CN110136141B - 一种面向复杂环境的图像语义分割方法及装置 - Google Patents
一种面向复杂环境的图像语义分割方法及装置 Download PDFInfo
- Publication number
- CN110136141B CN110136141B CN201910333809.9A CN201910333809A CN110136141B CN 110136141 B CN110136141 B CN 110136141B CN 201910333809 A CN201910333809 A CN 201910333809A CN 110136141 B CN110136141 B CN 110136141B
- Authority
- CN
- China
- Prior art keywords
- convolution
- network
- features
- image
- semantic segmentation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉技术领域,具体涉及一种面向复杂环境的图像语义分割方法及装置,首先将微调的VGG16卷积神经网络生成基础网络,通过所述基础网络提取训练图像的初步特征;进而将隐藏层卷积特征模块和VGG16卷积神经网络的每一个卷积层进行连接,生成高层语义特征;并通过空洞卷积方法将所述初步特征输入到金字塔结构的空洞卷积中,得到细粒度低层特征;然后将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;通过设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;最后将测试图像输入所述语义分割网络,生成测试图像的语义分割结果,本发明能解决现有方法在复杂环境下分割边界模糊的缺点,能够产生高分辨率的预测图像,提高在复杂环境下的图像语义分割方法的性能。
Description
技术领域
本发明属于计算机视觉技术领域,具体涉及一种面向复杂环境的图像语义分割方法及装置。
背景技术
图像语义分割是指按照图像中每个像素点所表达的语义内容对其进行分类的图像分割方法,它是场景理解的基础性技术,可在像素级别对物体进行定位识别,对智能驾驶、机器人认知层面的自主导航、无人机着陆***以及智慧安防监控等无人***具有至关重要的作用,直接关系到无人***对场景理解的准确度。
由于无人***在面对非结构化复杂环境时,传统语义分割方法的场景理解能力及工作效率表现欠佳,因此近年来面向复杂环境的语义分割问题成为研究的热点,并取得了一系列显著的成果。尤其是卷积神经网络的出现,使得图像语义分割领域取得了可喜的进展,从模型结构、损失函数、效率等不同角度提高了语义分割精度问题。但是面对复杂的真实环境所具备的非结构化、目标多样化、形状不规则化以及物体遮挡等各种因素,都给现有的图像语义分割精度带来了极大的挑战。
发明内容
本发明的目的在于提供一种面向复杂环境的图像语义分割方法及装置,以解决现有方法在复杂环境下分割边界模糊的缺点,提高在复杂环境下的图像语义分割方法的性能。
为实现上述目的,本发明提供了如下方案:
一种面向复杂环境的图像语义分割方法,包括以下步骤:
步骤S100、将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征,所述VGG16卷积神经网络中的卷积层分为5个阶段;
步骤S200、使用隐藏层卷积特征模块处理所述基础网络中前4阶段卷积层得到的初步特征,生成高层语义特征;
步骤S300、通过金字塔结构的空洞卷积处理所述基础网络中最末层卷积得到的初步特征,得到细粒度低层特征;
步骤S400、将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;
步骤S500、设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;
步骤S600、将测试图像输入所述语义分割网络,生成测试图像的语义分割结果。
进一步,在步骤S100中,所述将VGG16卷积神经网络进行修改生成基础网络具体为:
舍弃原始VGG16卷积神经网络中所有的全连接层和最后一个池化层,构建端到端的全卷积网络;
通过所述全卷积网络进行卷积、池化、批量归一化及ReLU操作,得到基础网络中每一个卷积层的特征图,从而提取图像的初步特征。
进一步,所述步骤S200的具体实现方法为:
步骤S210、将所述特征图分别输入到1×1大小的卷积和3×3大小的卷积,获取各个尺度的卷积特征;
步骤S220、将各个尺度的卷积特征进行融合,并进行ReLU操作,得到第一结果;
步骤S230、将所述第一结果输入到1×1大小的卷积中,将输出特征通道数调整到对应的类别数,从而生成高层语义特征。
进一步,所述步骤S300的具体实现方法为:
步骤S310、将所述特征图分别输入两组空洞卷积中,并分别进行批量归一化和ReLU操作,进而分别输入到1×1大小的卷积,将输出特征通道数分别调整到对应的类别数,生成第一特征图和第二特征图;
步骤S320、将所述第一特征图和第二特征图进行卷积、批量归一化、ReLU操作,从而构成金字塔结构;
步骤S330、将所述金字塔结构中的第一特征图和第二特征图进行融合,生成细粒度低层特征。
进一步,在步骤S400中,所述高层语义特征和细粒度低层特征具体通过eltwise层进行加成融合,生成高分辨率特征图。
进一步,在步骤S500中,所述网络训练参数具体设置为:
采用poly学习策略,将初始学习率设置为0.001,将power设置为0.9、将卷积核权重初始值设置为服从均值为0,标准差为0.01的高斯分布,将偏置初始值设置为0,将权重衰减值设置为0.0005,将衰减动量设置为0.9。
一种面向复杂环境的图像语义分割装置,所述装置包括:
提取单元,用于将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征,所述VGG16卷积神经网络中的卷积层分为5个阶段;
高层语义特征单元,用于使用隐藏层卷积特征模块处理所述基础网络中前4阶段卷积层得到的初步特征,生成高层语义特征;
细粒度低层特征单元,用于通过金字塔结构的空洞卷积处理所述基础网络中最末层卷积得到的初步特征,得到细粒度低层特征;
高分辨率特征图单元,用于将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;
语义分割网络单元,用于设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;
语义分割结果单元,用于将测试图像输入所述语义分割网络,生成测试图像的语义分割结果。
本发明的有益效果是:本发明公开一种面向复杂环境的图像语义分割方法及装置,首先将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征;进而使用隐藏层卷积特征模块处理VGG16前4阶段卷积层得到的初步特征,生成高层语义特征;并通过金字塔结构的空洞卷积处理VGG16最末层卷积得到的初步特征,得到细粒度低层特征;然后将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;通过设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;最后将测试图像输入所述语义分割网络,生成测试图像的语义分割结果,本发明能解决现有方法在复杂环境下分割边界模糊的缺点,能够产生高分辨率的预测图像,提高在复杂环境下的图像语义分割方法的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种面向复杂环境的图像语义分割方法的流程示意图;
图2为本发明实施例一种面向复杂环境的图像语义分割装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种面向复杂环境的图像语义分割方法,包括以下步骤:
步骤S100、将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征,所述VGG16卷积神经网络中的卷积层分为5个阶段;
步骤S200、使用隐藏层卷积特征模块处理所述基础网络中前4阶段卷积层得到的初步特征,生成高层语义特征;
步骤S300、通过金字塔结构的空洞卷积处理所述基础网络中最末层卷积得到的初步特征,得到细粒度低层特征;
步骤S400、将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;
步骤S500、设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;
步骤S600、将测试图像输入所述语义分割网络,生成测试图像的语义分割结果。
作为本实施例的优选,在步骤S100中,所述VGG16卷积神经网络具体为:由13个卷积层和3个全连接层串联组成的具有学习能力的神经网络,其中13个卷积层分为5个阶段,第一阶段包含2层3×3大小,输出维度为64的卷积层;第二阶段包含2层3×3大小,输出维度为128的卷积层;第三阶段包含两层3×3大小的卷积层和一层1×1大小的卷积层,其输出维度均为256;第四阶段包含两层3×3大小的卷积层和一层1×1大小的卷积层,其输出维度均为512;第五阶段包含两层3×3大小的卷积层和一层1×1大小的卷积层,其输出维度均为512;每阶段之后均连接有一个最大池化层。
在步骤S100中,所述将VGG16卷积神经网络进行修改生成基础网络具体为:
舍弃原始VGG16卷积神经网络中所有的全连接层和最后一个池化层,构建端到端的全卷积网络;
通过所述全卷积网络进行卷积、池化、批量归一化及ReLU操作,得到基础网络中每一个卷积层的特征图,从而提取图像的初步特征。
在一个或多个实施例中,所述ReLU操作的计算公式为:
f(x)=max(0,x),其中,x为输入,f(x)为输出。
在一个实施例中,所述步骤S200的具体实现方法如下:
步骤S210、将所述特征图分别输入到1×1大小的卷积和3×3大小的卷积,获取各个尺度的卷积特征;
步骤S220、将各个尺度的卷积特征进行融合,并进行ReLU操作,得到第一结果;
步骤S230、将所述第一结果输入到1×1大小的卷积中,将输出特征通道数调整到对应的类别数,从而生成高层语义特征。
在一个实施例中,所述步骤S300的具体实现方法如下:
步骤S310、将所述特征图分别输入两组空洞卷积中,并分别进行批量归一化和ReLU操作,进而分别输入到1×1大小的卷积,将输出特征通道数分别调整到对应的类别数,生成第一特征图和第二特征图;
在一个优选的实施例中,将所述特征图输入到孔洞大小为6的3×3的空洞卷积中,并进行批量归一化和ReLU操作,进而输入到1×1大小的卷积中,将输出特征通道数调整到对应的类别数,生成第一特征图;
将所述特征图输入到孔洞大小为12的3×3的空洞卷积中,并进行批量归一化和ReLU操作,进而输入到1×1大小的卷积中,将输出特征通道数调整到对应的类别数,生成第二特征图;
步骤S320、将所述第一特征图和第二特征图通过卷积、批量归一化、ReLU操作,从而构成金字塔结构;
步骤S330、将所述金字塔结构中的第一特征图和第二特征图进行融合,生成细粒度低层特征。
在一个实施例中,步骤S400中所述的高层语义特征和细粒度低层特征具体通过eltwise层进行加成融合,生成高分辨率特征图。
在一个实施例中,在步骤S500中,所述网络训练参数具体设置为:
采用poly学习策略,将初始学习率设置为0.001,将power设置为0.9、将卷积核权重初始值设置为服从均值为0,标准差为0.01的高斯分布,将偏置初始值设置为0,将权重衰减值设置为0.0005,将衰减动量设置为0.9。
为衡量本实施例中的网络预测性能,验证语义分割结果的准确性,采用以下实验环境运行实施例中的方法:Dell Precision Tower T7920工作站,其配置为CPU:IntelXeon Silver 4114,10核20线程,主频为2.2GHz,内存:64GB,操作***:Ubuntu 16.04 LTS(64位),GPU:NVIDIA Geforce GTX 1080TI,显存:11G。
采用以下步骤进行验证:
步骤S610、将SUN RGB-D数据集中的图片划分为训练图片、验证图片和测试图片;
步骤S620、对划分出来的训练图片进行预处理,具体包括:将图片进行镜像操作和随机裁剪;
步骤S630、利用训练图片和验证图片对网络进行训练,测试图片对网络进行测试,使用像素精度、均像素精度、平均交并比指标衡量网络预测性能。
所述像素精度表示正确的像素占总像素的比例。
所述均像素精度表示像素精度的提升,首先计算每个类内被正确分类像素数的比例,之后求所有类的平均。
所述平均交并比通过计算两个集合的交集和并集之比,在语义分割问题中计算的是真实分割与预测的分割之间的交并比,即真实正例的数量除以真实正例、错误负例、错误正例的总数量。
经实验测试表明:本实施例提供的方法能够产生高分辨率的预测图像,能够保证在SUN RGB-D数据集上的分割效果较大部分方法具有一定提升。
参考图2,本发明实施例还提供一种面向复杂环境的图像语义分割装置,所述装置包括:
提取单元100,用于将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征,所述VGG16卷积神经网络中的卷积层分为5个阶段;
高层语义特征单元200,用于使用隐藏层卷积特征模块处理所述基础网络中前4阶段卷积层得到的初步特征,生成高层语义特征;
细粒度低层特征单元300,用于通过金字塔结构的空洞卷积处理所述基础网络中最末层卷积得到的初步特征,得到细粒度低层特征;
高分辨率特征图单元400,用于将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;
语义分割网络单元500,用于设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;
语义分割结果单元600,用于将测试图像输入所述语义分割网络,生成测试图像的语义分割结果。
本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种面向复杂环境的图像语义分割方法,其特征在于,包括以下步骤:
步骤S100、将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征,所述VGG16卷积神经网络中的卷积层分为5个阶段;
步骤S200、使用隐藏层卷积特征模块处理所述基础网络中前4阶段卷积层得到的初步特征,生成高层语义特征;
步骤S300、通过金字塔结构的空洞卷积处理所述基础网络中最末层卷积得到的初步特征,得到细粒度低层特征;
步骤S400、将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;
步骤S500、设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;
步骤S600、将测试图像输入所述语义分割网络,生成测试图像的语义分割结果;
在步骤S100中,所述将VGG16卷积神经网络进行修改生成基础网络具体为:
舍弃原始VGG16卷积神经网络中所有的全连接层和最后一个池化层,构建端到端的全卷积网络;
通过所述全卷积网络进行卷积、池化、批量归一化及ReLU操作,得到基础网络中每一个卷积层的特征图,从而提取图像的初步特征;
所述步骤S200的具体实现方法为:
步骤S210、将所述特征图分别输入到1×1大小的卷积和3×3大小的卷积,获取各个尺度的卷积特征;
步骤S220、将各个尺度的卷积特征进行融合,并进行ReLU操作,得到第一结果;
步骤S230、将所述第一结果输入到1×1大小的卷积中,将输出特征通道数调整到对应的类别数,从而生成高层语义特征。
2.如权利要求1所述的面向复杂环境的图像语义分割方法,其特征在于,所述步骤S300的具体实现方法为:
步骤S310、将所述特征图分别输入两组空洞卷积中,并分别进行批量归一化和ReLU操作,进而分别输入到1×1大小的卷积,将输出特征通道数分别调整到对应的类别数,生成第一特征图和第二特征图;
步骤S320、将所述第一特征图和第二特征图进行卷积、批量归一化、ReLU操作,从而构成金字塔结构;
步骤S330、将所述金字塔结构中的第一特征图和第二特征图进行融合,生成细粒度低层特征。
3.如权利要求1所述的面向复杂环境的图像语义分割方法,其特征在于,在步骤S400中,所述高层语义特征和细粒度低层特征具体通过eltwise层进行加成融合,生成高分辨率特征图。
4.如权利要求1所述的面向复杂环境的图像语义分割方法,其特征在于,在步骤S500中,所述网络训练参数具体设置为:
采用poly学习策略,将初始学习率设置为0.001,将power设置为0.9、将卷积核权重初始值设置为服从均值为0,标准差为0.01的高斯分布,将偏置初始值设置为0,将权重衰减值设置为0.0005,将衰减动量设置为0.9。
5.一种面向复杂环境的图像语义分割装置,其特征在于,所述装置包括:
提取单元,用于将VGG16卷积神经网络进行修改生成基础网络,通过所述基础网络提取训练图像的初步特征,所述VGG16卷积神经网络中的卷积层分为5个阶段;
高层语义特征单元,用于使用隐藏层卷积特征模块处理所述基础网络中前4阶段卷积层得到的初步特征,生成高层语义特征;
细粒度低层特征单元,用于通过金字塔结构的空洞卷积处理所述基础网络中最末层卷积得到的初步特征,得到细粒度低层特征;
高分辨率特征图单元,用于将所述高层语义特征和细粒度低层特征进行融合,生成高分辨率特征图;
语义分割网络单元,用于设置网络训练参数,以交叉熵损失函数为目标,通过反向传播进行网络训练,从而建立语义分割网络;
语义分割结果单元,用于将测试图像输入所述语义分割网络,生成测试图像的语义分割结果;
所述将VGG16卷积神经网络进行修改生成基础网络具体为:
舍弃原始VGG16卷积神经网络中所有的全连接层和最后一个池化层,构建端到端的全卷积网络;
通过所述全卷积网络进行卷积、池化、批量归一化及ReLU操作,得到基础网络中每一个卷积层的特征图,从而提取图像的初步特征;
所述高层语义特征单元具体用于:
将所述特征图分别输入到1×1大小的卷积和3×3大小的卷积,获取各个尺度的卷积特征;
将各个尺度的卷积特征进行融合,并进行ReLU操作,得到第一结果;
将所述第一结果输入到1×1大小的卷积中,将输出特征通道数调整到对应的类别数,从而生成高层语义特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333809.9A CN110136141B (zh) | 2019-04-24 | 2019-04-24 | 一种面向复杂环境的图像语义分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910333809.9A CN110136141B (zh) | 2019-04-24 | 2019-04-24 | 一种面向复杂环境的图像语义分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136141A CN110136141A (zh) | 2019-08-16 |
CN110136141B true CN110136141B (zh) | 2023-07-11 |
Family
ID=67571100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910333809.9A Active CN110136141B (zh) | 2019-04-24 | 2019-04-24 | 一种面向复杂环境的图像语义分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136141B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079767B (zh) * | 2019-12-22 | 2022-03-22 | 浪潮电子信息产业股份有限公司 | 一种用于分割图像的神经网络模型及其图像分割方法 |
CN111259901A (zh) * | 2020-01-13 | 2020-06-09 | 镇江优瞳智能科技有限公司 | 一种利用空间信息提升语义分割精度的高效方法 |
CN113496158A (zh) * | 2020-03-20 | 2021-10-12 | 中移(上海)信息通信科技有限公司 | 对象检测模型的优化方法、装置、设备及存储介质 |
CN111340139B (zh) * | 2020-03-27 | 2024-03-05 | 中国科学院微电子研究所 | 一种图像内容复杂度的判别方法及装置 |
CN111444923A (zh) * | 2020-04-13 | 2020-07-24 | 中国人民解放军国防科技大学 | 自然场景下图像语义分割方法和装置 |
CN111428739B (zh) * | 2020-04-14 | 2023-08-25 | 图觉(广州)智能科技有限公司 | 一种具备连续学习能力的高精度图像语义分割方法 |
CN112116594B (zh) * | 2020-09-10 | 2023-12-19 | 福建省海峡智汇科技有限公司 | 一种基于语义分割的风飘异物识别方法和装置 |
CN112801104B (zh) * | 2021-01-20 | 2022-01-07 | 吉林大学 | 基于语义分割的图像像素级伪标签确定方法及*** |
CN113657388B (zh) * | 2021-07-09 | 2023-10-31 | 北京科技大学 | 一种融合图像超分辨率重建的图像语义分割方法 |
CN113780297B (zh) * | 2021-09-15 | 2024-03-12 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10068171B2 (en) * | 2015-11-12 | 2018-09-04 | Conduent Business Services, Llc | Multi-layer fusion in a convolutional neural network for image classification |
-
2019
- 2019-04-24 CN CN201910333809.9A patent/CN110136141B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107644426A (zh) * | 2017-10-12 | 2018-01-30 | 中国科学技术大学 | 基于金字塔池化编解码结构的图像语义分割方法 |
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
Non-Patent Citations (3)
Title |
---|
DeepLab: Semantic Image Segmentation withDeep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs;George Papandreou;arxiv;第1-14页 * |
Pyramid Feature Attention Network for Saliency detection;Ting Zhao;arxiv;第1-10页 * |
RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation;Guosheng Lin;arxiv;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110136141A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136141B (zh) | 一种面向复杂环境的图像语义分割方法及装置 | |
CN110335270B (zh) | 基于层级区域特征融合学习的输电线路缺陷检测方法 | |
CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
US20230206603A1 (en) | High-precision point cloud completion method based on deep learning and device thereof | |
Chen et al. | PCB defect detection method based on transformer-YOLO | |
CN111242026B (zh) | 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法 | |
CN116503318A (zh) | 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、***及设备 | |
WO2021169049A1 (zh) | 一种真实场景下玻璃检测的方法 | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、***和电子设备 | |
CN116309313A (zh) | 一种电池表面焊接缺陷检测方法 | |
CN114897857A (zh) | 基于轻量型神经网络的太阳能电池缺陷检测方法 | |
CN115908793A (zh) | 一种基于位置注意力机制的编解码结构语义分割模型 | |
CN117649448A (zh) | 一种隧道工作面渗漏水智能识别和分割方法 | |
CN117252817A (zh) | 一种透明导电薄膜玻璃表面缺陷检测方法及*** | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及*** | |
CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 | |
CN111274894A (zh) | 一种基于改进YOLOv3的人员在岗状态检测方法 | |
Wang et al. | Automated pavement crack detection based on multiscale fully convolutional network | |
CN117553807B (zh) | 基于激光雷达的自动驾驶导航方法及*** | |
CN115272814B (zh) | 一种远距离空间自适应多尺度的小目标检测方法 | |
CN115114860B (zh) | 一种面向混凝土管道损伤识别的数据建模扩增方法 | |
CN112446267B (zh) | 一种适合前端的人脸识别网络的设置方法 | |
CN118154603B (zh) | 基于级联多层特征融合网络的显示屏缺陷检测方法及*** | |
CN117593517B (zh) | 基于互补感知跨视图融合网络的伪装目标检测方法 | |
CN114972373A (zh) | 一种基于视差分割的目标检测方法 |
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 |