42、并行深度神经网络模块对输入的测试图像集进行特征提取
测试图像的RGB图像作为第一深度神经网络模块的输入,测试图像对应的灰度图像作为第二深度神经网络模块的输入;
第一深度神经网络模块特征提取过程为:全卷积网络模块通过空洞卷积、最大池化、卷积操作对测试图像的RGB图像进行局部特征提取;将全卷积网络模块输出的特征图通过第一坐标通道模块得到新的特征图送入第一循环层模块进行水平和垂直扫描,学***和垂直扫描,捕获图像的全局特征信息;将第二循环层模块输出的特征图输入空间金字塔池化模块,在多个采样率上进行卷积操作,提取不同尺度区域的特征信息;
第二深度神经网络模块特征提取过程与第一深度神经网络模块特征提取过程相同;
S43、将第一深度神经网络模块输出的特征图与第二深度神经网络模块输出的特征图进行加权融合得到新的特征图;
S44、将步骤S43的结果送入Softmax分类层进行像素类别标签预测,得到图像中每个像素所属的物体类别,并做双线性插值操作上采样到原图像尺寸,得到精细的语义分割图。
采用本实施例方法对WeizmannHorse数据集中128张测试图像进行语义分割,部分测试图像的语义分割图如图3所示,其中,第一行是输入图像、第二行是输入图像对应的彩色标签图像、第三行是其对应的语义分割图。
实施例2
StanfordBackground数据集是一个由715幅图像组成的图像分割数据集,数据集中部分图像如图4所示,网络模型的训练使用Pytorch平台,代码在python上编写完成。
本实施例基于深度学习的图像语义分割方法,在步骤S1中从StanfordBackground数据集中随机选取573张作为训练图像集,剩下的142张作为测试图像集,并对训练图像集进行数据增强操作,使训练图像的数量增加到13752张;步骤S32中将数据增强后的训练图像集中的图像尺寸裁剪为421×421,使用裁剪后的训练图像训练深度语义分割网络,生成像素类别预测标签概率分布图,利用预测标签概率和原始标签概率计算预测损失,具体采用混合损失函数L(θ)作为目标函数,
L(θ)=L1(θ)+L2(θ)
式中L1(θ)为交叉熵损失函数,L2(θ)为L2正则化项,θ是深度语义分割网络的参数;
本实施例的交叉熵损失函数L1(θ)为:
式中ypq是预测标签概率向量,是原始标签概率向量,N是每张图片的像素个数,N为421×421=177241,B是批大小,B为6,C是像素类别数,C为8,ln(.)是求自然对数;
本实施例的L2正则化项L2(θ)为:
式中λ是正则化系数且为正数,N是每张图像的像素个数,N为421×421=177241,B是批大小,B为6,S是w的参数个数且S取正整数,w是权重参数;步骤S33中采用随机梯度下降算法优化目标函数,运用反向传播算法更新网络模型参数,直到目标函数的值不再下降时结束训练,为了加速模型收敛,引入参数学习的学习率,学习率按照如下公式进行衰减:
式中t为迭代次数且t≤35000,l0是初始学习率,l0为0.001,lt是第t次迭代的学习率,梯度衰减为0.0001,power是动量为0.9;
其它操作步骤及参数与实施例1相同。
采用本实施例方法对StanfordBackground数据集中142张测试图像进行语义分割,部分测试图像的语义分割图如图4所示,其中,第一行是输入图像、第二行是输入图像对应的彩色标签图像、第三行是其对应的语义分割图。
Claims (5)
1.一种基于深度学习的图像语义分割方法,其特征在于由下述步骤组成:
S1、数据集处理
将图像数据集分为训练图像集和测试图像集,并对训练图像集进行数据增强操作,将训练图像的数量增加到万级单位;
S2、构建深度语义分割网络
深度语义分割网络由并行深度神经网络模块、特征融合模块、Softmax分类层构成,所述的并行深度神经网络模块用于对输入图像进行特征提取,所述特征融合模块将并行深度神经网络的输出特征图进行加权融合得到新的特征图,所述Softmax分类层将像素类别标签预测分值转换成像素类别标签预测概率分布图;
所述的并行深度神经网络模块由第一深度神经网络模块和第二深度神经网络模块组成,且第一深度神经网络模块和第二深度神经网络模块网络结构相同,第一深度神经网络模块的输入为输入图像的RGB图像,第二深度神经网络模块的输入为输入图像的灰度图像;
所述的第一深度神经网络模块由全卷积网络模块、第一坐标通道模块、第一循环层模块、第二坐标通道模块、第二循环层模块、空间金字塔池化模块构成,第一坐标通道模块与第二坐标通道模块的结构相同,第一循环层模块与第二循环层模块的结构相同,所述全卷积网络模块对输入图像进行局部特征提取,所述第一循环层模块用于捕获图像的上下文依赖关系和全局特征信息,所述第一坐标通道模块对全卷积网络模块输出的特征图连接i、j、r坐标通道构成新的特征图,以学习更多的坐标特征信息并提高模型的泛化能力,所述空间金字塔池化模块对第二循环层模块输出的特征图在多个采样率上进行卷积操作,提取不同尺度区域的特征信息;
S3、深度语义分割网络训练及参数学习
S31、网络模型参数初始化:使用ResNet101在ImageNet数据集上的预训练模型对全卷积网络模块进行参数初始化,使用标准均匀分布对第一循环层模块和第二循环层模块进行参数初始化,使用标准高斯分布对空间金字塔池化模块的卷积层进行参数初始化;
S32、使用数据增强后的训练图像集训练深度语义分割网络,生成像素类别预测标签概率分布图,利用预测标签概率和原始标签概率计算预测损失,具体采用混合损失函数L(θ)作为目标函数,
L(θ)=L1(θ)+L2(θ)
式中L1(θ)为交叉熵损失函数,L2(θ)为L2正则化项,θ是深度语义分割网络的参数;
S33、采用随机梯度下降算法优化目标函数,运用反向传播算法更新网络模型参数,直到目标函数的值不再下降时结束训练;
S4、对测试图像进行语义分割
S41、将测试图像集输入步骤S3训练好的深度语义分割网络;
S42、并行深度神经网络模块对输入的测试图像集进行特征提取测试图像的RGB图像作为第一深度神经网络模块的输入,测试图像的灰度图像作为第二深度神经网络模块的输入;
第一深度神经网络模块特征提取过程为:全卷积网络模块通过空洞卷积、最大池化、卷积操作对测试图像的RGB图像进行局部特征提取;将全卷积网络模块输出的特征图通过第一坐标通道模块得到新的特征图送入第一循环层模块进行水平和垂直扫描,学***和垂直扫描,捕获图像的全局特征信息;将第二循环层模块输出的特征图输入空间金字塔池化模块,在多个采样率上进行卷积操作,提取不同尺度区域的特征信息;
第二深度神经网络模块特征提取过程与第一深度神经网络模块特征提取过程相同;
S43、将第一深度神经网络模块输出的特征图与第二深度神经网络模块输出的特征图进行加权融合得到新的特征图;
S44、将步骤S43的结果送入Softmax分类层进行像素类别标签预测,得到图像中每个像素所属的物体类别,并做双线性插值操作上采样到原图像尺寸,得到精细的语义分割图。
2.根据权利要求1所述的基于深度学习的图像语义分割方法,其特征在于:所述的第一循环层模块由两个双向门限递归单元构成,双向门限递归单元的神经元个数为150。
3.根据权利要求1所述的基于深度学习的图像语义分割方法,其特征在于:所述的空间金字塔池化模块由4个不同采样率的空洞卷积构成,空洞卷积的卷积核大小为3×3,扩张率分别为4、6、8、12。
4.根据权利要求1所述的基于深度学习的图像语义分割方法,其特征在于:所述的步骤S2中i、j、r坐标通道由i坐标通道、j坐标通道、r坐标通道构成,i坐标通道、j坐标通道及r坐标通道均为e×f的坐标矩阵,i坐标通道第1行~第e行的元素依次为0、1、...、e-1,j坐标通道第1列~第f列的元素依次为0、1、...、f-1,e、f取正整数,r坐标通道为m为i坐标通道中的任意元素,n为j坐标通道中与m坐标位置相同的元素,将i坐标通道和j坐标通道中的元素线性缩放到[-1,1]范围内。
5.根据权利要求1所述的基于深度学习的图像语义分割方法,其特征在于:所述的步骤S3中参数学习的学习率按照如下公式进行衰减:
式中t为迭代次数,l0是初始学习率,lt是第t次迭代的学习率,power是动量为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646148.7A CN109711413B (zh) | 2018-12-30 | 2018-12-30 | 基于深度学习的图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811646148.7A CN109711413B (zh) | 2018-12-30 | 2018-12-30 | 基于深度学习的图像语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711413A true CN109711413A (zh) | 2019-05-03 |
CN109711413B CN109711413B (zh) | 2023-04-07 |
Family
ID=66260443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811646148.7A Active CN109711413B (zh) | 2018-12-30 | 2018-12-30 | 基于深度学习的图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711413B (zh) |
Cited By (92)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
CN110175613A (zh) * | 2019-06-03 | 2019-08-27 | 常熟理工学院 | 基于多尺度特征和编解码器模型的街景图像语义分割方法 |
CN110189337A (zh) * | 2019-05-31 | 2019-08-30 | 广东工业大学 | 一种自动驾驶图像语义分割方法 |
CN110232418A (zh) * | 2019-06-19 | 2019-09-13 | 深圳前海达闼云端智能科技有限公司 | 一种语义识别方法、终端及计算机可读存储介质 |
CN110245665A (zh) * | 2019-05-13 | 2019-09-17 | 天津大学 | 基于注意力机制的图像语义分割方法 |
CN110264483A (zh) * | 2019-06-19 | 2019-09-20 | 东北大学 | 一种基于深度学习的语义图像分割方法 |
CN110276402A (zh) * | 2019-06-25 | 2019-09-24 | 北京工业大学 | 一种基于深度学习语义边界增强的盐体识别方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN110298849A (zh) * | 2019-07-02 | 2019-10-01 | 电子科技大学 | 基于眼底图像的硬性渗出分割方法 |
CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
CN110348537A (zh) * | 2019-07-18 | 2019-10-18 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110390314A (zh) * | 2019-07-29 | 2019-10-29 | 深兰科技(上海)有限公司 | 一种视觉感知方法及设备 |
CN110472483A (zh) * | 2019-07-02 | 2019-11-19 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
CN110517329A (zh) * | 2019-08-12 | 2019-11-29 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
CN110619633A (zh) * | 2019-09-10 | 2019-12-27 | 武汉科技大学 | 一种基于多路滤波策略的肝脏图像分割方法 |
CN110675421A (zh) * | 2019-08-30 | 2020-01-10 | 电子科技大学 | 基于少量标注框的深度图像协同分割方法 |
CN110717921A (zh) * | 2019-09-26 | 2020-01-21 | 哈尔滨工程大学 | 改进型编码解码结构的全卷积神经网络语义分割方法 |
CN110728683A (zh) * | 2019-09-29 | 2020-01-24 | 吉林大学 | 一种基于密集连接的图像语义分割方法 |
CN110729045A (zh) * | 2019-10-12 | 2020-01-24 | 闽江学院 | 一种基于上下文感知残差网络的舌图像分割方法 |
CN110807462A (zh) * | 2019-09-11 | 2020-02-18 | 浙江大学 | 一种针对语义分割模型的上下文不敏感的训练方法 |
CN110866922A (zh) * | 2019-11-19 | 2020-03-06 | 中山大学 | 基于强化学习和迁移学习的图像语义分割模型及建模方法 |
CN110880182A (zh) * | 2019-11-18 | 2020-03-13 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法、图像分割方法、装置及电子设备 |
CN110889854A (zh) * | 2019-10-16 | 2020-03-17 | 深圳信息职业技术学院 | 一种基于多尺度深度学习的草图部件分割方法、***、装置及存储介质 |
CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及*** |
CN111079744A (zh) * | 2019-12-06 | 2020-04-28 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN111160109A (zh) * | 2019-12-06 | 2020-05-15 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及*** |
CN111310509A (zh) * | 2020-03-12 | 2020-06-19 | 北京大学 | 基于物流运单的实时条码检测***及方法 |
CN111325259A (zh) * | 2020-02-14 | 2020-06-23 | 武汉大学 | 一种基于深度学习和二进制编码的遥感图像分类方法 |
CN111400492A (zh) * | 2020-02-17 | 2020-07-10 | 合肥工业大学 | 基于sfm-dcnn的层次特征文本分类方法和*** |
CN111507423A (zh) * | 2020-04-24 | 2020-08-07 | 国网湖南省电力有限公司 | 输电线路通道清理的工程量测算方法 |
CN111539412A (zh) * | 2020-04-21 | 2020-08-14 | 上海云从企业发展有限公司 | 一种基于ocr的图像分析方法、***、设备及介质 |
CN111583390A (zh) * | 2020-04-28 | 2020-08-25 | 西安交通大学 | 基于深度语义融合的卷积神经网络的三维语义图重建方法 |
CN111612803A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图像清晰度的车辆图像语义分割方法 |
CN111666842A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
CN111738265A (zh) * | 2020-05-20 | 2020-10-02 | 山东大学 | Rgb-d图像的语义分割方法、***、介质及电子设备 |
CN111754520A (zh) * | 2020-06-09 | 2020-10-09 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及*** |
CN111783811A (zh) * | 2019-10-30 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 伪标签生成方法和装置 |
CN111860827A (zh) * | 2020-06-04 | 2020-10-30 | 西安电子科技大学 | 一种基于神经网络模型的测向体制多目标定位方法和装置 |
CN111870279A (zh) * | 2020-07-31 | 2020-11-03 | 西安电子科技大学 | 超声图像左室心肌的分割方法、***及应用 |
CN111899274A (zh) * | 2020-08-05 | 2020-11-06 | 大连交通大学 | 一种基于深度学习tem图像分割的粒径分析方法 |
CN111914948A (zh) * | 2020-08-20 | 2020-11-10 | 上海海事大学 | 一种基于粗精语义分割网络的海流机叶片附着物自适应识别方法 |
CN111915619A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种双特征提取与融合的全卷积网络语义分割方法 |
CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
CN112149547A (zh) * | 2020-09-17 | 2020-12-29 | 南京信息工程大学 | 基于图像金字塔引导和像素对匹配的遥感影像水体识别 |
CN112164077A (zh) * | 2020-09-25 | 2021-01-01 | 陕西师范大学 | 基于自下而上路径增强的细胞实例分割方法 |
CN112163111A (zh) * | 2020-09-28 | 2021-01-01 | 杭州电子科技大学 | 一种旋转不变的语义信息挖掘方法 |
CN112184714A (zh) * | 2020-11-10 | 2021-01-05 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及介质 |
CN112465840A (zh) * | 2020-12-10 | 2021-03-09 | 重庆紫光华山智安科技有限公司 | 语义分割模型训练方法、语义分割方法及相关装置 |
CN112465826A (zh) * | 2019-09-06 | 2021-03-09 | 上海高德威智能交通***有限公司 | 视频语义分割方法及装置 |
CN112507338A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种基于深度学习语义分割算法的改进*** |
CN112508032A (zh) * | 2021-01-29 | 2021-03-16 | 成都东方天呈智能科技有限公司 | 一种联合物体上下文信息的人脸图像分割方法及分割网络 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
CN112541916A (zh) * | 2020-12-11 | 2021-03-23 | 华南理工大学 | 一种基于稠密连接的废旧塑料图像分割方法 |
CN112580509A (zh) * | 2020-12-18 | 2021-03-30 | 中国民用航空总局第二研究所 | 逻辑推理式道面检测方法及*** |
CN112571425A (zh) * | 2020-11-30 | 2021-03-30 | 汕头大学 | 一种带压堵漏机器人的漏点定位自主控制方法及*** |
CN112614131A (zh) * | 2021-01-10 | 2021-04-06 | 复旦大学 | 基于形变表示学习的病理图像分析方法 |
CN112651440A (zh) * | 2020-12-25 | 2021-04-13 | 陕西地建土地工程技术研究院有限责任公司 | 基于深度卷积神经网络的土壤有效团聚体分类识别方法 |
CN112669325A (zh) * | 2021-01-06 | 2021-04-16 | 大连理工大学 | 一种基于主动式学习的视频语义分割方法 |
CN112766195A (zh) * | 2021-01-26 | 2021-05-07 | 西南交通大学 | 一种电气化铁路弓网燃弧视觉检测方法 |
CN112837326A (zh) * | 2021-01-27 | 2021-05-25 | 南京中兴力维软件有限公司 | 遗留物检测方法、装置及设备 |
CN112884788A (zh) * | 2021-03-08 | 2021-06-01 | 中南大学 | 基于丰富上下文网络的视杯视盘分割方法及成像方法 |
CN112950645A (zh) * | 2021-03-24 | 2021-06-11 | 中国人民解放军国防科技大学 | 一种基于多任务深度学习的图像语义分割方法 |
CN112989919A (zh) * | 2020-12-25 | 2021-06-18 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
CN112990304A (zh) * | 2021-03-12 | 2021-06-18 | 国网智能科技股份有限公司 | 一种适用于电力场景的语义分析方法及*** |
CN112991266A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 用于小样本医疗影像的语义分割方法及*** |
CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN113191367A (zh) * | 2021-05-25 | 2021-07-30 | 华东师范大学 | 基于密集尺度动态网络的语义分割方法 |
CN113205523A (zh) * | 2021-04-29 | 2021-08-03 | 浙江大学 | 多尺度表征优化的医学影像分割识别***、终端及存储介质 |
CN113222033A (zh) * | 2021-05-19 | 2021-08-06 | 北京数研科技发展有限公司 | 基于多分类回归模型与自注意力机制的单目图像估计方法 |
CN113269786A (zh) * | 2021-05-19 | 2021-08-17 | 青岛理工大学 | 基于深度学习和引导滤波的装配体图像分割方法及设备 |
CN113269197A (zh) * | 2021-04-25 | 2021-08-17 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归***和识别方法 |
CN113280820A (zh) * | 2021-06-09 | 2021-08-20 | 华南农业大学 | 基于神经网络的果园视觉导航路径提取方法与*** |
CN113421269A (zh) * | 2021-06-09 | 2021-09-21 | 南京瑞易智能科技有限公司 | 一种基于双分支深度卷积神经网络的实时语义分割方法 |
CN113450311A (zh) * | 2021-06-01 | 2021-09-28 | 国网河南省电力公司漯河供电公司 | 基于语义分割和空间关系的带销螺丝缺陷检测方法及*** |
CN113468969A (zh) * | 2021-06-03 | 2021-10-01 | 江苏大学 | 一种基于改进单目深度估计的混叠电子元器件空间表达方法 |
CN113487622A (zh) * | 2021-05-25 | 2021-10-08 | 中国科学院自动化研究所 | 头颈部器官影像分割方法、装置、电子设备和存储介质 |
CN113496442A (zh) * | 2020-03-19 | 2021-10-12 | 荷盛崧钜智财顾问股份有限公司 | 图表征产生***,图表征产生方法与其图表征智能模块 |
CN113592894A (zh) * | 2021-08-29 | 2021-11-02 | 浙江工业大学 | 一种基于边界框和同现特征预测的图像分割方法 |
CN114005123A (zh) * | 2021-10-11 | 2022-02-01 | 北京大学 | 一种印刷体文本版面数字化重建***及方法 |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN114882212A (zh) * | 2022-03-23 | 2022-08-09 | 上海人工智能创新中心 | 一种基于先验结构的语义分割方法及装置 |
CN114913189A (zh) * | 2022-05-31 | 2022-08-16 | 东北大学 | 基于深度神经网络的煤矸石图像分割方法、装置及设备 |
CN115049603A (zh) * | 2022-06-07 | 2022-09-13 | 安徽大学 | 一种基于小样本学习的肠息肉分割方法及*** |
CN115423810A (zh) * | 2022-11-04 | 2022-12-02 | 国网江西省电力有限公司电力科学研究院 | 一种风力发电机组叶片覆冰形态分析方法 |
CN115631127A (zh) * | 2022-08-15 | 2023-01-20 | 无锡东如科技有限公司 | 一种工业缺陷检测的图像分割方法 |
CN115861323A (zh) * | 2023-02-28 | 2023-03-28 | 泉州装备制造研究所 | 基于精细化分割网络的皮革缺陷检测方法 |
CN116188479A (zh) * | 2023-02-21 | 2023-05-30 | 北京长木谷医疗科技有限公司 | 基于深度学习的髋关节图像分割方法及*** |
CN117351520A (zh) * | 2023-10-31 | 2024-01-05 | 广州恒沙数字科技有限公司 | 基于生成网络的前背景图像混合生成方法及*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184226A (zh) * | 2015-08-11 | 2015-12-23 | 北京新晨阳光科技有限公司 | 数字识别方法和装置及神经网络训练方法和装置 |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
CN106709568A (zh) * | 2016-12-16 | 2017-05-24 | 北京工业大学 | 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法 |
US20170200067A1 (en) * | 2016-01-08 | 2017-07-13 | Siemens Healthcare Gmbh | Deep Image-to-Image Network Learning for Medical Image Analysis |
US20180150684A1 (en) * | 2016-11-30 | 2018-05-31 | Shenzhen AltumView Technology Co., Ltd. | Age and gender estimation using small-scale convolutional neural network (cnn) modules for embedded systems |
US20180165810A1 (en) * | 2016-12-13 | 2018-06-14 | Shanghai Sixth People's Hospital | Method of automatically detecting microaneurysm based on multi-sieving convolutional neural network |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108319972A (zh) * | 2018-01-18 | 2018-07-24 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
CN108427961A (zh) * | 2018-02-11 | 2018-08-21 | 陕西师范大学 | 基于卷积神经网络的合成孔径聚焦成像深度评估方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
WO2018217828A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for discriminative semantic transfer and physics-inspired optimization of features in deep learning |
CN109035263A (zh) * | 2018-08-14 | 2018-12-18 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
-
2018
- 2018-12-30 CN CN201811646148.7A patent/CN109711413B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184226A (zh) * | 2015-08-11 | 2015-12-23 | 北京新晨阳光科技有限公司 | 数字识别方法和装置及神经网络训练方法和装置 |
US20170200067A1 (en) * | 2016-01-08 | 2017-07-13 | Siemens Healthcare Gmbh | Deep Image-to-Image Network Learning for Medical Image Analysis |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务*** |
CN106548159A (zh) * | 2016-11-08 | 2017-03-29 | 中国科学院自动化研究所 | 基于全卷积神经网络的网纹人脸图像识别方法与装置 |
US20180150684A1 (en) * | 2016-11-30 | 2018-05-31 | Shenzhen AltumView Technology Co., Ltd. | Age and gender estimation using small-scale convolutional neural network (cnn) modules for embedded systems |
US20180165810A1 (en) * | 2016-12-13 | 2018-06-14 | Shanghai Sixth People's Hospital | Method of automatically detecting microaneurysm based on multi-sieving convolutional neural network |
CN106709568A (zh) * | 2016-12-16 | 2017-05-24 | 北京工业大学 | 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法 |
WO2018217828A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for discriminative semantic transfer and physics-inspired optimization of features in deep learning |
CN108319972A (zh) * | 2018-01-18 | 2018-07-24 | 南京师范大学 | 一种针对图像语义分割的端到端差异网络学习方法 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108427961A (zh) * | 2018-02-11 | 2018-08-21 | 陕西师范大学 | 基于卷积神经网络的合成孔径聚焦成像深度评估方法 |
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
CN109035263A (zh) * | 2018-08-14 | 2018-12-18 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
Non-Patent Citations (2)
Title |
---|
JIZHI ZHANG: ""A Weakly Supervised Deep Learning Semantic Segmentation Framework"", 《2017 IEEE INTERNATIONAL CONFERENCE ON SMART CLOUD (SMARTCLOUD)》 * |
马苗: ""一种耦合深度信念网络的图像识别方法"", 《西安电子科技大学学报》 * |
Cited By (145)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245665A (zh) * | 2019-05-13 | 2019-09-17 | 天津大学 | 基于注意力机制的图像语义分割方法 |
CN110245665B (zh) * | 2019-05-13 | 2023-06-06 | 天津大学 | 基于注意力机制的图像语义分割方法 |
CN110289081A (zh) * | 2019-05-14 | 2019-09-27 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN110289081B (zh) * | 2019-05-14 | 2021-11-02 | 杭州电子科技大学 | 深度网络堆栈模型自适应加权特征融合的癫痫检测方法 |
CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
CN110189337A (zh) * | 2019-05-31 | 2019-08-30 | 广东工业大学 | 一种自动驾驶图像语义分割方法 |
CN110175613A (zh) * | 2019-06-03 | 2019-08-27 | 常熟理工学院 | 基于多尺度特征和编解码器模型的街景图像语义分割方法 |
CN110175613B (zh) * | 2019-06-03 | 2021-08-10 | 常熟理工学院 | 基于多尺度特征和编解码器模型的街景图像语义分割方法 |
CN110310289A (zh) * | 2019-06-17 | 2019-10-08 | 北京交通大学 | 基于深度学习的肺部组织图像分割方法 |
CN110232418A (zh) * | 2019-06-19 | 2019-09-13 | 深圳前海达闼云端智能科技有限公司 | 一种语义识别方法、终端及计算机可读存储介质 |
CN110264483A (zh) * | 2019-06-19 | 2019-09-20 | 东北大学 | 一种基于深度学习的语义图像分割方法 |
CN110276402A (zh) * | 2019-06-25 | 2019-09-24 | 北京工业大学 | 一种基于深度学习语义边界增强的盐体识别方法 |
CN110472483B (zh) * | 2019-07-02 | 2022-11-15 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
CN110472483A (zh) * | 2019-07-02 | 2019-11-19 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
CN110298849A (zh) * | 2019-07-02 | 2019-10-01 | 电子科技大学 | 基于眼底图像的硬性渗出分割方法 |
CN110348537A (zh) * | 2019-07-18 | 2019-10-18 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
US11481574B2 (en) | 2019-07-18 | 2022-10-25 | Beijing Sensetime Technology Development Co., Ltd. | Image processing method and device, and storage medium |
CN110390314A (zh) * | 2019-07-29 | 2019-10-29 | 深兰科技(上海)有限公司 | 一种视觉感知方法及设备 |
CN110517329B (zh) * | 2019-08-12 | 2021-05-14 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
CN110517329A (zh) * | 2019-08-12 | 2019-11-29 | 北京邮电大学 | 一种基于语义分析的深度学习图像压缩方法 |
CN111062947B (zh) * | 2019-08-14 | 2023-04-25 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及*** |
CN111062947A (zh) * | 2019-08-14 | 2020-04-24 | 深圳市智影医疗科技有限公司 | 一种基于深度学习的x光胸片病灶定位方法及*** |
CN110619639A (zh) * | 2019-08-26 | 2019-12-27 | 苏州同调医学科技有限公司 | 一种结合深度神经网络和概率图模型分割放疗影像的方法 |
CN110675421A (zh) * | 2019-08-30 | 2020-01-10 | 电子科技大学 | 基于少量标注框的深度图像协同分割方法 |
CN110675421B (zh) * | 2019-08-30 | 2022-03-15 | 电子科技大学 | 基于少量标注框的深度图像协同分割方法 |
CN112465826A (zh) * | 2019-09-06 | 2021-03-09 | 上海高德威智能交通***有限公司 | 视频语义分割方法及装置 |
CN112465826B (zh) * | 2019-09-06 | 2023-05-16 | 上海高德威智能交通***有限公司 | 视频语义分割方法及装置 |
CN110619633A (zh) * | 2019-09-10 | 2019-12-27 | 武汉科技大学 | 一种基于多路滤波策略的肝脏图像分割方法 |
CN110807462A (zh) * | 2019-09-11 | 2020-02-18 | 浙江大学 | 一种针对语义分割模型的上下文不敏感的训练方法 |
CN110807462B (zh) * | 2019-09-11 | 2022-08-30 | 浙江大学 | 一种针对语义分割模型的上下文不敏感的训练方法 |
CN110717921A (zh) * | 2019-09-26 | 2020-01-21 | 哈尔滨工程大学 | 改进型编码解码结构的全卷积神经网络语义分割方法 |
CN110717921B (zh) * | 2019-09-26 | 2022-11-15 | 哈尔滨工程大学 | 改进型编码解码结构的全卷积神经网络语义分割方法 |
CN110728683B (zh) * | 2019-09-29 | 2021-02-26 | 吉林大学 | 一种基于密集连接的图像语义分割方法 |
CN110728683A (zh) * | 2019-09-29 | 2020-01-24 | 吉林大学 | 一种基于密集连接的图像语义分割方法 |
CN110729045A (zh) * | 2019-10-12 | 2020-01-24 | 闽江学院 | 一种基于上下文感知残差网络的舌图像分割方法 |
CN110889854A (zh) * | 2019-10-16 | 2020-03-17 | 深圳信息职业技术学院 | 一种基于多尺度深度学习的草图部件分割方法、***、装置及存储介质 |
CN110889854B (zh) * | 2019-10-16 | 2023-12-05 | 深圳信息职业技术学院 | 一种基于多尺度深度学习的草图部件分割方法、***、装置及存储介质 |
CN111783811A (zh) * | 2019-10-30 | 2020-10-16 | 北京京东尚科信息技术有限公司 | 伪标签生成方法和装置 |
CN110880182A (zh) * | 2019-11-18 | 2020-03-13 | 东声(苏州)智能科技有限公司 | 图像分割模型训练方法、图像分割方法、装置及电子设备 |
CN110866922B (zh) * | 2019-11-19 | 2023-05-16 | 中山大学 | 基于强化学习和迁移学习的图像语义分割模型及建模方法 |
CN110866922A (zh) * | 2019-11-19 | 2020-03-06 | 中山大学 | 基于强化学习和迁移学习的图像语义分割模型及建模方法 |
CN110890155A (zh) * | 2019-11-25 | 2020-03-17 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
CN110890155B (zh) * | 2019-11-25 | 2022-10-28 | 中国科学技术大学 | 一种基于导联注意力机制的多类心律失常检测方法 |
CN111160109B (zh) * | 2019-12-06 | 2023-08-18 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及*** |
CN111079744A (zh) * | 2019-12-06 | 2020-04-28 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111079744B (zh) * | 2019-12-06 | 2020-09-01 | 鲁东大学 | 适用于复杂光照环境的车辆车牌智能识别方法及装置 |
CN111160109A (zh) * | 2019-12-06 | 2020-05-15 | 北京联合大学 | 一种基于深度神经网络的道路分割方法及*** |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111325259A (zh) * | 2020-02-14 | 2020-06-23 | 武汉大学 | 一种基于深度学习和二进制编码的遥感图像分类方法 |
CN111400492B (zh) * | 2020-02-17 | 2022-08-19 | 合肥工业大学 | 基于sfm-dcnn的层次特征文本分类方法和*** |
CN111400492A (zh) * | 2020-02-17 | 2020-07-10 | 合肥工业大学 | 基于sfm-dcnn的层次特征文本分类方法和*** |
CN111310509A (zh) * | 2020-03-12 | 2020-06-19 | 北京大学 | 基于物流运单的实时条码检测***及方法 |
CN113496442A (zh) * | 2020-03-19 | 2021-10-12 | 荷盛崧钜智财顾问股份有限公司 | 图表征产生***,图表征产生方法与其图表征智能模块 |
CN111539412A (zh) * | 2020-04-21 | 2020-08-14 | 上海云从企业发展有限公司 | 一种基于ocr的图像分析方法、***、设备及介质 |
CN111507423A (zh) * | 2020-04-24 | 2020-08-07 | 国网湖南省电力有限公司 | 输电线路通道清理的工程量测算方法 |
CN111507423B (zh) * | 2020-04-24 | 2023-06-09 | 国网湖南省电力有限公司 | 输电线路通道清理的工程量测算方法 |
CN111583390A (zh) * | 2020-04-28 | 2020-08-25 | 西安交通大学 | 基于深度语义融合的卷积神经网络的三维语义图重建方法 |
CN111612803A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图像清晰度的车辆图像语义分割方法 |
CN111612803B (zh) * | 2020-04-30 | 2023-10-17 | 杭州电子科技大学 | 一种基于图像清晰度的车辆图像语义分割方法 |
CN111738265A (zh) * | 2020-05-20 | 2020-10-02 | 山东大学 | Rgb-d图像的语义分割方法、***、介质及电子设备 |
CN111666842B (zh) * | 2020-05-25 | 2022-08-26 | 东华大学 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
CN111666842A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
CN111860827A (zh) * | 2020-06-04 | 2020-10-30 | 西安电子科技大学 | 一种基于神经网络模型的测向体制多目标定位方法和装置 |
CN111915619A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种双特征提取与融合的全卷积网络语义分割方法 |
CN111754520B (zh) * | 2020-06-09 | 2023-09-15 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及*** |
CN111754520A (zh) * | 2020-06-09 | 2020-10-09 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及*** |
CN111932501A (zh) * | 2020-07-13 | 2020-11-13 | 太仓中科信息技术研究院 | 一种基于语义分割的密封圈表面缺陷检测方法 |
CN111870279B (zh) * | 2020-07-31 | 2022-01-28 | 西安电子科技大学 | 超声图像左室心肌的分割方法、***及应用 |
CN111870279A (zh) * | 2020-07-31 | 2020-11-03 | 西安电子科技大学 | 超声图像左室心肌的分割方法、***及应用 |
CN111899274A (zh) * | 2020-08-05 | 2020-11-06 | 大连交通大学 | 一种基于深度学习tem图像分割的粒径分析方法 |
CN111899274B (zh) * | 2020-08-05 | 2024-03-29 | 大连交通大学 | 一种基于深度学习tem图像分割的粒径分析方法 |
CN111914948A (zh) * | 2020-08-20 | 2020-11-10 | 上海海事大学 | 一种基于粗精语义分割网络的海流机叶片附着物自适应识别方法 |
CN112149547A (zh) * | 2020-09-17 | 2020-12-29 | 南京信息工程大学 | 基于图像金字塔引导和像素对匹配的遥感影像水体识别 |
CN112149547B (zh) * | 2020-09-17 | 2023-06-02 | 南京信息工程大学 | 基于图像金字塔引导和像素对匹配的遥感影像水体识别方法 |
CN112164077B (zh) * | 2020-09-25 | 2023-12-29 | 陕西师范大学 | 基于自下而上路径增强的细胞实例分割方法 |
CN112164077A (zh) * | 2020-09-25 | 2021-01-01 | 陕西师范大学 | 基于自下而上路径增强的细胞实例分割方法 |
CN112163111A (zh) * | 2020-09-28 | 2021-01-01 | 杭州电子科技大学 | 一种旋转不变的语义信息挖掘方法 |
CN112184714A (zh) * | 2020-11-10 | 2021-01-05 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及介质 |
CN112184714B (zh) * | 2020-11-10 | 2023-08-22 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及介质 |
CN112571425B (zh) * | 2020-11-30 | 2022-04-01 | 汕头大学 | 一种带压堵漏机器人的漏点定位自主控制方法及*** |
CN112571425A (zh) * | 2020-11-30 | 2021-03-30 | 汕头大学 | 一种带压堵漏机器人的漏点定位自主控制方法及*** |
CN112465840A (zh) * | 2020-12-10 | 2021-03-09 | 重庆紫光华山智安科技有限公司 | 语义分割模型训练方法、语义分割方法及相关装置 |
CN112465840B (zh) * | 2020-12-10 | 2023-02-17 | 重庆紫光华山智安科技有限公司 | 语义分割模型训练方法、语义分割方法及相关装置 |
CN112541916A (zh) * | 2020-12-11 | 2021-03-23 | 华南理工大学 | 一种基于稠密连接的废旧塑料图像分割方法 |
CN112541916B (zh) * | 2020-12-11 | 2023-06-23 | 华南理工大学 | 一种基于稠密连接的废旧塑料图像分割方法 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
CN112580509B (zh) * | 2020-12-18 | 2022-04-15 | 中国民用航空总局第二研究所 | 逻辑推理式道面检测方法及*** |
CN112580509A (zh) * | 2020-12-18 | 2021-03-30 | 中国民用航空总局第二研究所 | 逻辑推理式道面检测方法及*** |
CN112507338B (zh) * | 2020-12-21 | 2023-02-14 | 华南理工大学 | 一种基于深度学习语义分割算法的改进*** |
CN112507338A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种基于深度学习语义分割算法的改进*** |
CN112651440A (zh) * | 2020-12-25 | 2021-04-13 | 陕西地建土地工程技术研究院有限责任公司 | 基于深度卷积神经网络的土壤有效团聚体分类识别方法 |
CN112651440B (zh) * | 2020-12-25 | 2023-02-14 | 陕西地建土地工程技术研究院有限责任公司 | 基于深度卷积神经网络的土壤有效团聚体分类识别方法 |
CN112989919A (zh) * | 2020-12-25 | 2021-06-18 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
CN112989919B (zh) * | 2020-12-25 | 2024-04-19 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
WO2022141669A1 (zh) * | 2020-12-31 | 2022-07-07 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN112669325A (zh) * | 2021-01-06 | 2021-04-16 | 大连理工大学 | 一种基于主动式学习的视频语义分割方法 |
CN112614131A (zh) * | 2021-01-10 | 2021-04-06 | 复旦大学 | 基于形变表示学习的病理图像分析方法 |
CN112766195B (zh) * | 2021-01-26 | 2022-03-29 | 西南交通大学 | 一种电气化铁路弓网燃弧视觉检测方法 |
CN112766195A (zh) * | 2021-01-26 | 2021-05-07 | 西南交通大学 | 一种电气化铁路弓网燃弧视觉检测方法 |
CN112837326B (zh) * | 2021-01-27 | 2024-04-09 | 南京中兴力维软件有限公司 | 遗留物检测方法、装置及设备 |
CN112837326A (zh) * | 2021-01-27 | 2021-05-25 | 南京中兴力维软件有限公司 | 遗留物检测方法、装置及设备 |
CN112508032A (zh) * | 2021-01-29 | 2021-03-16 | 成都东方天呈智能科技有限公司 | 一种联合物体上下文信息的人脸图像分割方法及分割网络 |
CN112991266A (zh) * | 2021-02-07 | 2021-06-18 | 复旦大学 | 用于小样本医疗影像的语义分割方法及*** |
CN112884788B (zh) * | 2021-03-08 | 2022-05-10 | 中南大学 | 基于丰富上下文网络的视杯视盘分割方法及成像方法 |
CN112884788A (zh) * | 2021-03-08 | 2021-06-01 | 中南大学 | 基于丰富上下文网络的视杯视盘分割方法及成像方法 |
CN112990304B (zh) * | 2021-03-12 | 2024-03-12 | 国网智能科技股份有限公司 | 一种适用于电力场景的语义分析方法及*** |
CN112990304A (zh) * | 2021-03-12 | 2021-06-18 | 国网智能科技股份有限公司 | 一种适用于电力场景的语义分析方法及*** |
CN112950645B (zh) * | 2021-03-24 | 2023-05-12 | 中国人民解放军国防科技大学 | 一种基于多任务深度学习的图像语义分割方法 |
CN112950645A (zh) * | 2021-03-24 | 2021-06-11 | 中国人民解放军国防科技大学 | 一种基于多任务深度学习的图像语义分割方法 |
CN113033570A (zh) * | 2021-03-29 | 2021-06-25 | 同济大学 | 一种改进空洞卷积和多层次特征信息融合的图像语义分割方法 |
CN113269197A (zh) * | 2021-04-25 | 2021-08-17 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归***和识别方法 |
CN113269197B (zh) * | 2021-04-25 | 2024-03-08 | 南京三百云信息科技有限公司 | 基于语义分割的证件图像顶点坐标回归***和识别方法 |
CN113205523A (zh) * | 2021-04-29 | 2021-08-03 | 浙江大学 | 多尺度表征优化的医学影像分割识别***、终端及存储介质 |
CN113269786B (zh) * | 2021-05-19 | 2022-12-27 | 青岛理工大学 | 基于深度学习和引导滤波的装配体图像分割方法及设备 |
CN113222033A (zh) * | 2021-05-19 | 2021-08-06 | 北京数研科技发展有限公司 | 基于多分类回归模型与自注意力机制的单目图像估计方法 |
CN113269786A (zh) * | 2021-05-19 | 2021-08-17 | 青岛理工大学 | 基于深度学习和引导滤波的装配体图像分割方法及设备 |
CN113191367A (zh) * | 2021-05-25 | 2021-07-30 | 华东师范大学 | 基于密集尺度动态网络的语义分割方法 |
CN113487622B (zh) * | 2021-05-25 | 2023-10-31 | 中国科学院自动化研究所 | 头颈部器官影像分割方法、装置、电子设备和存储介质 |
CN113487622A (zh) * | 2021-05-25 | 2021-10-08 | 中国科学院自动化研究所 | 头颈部器官影像分割方法、装置、电子设备和存储介质 |
CN113450311B (zh) * | 2021-06-01 | 2023-01-13 | 国网河南省电力公司漯河供电公司 | 基于语义分割和空间关系的带销螺丝缺陷检测方法及*** |
CN113450311A (zh) * | 2021-06-01 | 2021-09-28 | 国网河南省电力公司漯河供电公司 | 基于语义分割和空间关系的带销螺丝缺陷检测方法及*** |
CN113468969A (zh) * | 2021-06-03 | 2021-10-01 | 江苏大学 | 一种基于改进单目深度估计的混叠电子元器件空间表达方法 |
CN113468969B (zh) * | 2021-06-03 | 2024-05-14 | 江苏大学 | 一种基于改进单目深度估计的混叠电子元器件空间表达方法 |
CN113421269A (zh) * | 2021-06-09 | 2021-09-21 | 南京瑞易智能科技有限公司 | 一种基于双分支深度卷积神经网络的实时语义分割方法 |
CN113421269B (zh) * | 2021-06-09 | 2024-06-07 | 南京瑞易智能科技有限公司 | 一种基于双分支深度卷积神经网络的实时语义分割方法 |
CN113280820A (zh) * | 2021-06-09 | 2021-08-20 | 华南农业大学 | 基于神经网络的果园视觉导航路径提取方法与*** |
CN113280820B (zh) * | 2021-06-09 | 2022-11-29 | 华南农业大学 | 基于神经网络的果园视觉导航路径提取方法与*** |
CN113592894B (zh) * | 2021-08-29 | 2024-02-02 | 浙江工业大学 | 一种基于边界框和同现特征预测的图像分割方法 |
CN113592894A (zh) * | 2021-08-29 | 2021-11-02 | 浙江工业大学 | 一种基于边界框和同现特征预测的图像分割方法 |
CN114005123B (zh) * | 2021-10-11 | 2024-05-24 | 北京大学 | 一种印刷体文本版面数字化重建***及方法 |
CN114005123A (zh) * | 2021-10-11 | 2022-02-01 | 北京大学 | 一种印刷体文本版面数字化重建***及方法 |
CN114882212A (zh) * | 2022-03-23 | 2022-08-09 | 上海人工智能创新中心 | 一种基于先验结构的语义分割方法及装置 |
CN114882212B (zh) * | 2022-03-23 | 2024-06-04 | 上海人工智能创新中心 | 一种基于先验结构的语义分割方法及装置 |
CN114913189A (zh) * | 2022-05-31 | 2022-08-16 | 东北大学 | 基于深度神经网络的煤矸石图像分割方法、装置及设备 |
CN115049603A (zh) * | 2022-06-07 | 2022-09-13 | 安徽大学 | 一种基于小样本学习的肠息肉分割方法及*** |
CN115049603B (zh) * | 2022-06-07 | 2024-06-07 | 安徽大学 | 一种基于小样本学习的肠息肉分割方法及*** |
CN115631127A (zh) * | 2022-08-15 | 2023-01-20 | 无锡东如科技有限公司 | 一种工业缺陷检测的图像分割方法 |
CN115631127B (zh) * | 2022-08-15 | 2023-09-19 | 无锡东如科技有限公司 | 一种工业缺陷检测的图像分割方法 |
CN115423810A (zh) * | 2022-11-04 | 2022-12-02 | 国网江西省电力有限公司电力科学研究院 | 一种风力发电机组叶片覆冰形态分析方法 |
CN116188479A (zh) * | 2023-02-21 | 2023-05-30 | 北京长木谷医疗科技有限公司 | 基于深度学习的髋关节图像分割方法及*** |
CN116188479B (zh) * | 2023-02-21 | 2024-04-02 | 北京长木谷医疗科技股份有限公司 | 基于深度学习的髋关节图像分割方法及*** |
CN115861323A (zh) * | 2023-02-28 | 2023-03-28 | 泉州装备制造研究所 | 基于精细化分割网络的皮革缺陷检测方法 |
CN117351520A (zh) * | 2023-10-31 | 2024-01-05 | 广州恒沙数字科技有限公司 | 基于生成网络的前背景图像混合生成方法及*** |
CN117351520B (zh) * | 2023-10-31 | 2024-06-11 | 广州恒沙数字科技有限公司 | 基于生成网络的前背景图像混合生成方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109711413B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711413A (zh) | 基于深度学习的图像语义分割方法 | |
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
Remez et al. | Learning to segment via cut-and-paste | |
CN106157319B (zh) | 基于卷积神经网络的区域和像素级融合的显著性检测方法 | |
CN112308860B (zh) | 基于自监督学习的对地观测图像语义分割方法 | |
CN109446970A (zh) | 一种基于深度学习的变电站巡检机器人道路场景识别方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN108288075A (zh) | 一种改进ssd的轻量化小目标检测方法 | |
CN103530619B (zh) | 基于rgb-d数据构成的少量训练样本的手势识别方法 | |
CN109446992A (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
CN110348376A (zh) | 一种基于神经网络的行人实时检测方法 | |
CN107833183A (zh) | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 | |
CN112784736B (zh) | 一种多模态特征融合的人物交互行为识别方法 | |
CN108334830A (zh) | 一种基于目标语义和深度外观特征融合的场景识别方法 | |
CN106909887A (zh) | 一种基于cnn和svm的动作识别方法 | |
CN110276402A (zh) | 一种基于深度学习语义边界增强的盐体识别方法 | |
CN113673338B (zh) | 自然场景文本图像字符像素弱监督自动标注方法、***及介质 | |
CN109558862A (zh) | 基于空间感知的注意力细化框架的人群计数方法及*** | |
CN113379771B (zh) | 带有边缘约束的层次化人体解析语义分割方法 | |
CN114187450A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
CN108053420A (zh) | 一种基于有限时空分辨率类无关属性动态场景的分割方法 | |
CN110517270B (zh) | 一种基于超像素深度网络的室内场景语义分割方法 | |
CN112200029B (zh) | 基于改进型UNet++网络的遥感图像建筑物提取方法 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 |
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 |