CN110378916B - 一种基于多任务深度学习的tbm图像出渣分割方法 - Google Patents
一种基于多任务深度学习的tbm图像出渣分割方法 Download PDFInfo
- Publication number
- CN110378916B CN110378916B CN201910601332.8A CN201910601332A CN110378916B CN 110378916 B CN110378916 B CN 110378916B CN 201910601332 A CN201910601332 A CN 201910601332A CN 110378916 B CN110378916 B CN 110378916B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- data set
- stone
- neural network
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 239000002893 slag Substances 0.000 title claims abstract description 15
- 239000004575 stone Substances 0.000 claims abstract description 113
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000003709 image segmentation Methods 0.000 claims abstract description 47
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012805 post-processing Methods 0.000 claims abstract description 8
- 238000010079 rubber tapping Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 16
- 230000004927 fusion Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- -1 mask Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多任务深度学习的TBM图像出渣分割方法。将原始图像数据集和分割标签数据集送入第一图像分割神经网络中训练；将原始图像数据集和边缘标签数据集送入第二图像分割神经网络中训练；对于待处理的TBM图像分别输入到训练后的两个图像分割神经网络中，获得掩膜，将两个网络的掩膜进行融合，然后再进行反卷积处理而生成分割结果图；进行后处理消除图像上的细小点，生成石块粒径分布图，实现TBM图像出渣分割。本发明引入了石块边缘子任务学习轮廓信息，最后将两个子任务的输出结果做掩膜融合，有效的分离出相互接触的石块，从而增多了检测到的石块数量。相比于单一任务深度学习分割算法，本发明的分割精度和准确度大大提高。
Description
技术领域
本发明涉及一种在TBM***下的图像出渣分割方法，特别涉及一种基于多任务深度学习的TBM图像出渣分割方法。
背景技术
隧道掘进机(Tunnel Boring Machine，简称TBM)，是一个庞大的***，有许多的参数，为了让***稳定需要提前知道一些TBM参数从而对***进行调整。在出渣任务中，产出的石块大小可以有效地反应当前TBM的状态，石块太大了反映TBM速度太快，石块太小了反映在TBM中有能量过剩。因此通过检测石块粒径的分布，就可以对TBM***的调节带来显著指导意义。
在出渣任务中，所获取的图像如图1，由于光线很差，图像上的阴影非常多，并且由于石块的数量很庞大，没有办法分割出所有的石块，只能分割出图像中显著的石块，并且石块之间的间隙过小，传统的分割算法和单任务深度学习方法不能很好的把石块边缘信息提取出来。本发明提出的多任务深度学习方法，石块分割任务用于分割出显著石块的位置信息，石块边缘任务用于提取出石块的轮廓信息，把两个任务生成的掩膜进行融合，得到更准确的预测结果，获取更准确的石块粒径大小分布。
发明内容
为了解决背景技术中存在的问题，本发明主要提供了一种基于多任务深度学习的TBM图像出渣分割方法。
本发明方法分为两个任务，石块分割任务用于分割出显著石块的位置信息，石块边缘任务用于提取显著石块的轮廓信息，并且将两个任务掩膜进行融合，得到更加准确的预测结果，获取更准确的石块粒径大小分布。
本发明所采用的技术方案如下：
(1)处理获得原始图像数据集、分割标签数据集和边缘标签数据集；
(2)将原始图像数据集和分割标签数据集送入第一图像分割神经网络中训练；
(3)将原始图像数据集和边缘标签数据集送入第二图像分割神经网络中训练；
(4)对于待处理的TBM图像分别输入到训练后的第一图像分割神经网络和第二图像分割神经网络中，不直接输出网络的结果，而是获得第一图像分割神经网络和第二图像分割神经网络中间步骤得到的掩膜，将两个网络的掩膜进行融合，然后再进行反卷积处理而生成分割结果图；
(5)进行后处理消除图像上的细小点，在生成的石块分割结果图上统计石块数量，再生成石块粒径分布图，实现最终的TBM图像出渣分割。
所述步骤(1)中，原始图像数据集为由通过相机拍摄采集的一系列原始TBM***渣土图像组成的图像数据集；所述的分割标签数据集为二值化的已经被标注出石块目标的图像区域的TBM***渣土图像，其中石块目标的图像区域被赋值为白色，石块图像区域以外被赋值为黑色；所述的边缘标签数据集由分割标签数据集生成，将分割标签数据集中每一幅图像采用轮廓提取算法提取获得轮廓，再通过膨胀操作处理，生成边缘标签图像，其中石块的轮廓线被赋值为白色，石块的轮廓线以外均被赋值为黑色。
所述步骤(2)中，所述的第一图像分割神经网络为全卷积网络，输入原始图像数据集和分割标签数据集，通过监督学习石块的完整区域位置获得训练后的能检测石块完整区域的第一图像分割神经网络；通过第一图像分割神经网络对待处理的TBM图像输入进行处理能预测获得图像中的石块的完整区域位置。
所述步骤(3)中，所述的第二图像分割神经网络为全卷积网络，输入原始图像数据集和边缘标签数据集，通过监督学习石块的轮廓线位置获得训练后的能检测石块轮廓线的第二图像分割神经网络；通过第二图像分割神经网络对待处理的TBM图像输入进行处理能预测获得图像中的石块的轮廓线位置。
本发明提出增加一个边缘处理的子任务，生成一个石块边缘掩膜，提取出石块边缘信息。
本发明在技术方案增加的边缘标签数据集及其学习边缘信息，是为了解决单纯分割石块时带来的相邻石块接触问题，由于相邻石块接触，导致分割准确度降低，因此引入边缘信息来提高准确率，并大幅度地提高了准确性。
所述步骤(2)和步骤(3)中，第一图像分割神经网络和第二图像分割神经网络结构相同，采用的是全局卷积网络，具体采用50层残差网络。
这样，1.通过连续卷积操作提取输入图像的特征，由于引入了全局卷积，使得生成的高维特征图能够更好地表达输入图像中待分割物体的区域信息。2.引入了边缘精调层，解决了卷积操作带来的边缘模糊问题，保留了第一步中得到的特征图中待分割物体的边缘信息。3.通过连续反卷积操作把第二步中得到的特征图进行上采样，得到与输入图像分辨率一致的分割图像。
所述步骤(4)中，将第一图像分割神经网络和第二图像分割神经网络中间步骤获得的掩膜进行融合，如下公式：
if x is object and not contour
其中，x表示掩膜中的像素点，object表示第一图像分割神经网络的掩膜中的石块完整区域，contour表示第二图像分割神经网络的掩膜中的石块轮廓线；公式表示：如果像素点x在第一图像分割神经网络的掩膜中的石块完整区域范围中并且不在第二图像分割神经网络的掩膜中的石块轮廓线范围上，则将像素点x赋值为1，代表石块，否则赋值为0，代表背景。
根据掩膜再进行生成反卷积最后的预测图像结果，从中能够获得分割结果。
所述步骤(5)中，将步骤(4)的输出图像进行后处理，由于步骤(1)中采用的是膨胀操作生成的边缘标签数据集，具体是采用多次膨胀操作以消除细小点，在生成的石块分割结果图上进行统计石块的大小和数量，生成石块粒径分布图。
本发明的有益效果是：
由于本发明使用的多任务深度学习的TBM渣土分割算法，避免了传统分割算法手动调参的难度，大幅度提高了分割精度。
本发明使用了多任务学习，解决了使用传统分割算法带来的精度低的问题，以及解决了单一任务深度学习分割算法带来的接触石块分离失败、石块边缘划分不明确的问题，提高了分割的精度，获得了更加准确有效的石块分割图像，可以应用于TBM***中获取当前TBM状态，对***调节具有指导意义。
附图说明
图1为实施例的原始图像数据集图像示例图；
图2为实施例的分割标签数据集图像示例图；
图3为实施例的边缘标签数据集图像示例图；
图4为实施例的全局卷积网络结构图示例图；
图5为实施例的第一图像分割神经网络输出图像示例图；
图6为实施例的第二图像分割神经网络输出图像示例图；
图7为实施例的多任务深度学习网络模型结构图示例图；
图8为实施例的图像融合后的输出图像示例图；
图9为实施例的后处理的输出图像示例图；
图10为实施例的分离效果比对图；
图11为实施例的获取的石块粒径分布图。
具体实施方式
本发明结合具体的试验验证过程对基于多任务深度学习的TBM石块分割算法作进一步的说明。
本发明的具体实施例如下：
步骤1：制作数据集，本发明制作了TBM***应用下的渣土数据集，由于输入图像的石块太多，因此制作数据集时采用手工标注挑选显著石块，生成显著石块的分割标签数据集，石块分割标签图像如图2，由于还有石块边缘子任务，通过提取轮廓算法分离出石块分割标签数据集的轮廓，再通过图像膨胀操作生成石块边缘标签数据集，石块边缘标签图像如图3。
步骤2：构建深度学习图像分割模型，本发明采用全卷积网络，通过连续的卷积滤波器，提取图像的语义特征，然后再逐步的上采样，恢复分辨率。具体结构如下：
神经网络采用的是GCN网络，通过连续的卷积操作提取语义特征，并且与传统分割网络相比引入了全局卷积层，全局卷积层具有更大的感受野，因此可以获得更好的语义信息。并且由于全局卷积网络引入了边界精调层，这样输出的预测图像中有更加准确的物体轮廓，符合出渣分割项目的要求。最后通过反卷积操作输出与原图分辨率相同的预测结果图，网络结构示意图如图4。
步骤3：石块分割子任务，利用步骤2中写好的第一图像分割神经网络，将原始图像数据集和分割标签数据集作为输入，通过调整参数，训练模型，生成石块分割图像，预测图像中石块的完整区域位置。训练的过程具体如下：
步骤3.1：由于实体场景下采集的图像很少，不能达到深度学***翻转的数据增广操作，扩充数据集。
步骤3.2：全局卷积网络使用的基本框架是残差网络，因此使用了预训练好的残差网络模型，设立学习率为0.0001，权重衰减率为0.0005，采用的是监督学习的方式，将输入数据集和分割标签数据集一起输入网络中，通过调整网络参数使结果与分割标签数据集逐渐吻合，石块分割子任务输出示意图为图5。
步骤4：石块边缘子任务。步骤3输出的分割结果中，相互接触的石块都被误分割在一起了，因此本发明提出增加一个边缘子任务，利用步骤2中写好的第二图像分割神经网络，将原始图像数据集和边缘标签数据集作为输入，进行训练，生成石块边缘掩膜，提取出石块边缘信息，具体训练步骤如下：
与步骤3.2类似，使用预训练好的残差网络模型，设立学习率为0.0001，权重衰减率为0.0005后，由于图像分割操作是对图像的每个像素点做分类操作，而该子任务中需要区分像素点是轮廓还是背景，由于轮廓像素点的个数远小于背景像素点的个数，因此采用数量比为1.4:6.4作为新的子任务训练标准，石块边缘输出预测图像如图6。
步骤5：子任务掩膜融合，利用步骤3和步骤4的输出结果，进行子掩膜融合，整体的多任务深度学习分割网络模型见图7。
利用下列公式1进行掩膜融合。
if x is object and not contour
其中，x表示图像中的像素点，object表示步骤3中第一图像分割神经网络的输出图像中的石块完整区域，contour表示步骤4中第二图像分割神经网络的输出图像中的石块轮廓线，如果像素点x在第一图像分割神经网络的输出图像中的石块完整区域范围中并且不在第二图像分割神经网络的输出图像中的石块轮廓线范围上，则将像素点x赋值为1，代表石块，否则赋值为0，代表背景，这样得到融合后的图像。
公式1表明如果像素x在石块物体掩膜上并且不在石块轮廓掩膜上，则赋值为1，否则都赋值为0，图片中像素点为1的是石块，像素点为0的则是背景，这样就可以预测出是石块的区域，多任务融合的输出图像见图8。
步骤6：后处理消除细小点，步骤5输出的分割图像中存有许多的细小点，不利于统计石块粒径分布，因此采用对图像进行腐蚀膨胀的后处理操作消除细小点的操作，在步骤4中使用的形态学操作是膨胀操作，本发明采用多次膨胀操作来消除细小点，图9为后处理的输出图像。
生成最后的预测图像，并且统计出石块粒径分布图，图10为分离效果比对图，图11为获取的石块粒径分布图。
在图11中，横坐标代表石块的面积，纵坐标代表石块的数量，方形线是真实情况下人工统计的标签石块粒径分布折线，圆形线是单一石块分割子任务得到的石块粒径分布折线，星形线是加入了边缘子任务后，多任务学习得到的石块粒径分布折线，可以看到在小面积区间内，多任务深度学习的分割方法得到的粒径分布折线更加贴近标签石块粒径分布折线。以石块面积为0.2*104为例，在图像中标签折线上的石块数量为33个，本发明提供的方法统计出石块数量为36个，远优于单一石块分割子任务统计的16个，由此可见，本发明加入了石块边缘子任务学习轮廓信息，最后将二者结果做图像融合，有效的分离出相互接触的石块，从而增多了检测到的石块数量。相比于单一任务深度学习分割算法，本发明的分割精度和准确度大大提高。
Claims (4)
1.一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：包括以下步骤：
(1)处理获得原始图像数据集、分割标签数据集和边缘标签数据集；
所述的边缘标签数据集由分割标签数据集生成，将分割标签数据集中每一幅图像采用轮廓提取算法提取获得轮廓，再通过膨胀操作处理，生成边缘标签图像，其中石块的轮廓线被赋值为白色，石块的轮廓线以外均被赋值为黑色；
(2)将原始图像数据集和分割标签数据集送入第一图像分割神经网络中训练；
所述步骤(2)中，所述的第一图像分割神经网络为全卷积网络，输入原始图像数据集和分割标签数据集，通过监督学习石块的完整区域位置获得训练后的能检测石块完整区域的第一图像分割神经网络；
(3)将原始图像数据集和边缘标签数据集送入第二图像分割神经网络中训练；
所述步骤(3)中，所述的第二图像分割神经网络为全卷积网络，输入原始图像数据集和边缘标签数据集，通过监督学习石块的轮廓线位置获得训练后的能检测石块轮廓线的第二图像分割神经网络；
所述步骤(2)和步骤(3)中，第一图像分割神经网络和第二图像分割神经网络结构相同，采用的是全局卷积网络；全局卷积网络采用GCN网络的残差网络；
(4)对于待处理的TBM图像分别输入到训练后的第一图像分割神经网络和第二图像分割神经网络中，不直接输出网络的结果，而是获得第一图像分割神经网络和第二图像分割神经网络中间步骤得到的掩膜，将两个网络的掩膜进行融合，然后再进行反卷积处理而生成分割结果图；
(5)进行后处理消除图像上的细小点，在生成的石块分割结果图上统计石块数量，再生成石块粒径分布图，实现最终的TBM图像出渣分割。
2.根据权利要求1所述的一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：所述步骤(1)中，原始图像数据集为由通过相机拍摄采集的一系列原始TBM***渣土图像组成的图像数据集；所述的分割标签数据集为二值化的已经被标注出石块目标的图像区域的TBM***渣土图像，其中石块目标的图像区域被赋值为白色，石块图像区域以外被赋值为黑色。
3.根据权利要求1所述的一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：所述步骤(4)中，将第一图像分割神经网络和第二图像分割神经网络中间步骤获得的掩膜进行融合，如下公式：
if x is object and not contour
其中，x表示掩膜中的像素点，object表示第一图像分割神经网络的掩膜中的石块完整区域，contour表示第二图像分割神经网络的掩膜中的石块轮廓线。
4.根据权利要求1所述的一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：所述步骤(5)中，将步骤(4)的输出图像进行后处理，具体是采用多次膨胀操作以消除细小点，在生成的石块分割结果图上进行统计石块的大小和数量，生成石块粒径分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601332.8A CN110378916B (zh) | 2019-07-03 | 2019-07-03 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910601332.8A CN110378916B (zh) | 2019-07-03 | 2019-07-03 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110378916A CN110378916A (zh) | 2019-10-25 |
| CN110378916B true CN110378916B (zh) | 2021-11-09 |
Family
ID=68252054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910601332.8A Active CN110378916B (zh) | 2019-07-03 | 2019-07-03 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378916B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210087792A (ko) * | 2020-01-03 | 2021-07-13 | 엘지전자 주식회사 | 사용자 인증 |
| CN111881811B (zh) * | 2020-07-24 | 2022-04-26 | 浙江大学 | 基于自卷积注意力池化机制的掘进装备岩石分类方法 |
| CN115018934B (zh) * | 2022-07-05 | 2024-05-31 | 浙江大学 | 结合十字骨架窗口和图像金字塔的立体图像深度检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871064B (zh) * | 2014-03-25 | 2017-02-08 | 中国石油大学(华东) | 一种火山岩ct图像的预处理和确定分割阈值的方法 |
| CN106504262A (zh) * | 2016-10-21 | 2017-03-15 | 泉州装备制造研究所 | 一种多特征融合的小瓷砖智能定位方法 |
| CN108182440A (zh) * | 2018-01-09 | 2018-06-19 | 中铁工程装备集团有限公司 | 一种基于渣片图像识别获取围岩类别的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013299551B2 (en) * | 2012-08-10 | 2015-12-17 | Ingrain, Inc. | Method for improving the accuracy of rock property values derived from digital images |
| CN109408649A (zh) * | 2018-09-27 | 2019-03-01 | 中铁工程装备集团有限公司 | 基于纹理特征与机器学习的渣片智能化分析方法及*** |
| CN109461162B (zh) * | 2018-12-03 | 2020-05-12 | 中国科学技术大学 | 图像中目标分割的方法 |
-
2019
- 2019-07-03 CN CN201910601332.8A patent/CN110378916B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103871064B (zh) * | 2014-03-25 | 2017-02-08 | 中国石油大学(华东) | 一种火山岩ct图像的预处理和确定分割阈值的方法 |
| CN106504262A (zh) * | 2016-10-21 | 2017-03-15 | 泉州装备制造研究所 | 一种多特征融合的小瓷砖智能定位方法 |
| CN108182440A (zh) * | 2018-01-09 | 2018-06-19 | 中铁工程装备集团有限公司 | 一种基于渣片图像识别获取围岩类别的方法 |
Non-Patent Citations (2)
| Title |
|---|
| A unified two-parallel-branch deep neural network for joint gland contour and segmentation learning;Linbo Wang et.al;《Future Generation Computer Systems》;20190517;第317-323页 * |
| Application of local region-growing method based on normalized cross-Correlation to TBM rock slag identification and measurement;Xiuzhen Hu et.al;《2017 Chinese Automation Congress (CAC)》;20180101;第3375-3378页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110378916A (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410242B (zh) | 基于双流卷积神经网络的目标跟踪方法、***、设备及介质 | |
| CN110378916B (zh) | 一种基于多任务深度学习的tbm图像出渣分割方法 | |
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| CN104063883B (zh) | 一种基于对象和关键帧相结合的监控视频摘要生成方法 | |
| CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
| CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
| CN112232349A (zh) | 模型训练方法、图像分割方法及装置 | |
| CN110414367B (zh) | 一种基于gan和ssn的时序行为检测方法 | |
| CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
| CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及*** | |
| CN111967313A (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
| CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
| CN113111916A (zh) | 一种基于弱监督的医学图像语义分割方法和*** | |
| CN114612450B (zh) | 基于数据增广机器视觉的图像检测分割方法、***、电子设备 | |
| CN115482387A (zh) | 基于多尺度类别原型的弱监督图像语义分割方法及*** | |
| CN111091122A (zh) | 一种多尺度特征卷积神经网络的训练和检测方法、装置 | |
| CN103945227A (zh) | 基于光流聚类的视频语义块分割方法 | |
| CN110363198B (zh) | 一种神经网络权重矩阵拆分与组合的方法 | |
| CN116095363B (zh) | 基于关键行为识别的移动端短视频高光时刻剪辑方法 | |
| CN113822110A (zh) | 一种目标检测的方法和装置 | |
| CN116091862A (zh) | 一种画质识别方法、装置、设备、存储介质及产品 | |
| CN114897214A (zh) | 一种基于图形化处理的金属增材制造时间预测***和方法 | |
| CN114299012A (zh) | 一种基于卷积神经网络的物体表面缺陷检测方法及*** | |
| CN114494272A (zh) | 一种基于深度学习的金属零件快速分割方法 | |
| Sujatha et al. | An innovative moving object detection and tracking system by using modified region growing algorithm |
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 |