CN109902748A - 一种基于多层信息融合全卷积神经网络的图像语义分割方法 - Google Patents
一种基于多层信息融合全卷积神经网络的图像语义分割方法 Download PDFInfo
- Publication number
- CN109902748A CN109902748A CN201910158827.8A CN201910158827A CN109902748A CN 109902748 A CN109902748 A CN 109902748A CN 201910158827 A CN201910158827 A CN 201910158827A CN 109902748 A CN109902748 A CN 109902748A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- semantic
- characteristic
- neural networks
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多层信息融合全卷积神经网络的图像语义分割方法,包括以下步骤:构建基于多信息融合的全卷积神经网络;对数据集的训练图片进行预处理,并将预处理结果输入神经网络中进行训练,得到图像语义分割模型;将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。通过使用卷积神经网络模型提取图像的基础深度特征,将特征分为低层特征和高层特征,并将低层特征和高层特征融合成增强型的深度特征,能够有效解决图像语义分割准确率低,图像空间细节信息丢失的问题,最终得到较好的图像语义分割结果。
Description
技术领域
本发明属于图像语义分割技术领域,具体涉及一种基于多层信息融合全卷积神经网络的图像语义分割方法。
背景技术
深度卷积神经网络将计算机视觉***的性能推到了新的高度。图像语义分割是计算机视觉的重要任务之一,对后续的计算机视觉任务具有至关重要的作用,例如无人驾驶视频分析中道路和非道路场景的区分。图像语义分割一般建模为像素级别的多分类问题,其目标是将图像的每一像素区分为预定义的多个类别之一。
尽管图像语义分割方法目前已经有了快速的发展,但是,因为它的复杂性,仍然有很多问题有待解决。图像语义分割的挑战性主要体现在:(1)物体层次的不确定性,这是因为图像的明亮程度、模糊程度、图像中物体的大小及方向等诸多因素的影响;(2)物体类别层次的模糊性,同一个物种的不同类别,也不好分别开。为了减少不确定性和模糊性等外界因素的影响,充分利用图像中的信息(如图像像素值,从中可以提出许多特征,如颜色特征、图像中像素、物体之间的联系等上下文信息),获得更好的特征表示,是一个重要的方法。为了提高图像语义分割的准确性,人们也一直在努力使用先进的算法。因此,对图像语义分割算法进行进一步的研究仍然具有非常重大的实际意义。
早期的图像语义分割利用手工标注特征,如方向梯度直方图HOG和尺度不变特征转换SIFT。基于机器学习的方法从最简单的像素级别阈值法、基于像素聚类的分割方法到基于图论划分的分割方法。这些方法过于依赖手工标注的特征库,难以广泛表示图像特征,在实际应用中有很大的局限性。近年来,卷积神经网络(CNN)的发展,使计算机视觉任务中的许多问题得到了巨大的突破。由于深度卷积网络可以从大量样本数据中提取出图像的特征,比手工标注特征更好,在图像分类和目标检测等高层计算机视觉任务上获得了巨大的成功,因此,如何利用深度学习技术以提高图像语义分割性能是目前迫切需要解决的问题。
发明内容
本发明的目的在于设计一种基于多层信息融合全卷积神经网络的图像语义分割方法,以解决现有技术中图像分割准确率较低的问题。
本发明的技术方案如下:
一种基于多层信息融合全卷积神经网络的图像语义分割方法,包括以下步骤:
S1、构建基于多层信息融合的全卷积神经网络;
S2、对数据集的训练图片进行预处理,并将预处理结果输入神经网络中进行训练,得到图像语义分割模型;
S3、将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。
进一步地,所述步骤S1中,所述深度神经网络包括顺次连接的特征提取模块和特征融合模块;
所述特征提取模块是经过修改的VGG19网络,去掉原来VGG19网络模型的全连接层,仅保留卷积层。
所述的特征融合模块的结构设计如下,在conv5后添加一个上采样层(双线性插值),将conv5输出的特征图上采样到与conv4输出的特征图相同大小,并与conv4输出的特征图融合为fuse1,将fuse1上采样到与conv3输出的特征图相同大小,并与conv3输出的特征图融合为fuse2,最后将conv5输出的特征图、fuse1和fuse2上采样到与输入图像相同大小,并进行融合。
进一步地,所述的特征提取模块使用VGG19网络提取图像的基础深度特征,同时根据卷积的深度将特征分为低层特征和高层特征,所述的低层特征由纹理、边缘的局部特征组成,所述的高层特征包括语义信息的全局特征。
进一步地,所述的特征融合模块是将低层特征和高层特征合成增强型的深度特征。
进一步地,所述步骤S2中,对深度神经网络训练的过程具体为:
首先,采用Xavier方法对深度神经网络模型参数进行初始化;
然后,将经过预处理的图像作为训练数据,以批处理的方式输入到初始化后的深度神经网络中,采用分类交叉熵损失函数作为目标函数,随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练:
所述分类交叉熵损失函数定义如下:
其中,Y'是分割标签概率向量,Y是标签预测概率向量,C是像素类别数,S是图像像素的个数,log(.)是求自然对数,B是批大小;
所述的随机梯度下降法优化目标函数:
mt=μ*mt-1-ηtgt
θt=θt-1+mt
其中,下标t是迭代次数,θ是网络模型参数,L(θt-1)是当使用θt-1为网络参数时的损失函数,gt、mt、μ分别是梯度、动量和动量系数,η是学习率;
所述多项式学习策略中,学习率η设置为
式中,η0为初始学习率,t为当前迭代次数,total_t为迭代总次数,上标power为多项式的幂。
本发明通过使用卷积神经网络模型提取图像的基础深度特征,将特征分为低层特征和高层特征,并将低层特征和高层特征融合成增强型的深度特征,能够有效解决图像语义分割准确率低,图像空间细节信息丢失的问题,最终得到较好的图像语义分割结果。
附图说明
图1为本发明提供的实施例中基于多层信息融合全局卷积神经网络地图像语义分割方法流程图;
图2为本发明提供的实施例中基于多层信息融合全局卷积神经网络地图像语义分割网络模型结构图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,一种基于多层信息融合全局卷积神经网络地图像语义分割方法,包括以下步骤:
S1、构建基于多层信息融合的全卷积神经网络;
如图2所示,上述步骤S1中,深度神经网络包括顺次连接的特征提取模块和特征融合模块;
特征提取模块是经过修改的VGG19网络,去掉原来VGG19网络模型的全连接层,仅保留卷积层,特征提取模块包括顺次连接的5个卷积模块,分别为conv1、conv2、conv3、conv4和conv5。输入图像依次经过5个卷积模块,输出的特征图的尺寸是输入图像的1/2、1/4、1/8、1/16和1/32,conv1、conv2、conv3和conv4输出的特征为低层特征,conv5输出的特征为高层特征。
特征融合模块的结构设计如下,在conv5后添加一个上采样层(双线性插值),将conv5输出的特征图上采样到与conv4输出的特征图相同大小,并与conv4输出的特征图融合为fuse1,将fuse1上采样到与conv3输出的特征图相同大小,并与conv3输出的特征图融合为fuse2,最后将conv5输出的特征图、fuse1和fuse2上采样到与输入图像相同大小,并进行融合。
S2、对数据集的训练图片进行预处理,并将预处理结果输入神经网络中进行训练,得到图像语义分割模型;
以VOC2012数据集的21类(其中一类为背景)场景类别为基准,采集COCO数据集中包含上述20类类别目标的图像加入数据集,最终得到训练数据集和测试数据集。为提高深度神经网络的泛化性能,将数据集的训练数据裁剪为224*224的固定尺寸,并采用随机翻转图像,在0.5到2倍之间随机缩放图像;使用随机尺度缩放、随机宽高比调整和随机旋转来做数据扩增。
上述对深度神经网络训练的过程具体为:
首先,采用Xavier方法对深度神经网络模型参数进行初始化;
然后,将经过预处理的图像作为训练数据,以批处理的方式输入到初始化后的深度神经网络中,采用分类交叉熵损失函数作为目标函数,随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练:
所述分类交叉熵损失函数定义如下:
其中,Y'是分割标签概率向量,Y是标签预测概率向量,C是像素类别数,S是图像像素的个数,log(.)是求自然对数,B是批大小;
所述的随机梯度下降法优化目标函数:
mt=μ*mt-1-ηtgt
θt=θt-1+mt
其中,下标t是迭代次数,θ是网络模型参数,L(θt-1)是当使用θt-1为网络参数时的损失函数,gt、mt、μ分别是梯度、动量和动量系数,η是学习率;
所述多项式学习策略中,学习率η设置为
式中,η0为初始学习率,t为当前迭代次数,total_t为迭代总次数,上标power为多项式的幂。
S3、将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。
本发明的有益效果为:通过使用卷积神经网络模型提取图像的基础深度特征,将特征分为低层特征和高层特征,并将低层特征和高层特征融合成增强型的深度特征,能够有效解决图像语义分割准确率低,图像空间细节信息丢失的问题,最终得到较好的图像语义分割结果。
Claims (5)
1.一种基于多层信息融合全卷积神经网络的图像语义分割方法,其特征在于,包括以下步骤:
S1、构建基于多层信息融合的全卷积神经网络;
S2、对数据集的训练图片进行预处理,并将预处理结果输入神经网络中进行训练,得到图像语义分割模型;
S3、将待测试的图像输入图像语义分割模型,进行一次前向传播,端到端的输出语义分割结果。
2.根据权利要求1所述的基于多层信息融合全卷积神经网络的图像语义分割方法,其特征在于,所述步骤S1中,所述深度神经网络包括顺次连接的特征提取模块和特征融合模块;
所述特征提取模块是经过修改的VGG19网络,去掉原来VGG19网络模型的全连接层,仅保留卷积层;
所述的特征融合模块的结构设计如下,在conv5后添加一个上采样层(双线性插值),将conv5输出的特征图上采样到与conv4输出的特征图相同大小,并与conv4输出的特征图融合为fuse1,将fuse1上采样到与conv3输出的特征图相同大小,并与conv3输出的特征图融合为fuse2,最后将conv5输出的特征图、fuse1和fuse2上采样到与输入图像相同大小,并进行融合。
3.根据权利要求2所述的基于多层信息融合全卷积神经网络的图像语义分割方法,其特征在于,所述的特征提取模块使用VGG19网络提取图像的基础深度特征,同时根据卷积的深度将特征分为低层特征和高层特征,所述的低层特征由纹理、边缘的局部特征组成,所述的高层特征包括语义信息的全局特征。
4.根据权利要求2所述的基于多层信息融合全卷积神经网络的图像语义分割方法,其特征在于,所述的特征融合模块是将低层特征和高层特征合成增强型的深度特征。
5.根据权利要求1所述的基于多层信息融合全卷积神经网络的图像语义分割方法,其特征在于,所述步骤S2中,对深度神经网络训练的过程具体为:
首先,采用Xavier方法对深度神经网络模型参数进行初始化;
然后,将经过预处理的图像作为训练数据,以批处理的方式输入到初始化后的深度神经网络中,采用分类交叉熵损失函数作为目标函数,随机梯度下降法进行误差反向传播,采用多项式学习策略,对深度神经网络进行训练:
所述分类交叉熵损失函数定义如下:
其中,Y’是分割标签概率向量,Y是标签预测概率向量,C是像素类别数,S是图像像素的个数,log(.)是求自然对数,B是批大小;
所述的随机梯度下降法优化目标函数:
mt=μ*mt_1-ηtgt
θt=θt-1+mt
其中,下标t是迭代次数,θ是网络模型参数,L(θt_1)是当使用θt-1为网络参数时的损失函数,gt、mt、μ分别是梯度、动量和动量系数,η是学习率;
所述多项式学习策略中,学习率η设置为
式中,η0为初始学习率,t为当前迭代次数,total_t为迭代总次数,上标power为多项式的幂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158827.8A CN109902748A (zh) | 2019-03-04 | 2019-03-04 | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158827.8A CN109902748A (zh) | 2019-03-04 | 2019-03-04 | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109902748A true CN109902748A (zh) | 2019-06-18 |
Family
ID=66946044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910158827.8A Pending CN109902748A (zh) | 2019-03-04 | 2019-03-04 | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902748A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428009A (zh) * | 2019-08-02 | 2019-11-08 | 南京航空航天大学 | 一种全卷积神经网络及相应的细观结构识别方法 |
CN110443805A (zh) * | 2019-07-09 | 2019-11-12 | 浙江大学 | 一种基于像素密切度的语义分割方法 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN110619334A (zh) * | 2019-09-16 | 2019-12-27 | Oppo广东移动通信有限公司 | 基于深度学习的人像分割方法、架构及相关装置 |
CN110782469A (zh) * | 2019-10-25 | 2020-02-11 | 北京达佳互联信息技术有限公司 | 一种视频帧图像分割方法、装置、电子设备及存储介质 |
CN110827238A (zh) * | 2019-09-29 | 2020-02-21 | 哈尔滨工程大学 | 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法 |
CN110827318A (zh) * | 2019-10-18 | 2020-02-21 | 天津大学 | 一种基于多层语义特征与多响应图融合的目标跟踪方法 |
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 |
CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及*** |
CN111046920A (zh) * | 2019-11-22 | 2020-04-21 | 中国科学院计算技术研究所 | 一种训练食品图像分类模型的方法及图像分类方法 |
CN111091178A (zh) * | 2019-11-22 | 2020-05-01 | 国网山西省电力公司大同供电公司 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
CN111161317A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多重网络的单目标跟踪方法 |
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 |
CN111161340A (zh) * | 2019-12-02 | 2020-05-15 | 上海交通大学 | 基于深度特征提取的图像重定向方法及***、终端 |
CN111179269A (zh) * | 2019-11-11 | 2020-05-19 | 浙江工业大学 | 一种基于多视图和3维卷积融合策略的pet图像分割方法 |
CN111242288A (zh) * | 2020-01-16 | 2020-06-05 | 浙江工业大学 | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 |
CN111444914A (zh) * | 2020-03-23 | 2020-07-24 | 复旦大学 | 一种基于PU-Learning的图像语义分割方法 |
CN111443096A (zh) * | 2020-04-03 | 2020-07-24 | 联觉(深圳)科技有限公司 | 印刷电路板的缺陷检测方法、***、电子装置及存储介质 |
CN111539435A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 语义分割模型构建方法及图像分割方法、设备、存储介质 |
CN111582442A (zh) * | 2020-04-17 | 2020-08-25 | 中国科学院微电子研究所 | 一种基于优化深度神经网络模型的图像识别方法 |
CN111723815A (zh) * | 2020-06-23 | 2020-09-29 | 中国工商银行股份有限公司 | 模型训练方法、图像处理方法、装置、计算机***和介质 |
CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN111881958A (zh) * | 2020-07-17 | 2020-11-03 | 上海东普信息科技有限公司 | 车牌分类识别方法、装置、设备及存储介质 |
CN112257796A (zh) * | 2020-10-28 | 2021-01-22 | 辽宁工程技术大学 | 一种基于选择性特征连接的卷积神经网络的图像整合方法 |
CN112418228A (zh) * | 2020-11-02 | 2021-02-26 | 暨南大学 | 一种基于多种特征融合的图像语义分割方法 |
CN112465700A (zh) * | 2020-11-26 | 2021-03-09 | 北京航空航天大学 | 一种基于深度聚类的图像拼接定位装置及方法 |
CN112561910A (zh) * | 2020-12-28 | 2021-03-26 | 中山大学 | 一种基于多尺度特征融合的工业表面缺陷检测方法 |
CN112785610A (zh) * | 2021-01-14 | 2021-05-11 | 华南理工大学 | 一种融合低层特征的车道线语义分割方法 |
CN113435119A (zh) * | 2021-06-29 | 2021-09-24 | 北京华云星地通科技有限公司 | 一种全球海洋表面亮温确定方法及*** |
CN113537396A (zh) * | 2021-08-10 | 2021-10-22 | 北京天时行智能科技有限公司 | 一种基于门控机制的特征融合方法和目标检测网络 |
CN113724181A (zh) * | 2020-05-21 | 2021-11-30 | 国网智能科技股份有限公司 | 一种输电线路螺栓语义分割方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097355A (zh) * | 2016-06-14 | 2016-11-09 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN108492297A (zh) * | 2017-12-25 | 2018-09-04 | 重庆理工大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
-
2019
- 2019-03-04 CN CN201910158827.8A patent/CN109902748A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097355A (zh) * | 2016-06-14 | 2016-11-09 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN108492297A (zh) * | 2017-12-25 | 2018-09-04 | 重庆理工大学 | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 |
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
Non-Patent Citations (1)
Title |
---|
JONATHAN LONG等: ""Fully Convolutional Networks for Semantic Segmentation"", 《ARXIV》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443805A (zh) * | 2019-07-09 | 2019-11-12 | 浙江大学 | 一种基于像素密切度的语义分割方法 |
CN110428009B (zh) * | 2019-08-02 | 2020-06-16 | 南京航空航天大学 | 一种全卷积神经网络及相应的细观结构识别方法 |
CN110428009A (zh) * | 2019-08-02 | 2019-11-08 | 南京航空航天大学 | 一种全卷积神经网络及相应的细观结构识别方法 |
CN110609320A (zh) * | 2019-08-28 | 2019-12-24 | 电子科技大学 | 一种基于多尺度特征融合的叠前地震反射模式识别方法 |
CN110619334A (zh) * | 2019-09-16 | 2019-12-27 | Oppo广东移动通信有限公司 | 基于深度学习的人像分割方法、架构及相关装置 |
CN110619334B (zh) * | 2019-09-16 | 2022-09-06 | Oppo广东移动通信有限公司 | 基于深度学习的人像分割方法、架构及相关装置 |
CN110827238B (zh) * | 2019-09-29 | 2023-07-21 | 哈尔滨工程大学 | 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法 |
CN110827238A (zh) * | 2019-09-29 | 2020-02-21 | 哈尔滨工程大学 | 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法 |
CN110827318A (zh) * | 2019-10-18 | 2020-02-21 | 天津大学 | 一种基于多层语义特征与多响应图融合的目标跟踪方法 |
CN110782469A (zh) * | 2019-10-25 | 2020-02-11 | 北京达佳互联信息技术有限公司 | 一种视频帧图像分割方法、装置、电子设备及存储介质 |
CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及*** |
CN110956092B (zh) * | 2019-11-06 | 2023-05-12 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及*** |
CN111179269B (zh) * | 2019-11-11 | 2023-07-11 | 浙江工业大学 | 一种基于多视图和三维卷积融合策略的pet图像分割方法 |
CN111179269A (zh) * | 2019-11-11 | 2020-05-19 | 浙江工业大学 | 一种基于多视图和3维卷积融合策略的pet图像分割方法 |
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 |
CN111091178A (zh) * | 2019-11-22 | 2020-05-01 | 国网山西省电力公司大同供电公司 | 一种基于卷积神经网络的瓷瓶裂缝识别方法 |
CN111046920A (zh) * | 2019-11-22 | 2020-04-21 | 中国科学院计算技术研究所 | 一种训练食品图像分类模型的方法及图像分类方法 |
CN111161340A (zh) * | 2019-12-02 | 2020-05-15 | 上海交通大学 | 基于深度特征提取的图像重定向方法及***、终端 |
CN111161340B (zh) * | 2019-12-02 | 2023-06-02 | 上海交通大学 | 基于深度特征提取的图像重定向方法及***、终端 |
CN111161317A (zh) * | 2019-12-30 | 2020-05-15 | 北京工业大学 | 一种基于多重网络的单目标跟踪方法 |
CN111160311B (zh) * | 2020-01-02 | 2022-05-17 | 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 |
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 |
CN111242288A (zh) * | 2020-01-16 | 2020-06-05 | 浙江工业大学 | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 |
CN111242288B (zh) * | 2020-01-16 | 2023-06-27 | 浙江工业大学 | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 |
CN111444914A (zh) * | 2020-03-23 | 2020-07-24 | 复旦大学 | 一种基于PU-Learning的图像语义分割方法 |
CN111443096B (zh) * | 2020-04-03 | 2023-05-30 | 联觉(深圳)科技有限公司 | 印刷电路板的缺陷检测方法、***、电子装置及存储介质 |
CN111443096A (zh) * | 2020-04-03 | 2020-07-24 | 联觉(深圳)科技有限公司 | 印刷电路板的缺陷检测方法、***、电子装置及存储介质 |
CN111539435A (zh) * | 2020-04-15 | 2020-08-14 | 创新奇智(合肥)科技有限公司 | 语义分割模型构建方法及图像分割方法、设备、存储介质 |
CN111582442A (zh) * | 2020-04-17 | 2020-08-25 | 中国科学院微电子研究所 | 一种基于优化深度神经网络模型的图像识别方法 |
CN113724181A (zh) * | 2020-05-21 | 2021-11-30 | 国网智能科技股份有限公司 | 一种输电线路螺栓语义分割方法及*** |
CN111783942A (zh) * | 2020-06-08 | 2020-10-16 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN111783942B (zh) * | 2020-06-08 | 2023-08-01 | 北京航天自动控制研究所 | 一种基于卷积循环神经网络的脑认知过程模拟方法 |
CN111723815A (zh) * | 2020-06-23 | 2020-09-29 | 中国工商银行股份有限公司 | 模型训练方法、图像处理方法、装置、计算机***和介质 |
CN111881958A (zh) * | 2020-07-17 | 2020-11-03 | 上海东普信息科技有限公司 | 车牌分类识别方法、装置、设备及存储介质 |
CN111881958B (zh) * | 2020-07-17 | 2024-01-19 | 上海东普信息科技有限公司 | 车牌分类识别方法、装置、设备及存储介质 |
CN112257796A (zh) * | 2020-10-28 | 2021-01-22 | 辽宁工程技术大学 | 一种基于选择性特征连接的卷积神经网络的图像整合方法 |
CN112418228A (zh) * | 2020-11-02 | 2021-02-26 | 暨南大学 | 一种基于多种特征融合的图像语义分割方法 |
CN112418228B (zh) * | 2020-11-02 | 2023-07-21 | 暨南大学 | 一种基于多种特征融合的图像语义分割方法 |
CN112465700A (zh) * | 2020-11-26 | 2021-03-09 | 北京航空航天大学 | 一种基于深度聚类的图像拼接定位装置及方法 |
CN112465700B (zh) * | 2020-11-26 | 2022-04-26 | 北京航空航天大学 | 一种基于深度聚类的图像拼接定位装置及方法 |
CN112561910A (zh) * | 2020-12-28 | 2021-03-26 | 中山大学 | 一种基于多尺度特征融合的工业表面缺陷检测方法 |
CN112561910B (zh) * | 2020-12-28 | 2023-10-20 | 中山大学 | 一种基于多尺度特征融合的工业表面缺陷检测方法 |
CN112785610A (zh) * | 2021-01-14 | 2021-05-11 | 华南理工大学 | 一种融合低层特征的车道线语义分割方法 |
CN112785610B (zh) * | 2021-01-14 | 2023-05-23 | 华南理工大学 | 一种融合低层特征的车道线语义分割方法 |
CN113435119A (zh) * | 2021-06-29 | 2021-09-24 | 北京华云星地通科技有限公司 | 一种全球海洋表面亮温确定方法及*** |
CN113537396A (zh) * | 2021-08-10 | 2021-10-22 | 北京天时行智能科技有限公司 | 一种基于门控机制的特征融合方法和目标检测网络 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902748A (zh) | 一种基于多层信息融合全卷积神经网络的图像语义分割方法 | |
CN111858954B (zh) | 面向任务的文本生成图像网络模型 | |
CN110956185B (zh) | 一种图像显著目标的检测方法 | |
CN111461258B (zh) | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 | |
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
CN109726657B (zh) | 一种深度学习场景文本序列识别方法 | |
CN108876796A (zh) | 一种基于全卷积神经网络和条件随机场的道路分割***及方法 | |
AU2019213369A1 (en) | Non-local memory network for semi-supervised video object segmentation | |
CN113888744A (zh) | 一种基于Transformer视觉上采样模块的图像语义分割方法 | |
CN110796026A (zh) | 一种基于全局特征拼接的行人重识别方法 | |
CN109657551B (zh) | 一种基于上下文信息增强的人脸检测方法 | |
CN106023145A (zh) | 基于超像素标注的遥感图像的分割与识别方法 | |
CN110399895A (zh) | 图像识别的方法和装置 | |
CN113780149A (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
Ke et al. | Video mask transfiner for high-quality video instance segmentation | |
CN113256649B (zh) | 一种基于深度学习的遥感图像选站选线语义分割方法 | |
CN109033144B (zh) | 基于草图的三维模型检索方法 | |
CN113269224A (zh) | 一种场景图像分类方法、***及存储介质 | |
CN111353544A (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
CN114005085A (zh) | 一种视频中密集人群分布检测与计数方法 | |
CN110781980A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
Zhang et al. | Learning to detect salient object with multi-source weak supervision | |
CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及*** | |
Xia et al. | Urban remote sensing scene recognition based on lightweight convolution neural network |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190618 |