CN111275711A - 基于轻量级卷积神经网络模型的实时图像语义分割方法 - Google Patents
基于轻量级卷积神经网络模型的实时图像语义分割方法 Download PDFInfo
- Publication number
- CN111275711A CN111275711A CN202010018041.9A CN202010018041A CN111275711A CN 111275711 A CN111275711 A CN 111275711A CN 202010018041 A CN202010018041 A CN 202010018041A CN 111275711 A CN111275711 A CN 111275711A
- Authority
- CN
- China
- Prior art keywords
- neural network
- semantic segmentation
- network model
- loss function
- function value
- 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
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
-
- 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
-
- 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]
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于轻量级卷积神经网络的实时图像语义分割的方法,主要解决现有技术通过牺牲分割精度换取推理速度提升的问题,其步骤为:1)从公开网站中分别下载训练集、验证集、测试集及预训练后的ESPNetV2通用网络模型;2)搭建共享连接自适应单元作为解码器,用ESPNetV2网络作为编码器,并用该解码器和编码器构建轻量级卷积神经网络模型;3)利用训练集以及验证集,对轻量级神经网络进行训练,获得训练好的图像语义分割模型;4)将测试集输入到训练好的图像语义分割模型中,得到图像语义分割结果。本发明提高了分割的速度和准确度,可用于解决自动驾驶中前方道路上人、车,建筑物以及交通标志的分割。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种实时图像语义分割方法,可用于解决自动驾驶中前方道路上人、车,建筑物以及交通标志的分割。
背景技术
语义分割,是计算机视觉的基础任务之一,在语义分割中需要将图像输入分割为不同的语义可解释类别。语义的可解释性,即分类类别在真实世界中是有意义的。例如,需要区分图像中属于汽车的所有像素,并把这些像素标记为蓝色。与图像分类或目标检测相比,语义分割对图像有更加细致的理解。这种理解在诸如自动驾驶、机器人感知以及图像搜索引擎等许多领域具有至关重要的作用。
通常采用编码器-解码器结构搭建语义分割网络模型,编码器通常是一个预训练后的分类网络模型,负责提取图像中粗糙的语义特征和对图像进行降采样。解码器,通常根据实际应用场景进行搭建对应的卷积神经网络模型,负责对降采样后特征图上采样恢复到原始图像分辨率。
目前,基于深度卷积神经网络模型的语义分割方法虽然具有非常不错的性能,但这些性能的提升往往是通过牺牲了运行速度而获得的,这样导致很难将其应用到现实的应用场景中,如自动驾驶***,机器人感知***等。这些***通常是基于嵌入式设备,计算和存储资源有限,即使能将上述的模型应用到***中,以获得较高的准确率,但是其推理速度远远不够,无法满足***实时性的要求。所以对于此类***的实现往往需要的是一个能够在高分辨率推理时保持高效的处理速度和高精度的轻量级分割模型。
现有一些初步的研究工作提出设计轻量级神经网络模型,旨在开发用于实时语义分割的高效模型。例如,Erfnet:Efficient residual factorized convnet for real-time semantic segmentation.IEEE Transactions on Intelligent TransportationSystems,2018中提出了一种新型残差模块,该模块使用捷径连接和分解卷积组成,以提高语义分割的精确度,且没有过多资源消耗。Espnet:Efficient spatial pyramid ofdilated convolutions for semantic segmentation.In ECCV,2018中提出了提出一种高效空间金字塔卷积模块ESP Module,有助于减小模型运算量和内存、功率消耗,以提高在终端设备上的适用性。但这些研究的由于侧重点在于设计新型模块减少网络参数和搭建简易的解码器模型来加快推理速度,而降低了语义分割网络模型的分割准确率性能。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于轻量级卷积神经网络模型的实时图像语义分割方法,以在减少计算量和保证分割速度的同时,提高分割准确率。
本发明的技术方案是:通过搭建轻量级卷积神经网络模型,使用相关数据集训练该轻量级卷积神经网络模型,得出实时图像语义分割模型,利用该模型对相关数据集中物体进行快速准确的分割,其实现步骤包括如下:
(1)从开源数据集网站中下载Cityscapes训练集、验证集、测试集;
(2)从GitHub开源网站下载预训练后的ESPNetV2通用网络模型;
(3)设计以左右结构搭建的共享连接自适应单元:
(3a)设置由一个卷积层构成的单元右半结构;
(3b)构建特征图加法模块,即以两个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来进行逐点相加操作后,再将相加后的新特征图按照原始通道索引并行连接;
(3c)构建特征图减法模块,即以两个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来进行逐点相减操作后,再将相减后的新特征图按照原始通道索引并行连接;
(3d)构建共享连接模块,即以四个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来并行连接,再将并行连接后的新特征图按照原始通道索引并行连接;
(3e)构建单元右半结构,即将特征图加法模块和特征图减法模块先并行连接,再依次连接共享连接模块、分组卷积层和上采样层;
(3f)将单元左半结构和右半结构进行连接,构成共享连接自适应单元;
(4)搭建轻量级卷积神经网络模型:
(4a)使用预训练后的ESPNetV2通用网络模型作为编码器模块;
(4b)依次连接2个共享连接自适应单元作为编码器模块;
(4c)将编码器和解码器按照U型结构进行连接,形成轻量级卷积神经网络模型;
(5)利用Cityscapes训练集以及验证集,采用随机梯度下降优化算法和基于轮数的多项式学习策略对轻量级神经网络进行训练,获得训练好的实时图像语义分割模型;
(6)将Cityscapes测试集输入到训练好的实时图像语义分割模型中,得到图像语义分割结果。
本发明与现有技术相比具有以下优点:
第一,本发明通过采用一种轻量、高效、通用的卷积神经网络模型ESPNetV2作为实时语义分割网络模型的编码器,能在显著减少计算量和内存占用的情况下,有效的提取图像中语义特征。
第二,本发明由于设计了共享连接自适应单元,并用此搭建实时语义分割网络模型的解码器,使得其在对编码器输出的特征图进行上采样恢复到原始图像分辨率的过程中,能够自我判别所学习到图像特征对错性,纠正所学错误图像特征,以提高实时图像语义分割模型分割准确度。
附图说明
图1为本发明的实现流程图;
图2为本发明中搭建的轻量级卷积神经网络模型结构示意图;
图3为图2中的共享连接自适应单元结构示意图;
图4为本发明使用的Cityscapes测试集原始图;
图5为用本发明对图4进行的语义分割的结果图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步的详细描述。
参照图1,对本实例的实现步骤如下:
步骤1,从开源数据集网站中下载Cityscapes训练集、验证集、测试集.
Cityscapes训练集、验证集、测试集为一个城市街道场景数据集,包含20个类别标注,涵盖50个不同城市的街道场景,共5000张精细标注的数据集,其中2975张作为训练集,500张作为验证集,1525张作为测试集。
步骤2,从GitHub开源网站下载预训练后的ESPNetV2通用网络模型.
ESPNetV2通用网络模型是由文献ESPNetv2:A Light-weight,Power Efficient,and General Purpose Convolutional Neural Network.In CVPR,2019中提出的一种轻量、高效、通用的卷积神经网络模型,其网络结构如表1所示:
表1.ESPNetV2通用卷积神经网络模型结构表
表1中提出的跨越高效空间金字塔单元和高效空间金字塔单元,可使ESPNetV2网络模型计算效率提升,感受野范围增大,网络参数量显著减少。
选择使用预训练后的ESPNetV2通用网络模型可进一步节省训练时间以及计算资源,且更快的达到较好的图片语义分割效果。
步骤3,设计以左右结构搭建的共享连接自适应单元。
参照图3,本步骤的具体实现如下:
(3a)设置由一个卷积层构成的单元右半结构:
该卷积层的卷积核大小为3*3,步长为1,输出通道数为网络待分割物体类别数,用以获得当前分辨率大小预测结果图,并将其作为后续模块的输入;
(3b)构建特征图加法模块:
以两个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来进行逐点相加操作后,再将相加后的新特征图按照原始通道索引并行连接:
本模块中的两个输入特征图的通道数量都等于网络待分割物体类别数,即可将它们看作网络模型当前预测结果图,利用本模块对这两个当前预测结果图处理后,生成的新的特征图即可看作两个当前预测结果预测总和;
(3c)构建特征图减法模块:
以两个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来进行逐点相减操作后,再将相减后的新特征图按照原始通道索引并行连接:
本模块中的两个输入特征图的通道数量都等于网络待分割物体类别数,即可将它们看作网络模型当前预测结果图,利用本模块对这两个当前预测结果图处理后,生成的新的特征图即可看作两个当前预测结果预测差异;
(3d)构建共享连接模块:
以四个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来并行连接,再将并行连接后的新特征图按照原始通道索引并行连接:
本模块目的在于将(3b)-(3c)生成的新的特征图与原始特征图并行连接,使新生成的特征图具有更多的图像特征信息;
(3e)构建单元右半结构:
将特征图加法模块和特征图减法模块先并行连接,再依次连接共享连接模块、分组卷积层和上采样层;
其中分组卷积层的卷积核大小为3*3、步长为1、分组数量为网络待分割物体类别数,输出通道数为网络待分割物体类别数,上采样层的上采样尺寸倍数设置为2,采样算法选用双线性插值法。
(3f)将单元左半结构和右半结构进行连接,构成共享连接自适应单元:
该共享连接字适应单元,可使网络模型对(3d)生成的特征图进一步学习的过程中,能利用特征图中的图像特征,自我判别所学习到图像特征对错性,纠正所学错误图像特征,以提高实时图像语义分割模型分割准确度。
步骤4,搭建轻量级卷积神经网络模型。
参照图2,本步骤的具体实现如下:
(4a)使用预训练后的ESPNetV2通用网络模型作为编码器,该编码器的具体结构由表1所示中1-4部分模块构成;
(4b)依次连接2个共享连接自适应单元作为解码器;
(4c)将编码器和解码器按照U型结构进行连接,形成轻量级卷积神经网络模型:
所述U型连接结构的具体连接方式为:先将编码器的第三个模块及第四个模块分别与解码器的第二个共享连接自适应单元进行连接,再将编码器的第二个模块与解码器的第一个共享连接自适应单元进行连接。
步骤5,利用Cityscapes训练集以及验证集,对轻量级卷积神经网络进行训练,获得训练好的实时图像语义分割模型:
常用的网络训练方法包括,批梯度下降算法,小批量梯度下降算法,随机梯度下降算法,本实施例中采用不限于随机梯度下降优化算法和基于轮数的多项式学习策略对轻量卷积神经网络进行训练,其具体实现如下:
(5a)初始化参数:将最优验证集交叉熵损失函数值设为正无穷,学习率设为0.009,将一次训练样本数量设为16,权重衰减值设为0.00005,动量系数设为0.9;
(5b)对Cityscapes训练集先进行归一化预处理,再随机裁剪为1024*512分辨率大小,再进行随机翻转的图像增强处理;
(5c)将预处理和增强处理后的Cityscapes训练集输入到轻量级卷积神经网络模型中,得出预测结果,使用预测结果与训练集图像标签计算得到训练集的交叉熵损失函数值:
其中x为网络输出特征图,class为所要分割类别标签值,j为网络待分割类别数量;
(5d)使用随机梯度下降优化算法,优化训练集的交叉熵损失函数值,即使用链式求导法则求解网络每层权值参数梯度,使用求解的网络每层权值参数梯度,更新网络每层权值参数,以减小训练集的交叉熵损失函数值大小;
(5e)使用基于轮数的多项式学习策略,调整每轮迭代时参数学习率lr的大小:
lr=base_lr*(1-epoch/total_epoch)power
其中,base_lr为初始学习率,设置为0.001、epoch为当前训练轮数;total_epoch为总训练轮数,设置为300,上标power为多项式的幂,设置为0.9;
(5f)将Cityscapes验证集输入到当前轻量级卷积神经网络模型中,得出预测结果,使用预测结果和验证集图像标签计算当前验证集的交叉熵损失函数值,并将当前验证集的交叉熵损失函数值与设置的最优验证集交叉熵损失函数值进行比较:
若当前验证集的交叉熵损失函数值小于设置的最优验证集交叉熵损失函数值,则将最优验证集交叉熵损失函数值更新为当前验证集的交叉熵损失函数值,并保存当前网络模型;
否则,继续进行下一轮训练过程;
(5g)重复步骤(5b)-(5e)共300轮,结束迭代,得到训练好的实时图像语义分割模型。
步骤6将Cityscapes测试集输入到训练好的实时图像语义分割模型中,得到图像语义分割结果。
(6a)对Cityscapes测试集进行归一化和裁剪预处理:
本实施例的Cityscapes测试集原始图片如图4所示,首先将其进行归一化处理后,裁剪为1024*512分辨率大小;
(6b)将裁剪后的Cityscapes测试集原始图片输入到训练好的实时图像语义分割模型中进行预测,获取对应的预测结果如图5所示,从图5可见,本实例分割出了植被,道路,汽车,天空,行人,卡车,土地,人行道这些物体类别。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然是对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于轻量级卷积神经网络的实时图像语义分割的方法,其特征在于,包括以下步骤:
(1)从开源数据集网站中下载Cityscapes训练集、验证集、测试集;
(2)从GitHub开源网站下载预训练后的ESPNetV2通用网络模型;
(3)设计以左右结构搭建的共享连接自适应单元:
(3a)设置由一个卷积层构成的单元右半结构;
(3b)构建特征图加法模块,即以两个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来进行逐点相加操作后,再将相加后的新特征图按照原始通道索引并行连接;
(3c)构建特征图减法模块,即以两个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来进行逐点相减操作后,再将相减后的新特征图按照原始通道索引并行连接;
(3d)构建共享连接模块,即以四个分辨率大小相同的特征图作为输入,分别将两个输入中具有相同通道索引的特征图提取出来并行连接,再将并行连接后的新特征图按照原始通道索引并行连接;
(3e)构建单元右半结构,即将特征图加法模块和特征图减法模块先并行连接,再依次连接共享连接模块、分组卷积层和上采样层;
(3f)将单元左半结构和右半结构进行连接,构成共享连接自适应单元;
(4)搭建轻量级卷积神经网络模型:
(4a)使用预训练后的ESPNetV2通用网络模型作为编码器模块;
(4b)依次连接2个共享连接自适应单元作为编码器模块;
(4c)将编码器和解码器按照U型结构进行连接,形成轻量级卷积神经网络模型;
(5)利用Cityscapes训练集以及验证集,采用随机梯度下降优化算法和基于轮数的多项式学习策略对轻量级神经网络进行训练,获得训练好的实时图像语义分割模型;
(6)将Cityscapes测试集输入到训练好的实时图像语义分割模型中,得到图像语义分割结果。
2.根据权利要求1所述的方法,其特征在于,(3a)中的卷积层,其该卷积层的卷积核大小为3*3,步长为1,输出通道数为网络待分割物体类别数。
3.根据权利要求1所述的方法,其特征在于,(3e)中的分组卷积层,其卷积核大小为3*3、步长为1、分组数量为网络待分割物体类别数,输出通道数为网络待分割物体类别数。
4.根据权利要求1所述的方法,其特征在于,(3e)中的上采样层,其上采样尺寸倍数设置为2,采样算法选用双线性插值法。
5.根据权利要求1所述的方法,其特征在于,(4c)中将编码器和解码器按照U型结构进行连接,是先将编码器的第三个模块及第四个模块分别与解码器的第二个共享连接自适应单元进行连接,再将编码器的第二个模块与解码器的第一个共享连接自适应单元进行连接,形成U型连接结构。
6.根据权利要求1所述的方法,其特征在于,(5)中利用Cityscapes训练集以及验证集,采用随机梯度下降优化算法和基于轮数的多项式学习策略对轻量级神经网络进行训练,实现如下:
(5a)初始化参数:将最优验证集交叉熵损失函数值设为正无穷,学习率设为0.009,将一次训练样本数量设为16,权重衰减值设为0.00005,动量系数设为0.9;
(5b)对Cityscapes训练集进行归一化预处理,再随机裁剪为1024*512分辨率大小,再进行随机翻转的图像增强处理;
(5c)将预处理和增强处理后的Cityscapes训练集输入到轻量级卷积神经网络模型中,得出预测结果,使用预测结果与训练集图像标签计算得到训练集的交叉熵损失函数值;
(5d)使用随机梯度下降优化算法,优化训练集的交叉熵损失函数值,即使用链式求导法则求解网络每层权值参数梯度,使用求解的网络每层权值参数梯度,更新网络每层权值参数,以减小训练集的交叉熵损失函数值大小;
(5e)使用基于轮数的多项式学习策略,调整每轮迭代时学习率参数的大小;
(5f)将Cityscapes验证集输入到当前轻量级卷积神经网络模型中,得出预测结果,使用预测结果和验证集图像标签计算当前验证集的交叉熵损失函数值,并将当前验证集的交叉熵损失函数值与设置的最优验证集交叉熵损失函数值进行比较:
若当前验证集的交叉熵损失函数值小于设置的最优验证集交叉熵损失函数值,则将最优验证集交叉熵损失函数值更新为当前验证集的交叉熵损失函数值,并保存当前网络模型;
否则,继续进行下一轮训练过程;
(5g)重复步骤(5b)-(5e)共300轮,结束迭代,得到训练好的实时图像语义分割模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018041.9A CN111275711B (zh) | 2020-01-08 | 2020-01-08 | 基于轻量级卷积神经网络模型的实时图像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018041.9A CN111275711B (zh) | 2020-01-08 | 2020-01-08 | 基于轻量级卷积神经网络模型的实时图像语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275711A true CN111275711A (zh) | 2020-06-12 |
CN111275711B CN111275711B (zh) | 2023-04-07 |
Family
ID=71003109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018041.9A Active CN111275711B (zh) | 2020-01-08 | 2020-01-08 | 基于轻量级卷积神经网络模型的实时图像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275711B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101364A (zh) * | 2020-09-10 | 2020-12-18 | 西安电子科技大学 | 基于参数重要性增量学习的语义分割方法 |
CN112184655A (zh) * | 2020-09-24 | 2021-01-05 | 东北大学 | 一种基于卷积神经网络的宽厚板轮廓检测方法 |
CN112217663A (zh) * | 2020-09-17 | 2021-01-12 | 暨南大学 | 一种轻量型卷积神经网络安全预测方法 |
CN112288750A (zh) * | 2020-11-20 | 2021-01-29 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
CN112465838A (zh) * | 2020-12-10 | 2021-03-09 | 桂林理工大学 | 陶瓷晶粒图像分割方法、***、储存介质及计算机设备 |
CN112508977A (zh) * | 2020-12-29 | 2021-03-16 | 天津科技大学 | 一种面向自动驾驶场景的基于深度学习的语义分割方法 |
CN112508958A (zh) * | 2020-12-16 | 2021-03-16 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
CN112633186A (zh) * | 2020-12-26 | 2021-04-09 | 上海有个机器人有限公司 | 室内环境下可行驶路面的分割方法、装置、介质和机器人 |
CN113076815A (zh) * | 2021-03-16 | 2021-07-06 | 西南交通大学 | 一种基于轻量级神经网络的自动驾驶方向预测方法 |
CN113283344A (zh) * | 2021-05-27 | 2021-08-20 | 中国矿业大学 | 一种基于语义分割网络的矿用输送带跑偏检测方法 |
CN113343817A (zh) * | 2021-05-31 | 2021-09-03 | 扬州大学 | 一种面向目标区域的无人车路径检测方法、装置及介质 |
CN113486856A (zh) * | 2021-07-30 | 2021-10-08 | 大连海事大学 | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 |
CN113537000A (zh) * | 2021-07-01 | 2021-10-22 | 大连民族大学 | 单目视觉实例分割深度链式特征提取网络、方法和*** |
CN113610035A (zh) * | 2021-08-16 | 2021-11-05 | 华南农业大学 | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 |
CN114693689A (zh) * | 2022-03-02 | 2022-07-01 | 西北工业大学 | 一种用于医学图像的自适应神经网络分割模型构建方法 |
CN116912496A (zh) * | 2023-07-20 | 2023-10-20 | 东北大学 | 用于图像分割的解码器对比学习方法及*** |
CN117593527A (zh) * | 2024-01-18 | 2024-02-23 | 厦门大学 | 一种基于链式感知的指向性3d实例分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629150A (zh) * | 2018-03-16 | 2018-10-09 | 西安电子科技大学 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
CN109446933A (zh) * | 2018-10-12 | 2019-03-08 | 浙江科技学院 | 一种基于卷积神经网络的道路场景语义分割方法 |
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN110110692A (zh) * | 2019-05-17 | 2019-08-09 | 南京大学 | 一种基于轻量级全卷积神经网络的实时图像语义分割方法 |
-
2020
- 2020-01-08 CN CN202010018041.9A patent/CN111275711B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
CN108629150A (zh) * | 2018-03-16 | 2018-10-09 | 西安电子科技大学 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
CN109446933A (zh) * | 2018-10-12 | 2019-03-08 | 浙江科技学院 | 一种基于卷积神经网络的道路场景语义分割方法 |
CN110110692A (zh) * | 2019-05-17 | 2019-08-09 | 南京大学 | 一种基于轻量级全卷积神经网络的实时图像语义分割方法 |
Non-Patent Citations (2)
Title |
---|
敖焕轩等: "高效率图片语义分割网络的研究与设计", 《测控技术》 * |
王廷银等: "基于北斗RDSS的核辐射监测应急通讯方法", 《计算机***应用》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101364B (zh) * | 2020-09-10 | 2023-10-20 | 西安电子科技大学 | 基于参数重要性增量学习的语义分割方法 |
CN112101364A (zh) * | 2020-09-10 | 2020-12-18 | 西安电子科技大学 | 基于参数重要性增量学习的语义分割方法 |
CN112217663A (zh) * | 2020-09-17 | 2021-01-12 | 暨南大学 | 一种轻量型卷积神经网络安全预测方法 |
CN112217663B (zh) * | 2020-09-17 | 2023-04-07 | 暨南大学 | 一种轻量型卷积神经网络安全预测方法 |
CN112184655A (zh) * | 2020-09-24 | 2021-01-05 | 东北大学 | 一种基于卷积神经网络的宽厚板轮廓检测方法 |
CN112288750A (zh) * | 2020-11-20 | 2021-01-29 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
CN112288750B (zh) * | 2020-11-20 | 2022-09-20 | 青岛理工大学 | 一种基于深度学习网络的机械装配体图像分割方法和设备 |
CN112465838A (zh) * | 2020-12-10 | 2021-03-09 | 桂林理工大学 | 陶瓷晶粒图像分割方法、***、储存介质及计算机设备 |
CN112465838B (zh) * | 2020-12-10 | 2023-01-31 | 桂林理工大学 | 陶瓷晶粒图像分割方法、***、储存介质及计算机设备 |
CN112508958A (zh) * | 2020-12-16 | 2021-03-16 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
CN112508958B (zh) * | 2020-12-16 | 2022-07-19 | 桂林电子科技大学 | 一种轻量多尺度的生物医学图像分割方法 |
CN112633186A (zh) * | 2020-12-26 | 2021-04-09 | 上海有个机器人有限公司 | 室内环境下可行驶路面的分割方法、装置、介质和机器人 |
CN112633186B (zh) * | 2020-12-26 | 2024-05-28 | 上海有个机器人有限公司 | 室内环境下可行驶路面的分割方法、装置、介质和机器人 |
CN112508977A (zh) * | 2020-12-29 | 2021-03-16 | 天津科技大学 | 一种面向自动驾驶场景的基于深度学习的语义分割方法 |
CN113076815A (zh) * | 2021-03-16 | 2021-07-06 | 西南交通大学 | 一种基于轻量级神经网络的自动驾驶方向预测方法 |
CN113283344A (zh) * | 2021-05-27 | 2021-08-20 | 中国矿业大学 | 一种基于语义分割网络的矿用输送带跑偏检测方法 |
CN113283344B (zh) * | 2021-05-27 | 2024-03-12 | 中国矿业大学 | 一种基于语义分割网络的矿用输送带跑偏检测方法 |
CN113343817A (zh) * | 2021-05-31 | 2021-09-03 | 扬州大学 | 一种面向目标区域的无人车路径检测方法、装置及介质 |
CN113537000A (zh) * | 2021-07-01 | 2021-10-22 | 大连民族大学 | 单目视觉实例分割深度链式特征提取网络、方法和*** |
CN113486856A (zh) * | 2021-07-30 | 2021-10-08 | 大连海事大学 | 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法 |
CN113486856B (zh) * | 2021-07-30 | 2024-01-02 | 大连海事大学 | 一种驾驶员不规范行为检测方法 |
CN113610035A (zh) * | 2021-08-16 | 2021-11-05 | 华南农业大学 | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 |
CN113610035B (zh) * | 2021-08-16 | 2023-10-10 | 华南农业大学 | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 |
CN114693689A (zh) * | 2022-03-02 | 2022-07-01 | 西北工业大学 | 一种用于医学图像的自适应神经网络分割模型构建方法 |
CN114693689B (zh) * | 2022-03-02 | 2024-03-15 | 西北工业大学 | 一种用于医学图像的自适应神经网络分割模型构建方法 |
CN116912496B (zh) * | 2023-07-20 | 2024-01-26 | 东北大学 | 用于图像分割的解码器对比学习方法及*** |
CN116912496A (zh) * | 2023-07-20 | 2023-10-20 | 东北大学 | 用于图像分割的解码器对比学习方法及*** |
CN117593527A (zh) * | 2024-01-18 | 2024-02-23 | 厦门大学 | 一种基于链式感知的指向性3d实例分割方法 |
CN117593527B (zh) * | 2024-01-18 | 2024-05-24 | 厦门大学 | 一种基于链式感知的指向性3d实例分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111275711B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275711B (zh) | 基于轻量级卷积神经网络模型的实时图像语义分割方法 | |
CN111563508B (zh) | 一种基于空间信息融合的语义分割方法 | |
CN111259905B (zh) | 一种基于下采样的特征融合遥感图像语义分割方法 | |
CN109902806B (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、***及终端设备 | |
CN110009095B (zh) | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 | |
CN113642390B (zh) | 一种基于局部注意力网络的街景图像语义分割方法 | |
CN113066089B (zh) | 一种基于注意力引导机制的实时图像语义分割方法 | |
CN114742223A (zh) | 车辆型号识别方法、装置、计算机设备及存储介质 | |
CN111507226B (zh) | 道路图像识别模型建模方法、图像识别方法及电子设备 | |
CN113011336B (zh) | 一种基于深度多分支聚合的实时街景图像语义分割方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及*** | |
CN116071668A (zh) | 基于多尺度特征融合的无人机航拍图像目标检测方法 | |
CN114913493A (zh) | 一种基于深度学习的车道线检测方法 | |
CN116612283A (zh) | 一种基于大卷积核骨干网络的图像语义分割方法 | |
CN113793341A (zh) | 一种自动驾驶场景语义分割方法、电子设备及可读介质 | |
CN116977712B (zh) | 基于知识蒸馏的道路场景分割方法、***、设备及介质 | |
CN111160282B (zh) | 一种基于二值化Yolov3网络的红绿灯检测方法 | |
CN115995002B (zh) | 一种网络构建方法及城市场景实时语义分割方法 | |
CN117115616A (zh) | 一种基于卷积神经网络的实时低照度图像目标检测方法 | |
CN116740362A (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及*** | |
CN115565148B (zh) | 道路图像的检测方法、装置、存储介质和电子装置 | |
CN116311251A (zh) | 用于复杂场景高精度立体视觉感知的轻量级语义分割方法 | |
CN116363072A (zh) | 一种轻型航拍图像检测方法及*** |
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 |