CN111666842B - 一种基于双流空洞卷积神经元网络的阴影检测方法 - Google Patents
一种基于双流空洞卷积神经元网络的阴影检测方法 Download PDFInfo
- Publication number
- CN111666842B CN111666842B CN202010449023.6A CN202010449023A CN111666842B CN 111666842 B CN111666842 B CN 111666842B CN 202010449023 A CN202010449023 A CN 202010449023A CN 111666842 B CN111666842 B CN 111666842B
- Authority
- CN
- China
- Prior art keywords
- shadow
- layer
- pooling
- network
- channel
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于双流空洞卷积神经元网络的阴影检测方法,包括:步骤将带有阴影的图像以RGB三通道形式输入网络;利用池化通道与残差通道分别提取图像特征;将特征图经过多层级空洞池化模块进行全局与局部特征的融合;池化通道利用解码器形式将特征图上采样成与输入图像大小相同,而残差通道继续保持低维特征,上采样到与输入图像大小相同后两通道特征融合;利用交叉熵损失函数训练网络,得到一组损失值最低的权重;利用权重去检测测试图像中的阴影,利用argmax函数生成阴影二值图。本发明具有较高的阴影检测准确率,并且对阴影边缘保持效果较好。本发明可用于普通的目标检测、变化检测等算法之后,去除误检测到的人物和目标阴影像素。
Description
技术领域
本发明涉及深度学习与图像处理技术领域,特别涉及一种针对单幅图片的具有鲁棒性的基于语义分割网络的阴影检测方法。
背景技术
阴影检测,也就是将彩色图像中的阴影部分以像素为单位标记出来,其所要完成的任务就是利用设计好的网络结构去训练,得出一组准确率最高的权重去检测单幅图片中的阴影部分,并称之为前景,将其标记为白色,其余部分称为背景,标记为黑色。阴影普遍存在于自然界各种场景中,只要有物体阻挡了光源发出光线的路径,就会产生阴影。但在绝大多数情况下,存在于图像中的阴影易给图像处理工作带来干扰与困难,例如在进行前景检测,分割等任务时,由于阴影与被检测目标一样,与背景颜色有明显的差别,因此常常会被误认为是目标,大大降低了检测的准确率。若能在进行机器视觉任务之前就将阴影检测出,那么将会极大地提升我们的任务准确率。因此,阴影检测长期以来都是机器视觉领域一个重点任务。
目前,对阴影检测方法的研究是从手工提取特征角度与深度学习两种方向展开的,但这两种方法有本质上的差别。在早期传统算法中,一些学者利用光学角度以及图像处理的方法去分析影子的结构特征以及颜色特征,需要算法设计者了解大量的光学知识以及图像处理知识,如分析HSV通道下的颜色直方图,分析环境光的强度和物体的透明度对阴影产生的影响,可以看出此类算法虽然能得到较好的效果但适用场景很局限,并且设计难度较大,而与阴影颜色特征相近的物体也会被误检测出,从而降低准确率,实施起来相对困难。现阶段,一些学者是利用深度学习,即设计基于卷积神经网络的检测器去对图像中的阴影进行检测,利用卷积、池化等采样方法,提取每一张图像的特征图,让网络自行学习阴影的结构特征,从而实现端到端的阴影检测,因此此方法不需要大量的先验知识,只需要设计优秀的检测器,让它学会如何精确地提取出阴影的特征,就能得到很好的检测效果,这往往是手动提取特征达不到的。
发明内容
本发明的目的是:较为准确的检测出单幅图像中的阴影区域。
为了达到上述目的,本发明的技术方案是提供了一种基于双流空洞卷积神经元网络的阴影检测方法,其特征在于,包括以下步骤:
步骤S1:将训练集中单幅图片按顺序以RGB三通道的形式输入设计好的网络;
步骤S2:图像输入网络首先分为两个通道操作,分别为池化通道和残差通道,其中:池化通道通过空洞卷积模块以编码器的形式进行下采样,逐步提取高维特征;残差通道由多个交叉流残差模块组成,通过空洞卷积模块进行卷积提取特征,并叠加上一层的特征图与对应池化通道的特征信息以保持低维特征;
步骤S3:将池化通道前四层得到的特征图一起送入多层级空洞池化模块,前三层得到的特征图按照不同扩张率的空洞卷积后池化为同样大小获得第一部分三层特征图,第四层的特征图进行全局平均池化后双线性插值成第一部分三层特征图池化后的大小以获得第二部分特征图,最后将四层特征图进行特征融合得到最终下采样部分的输出;
步骤S4:采用解码器的形式通过空洞卷积模块对多层级空洞池化模块的输出特征图进行与下采样过程完全对称的上采样,最后将图像上采样到与输入图像一样大小;
步骤S5:确定好网络的输入层、隐含层和输出层后,将数据集中的图像和标签按照上述步骤S1至步骤S4全部送入网络进行训练,标签为与图像同等大小并按照像素标记好阴影区域与非阴影区域的阴影二值图,训练轮数根据训练得到损失函数的收敛趋势决定,计算过程分为两步:第一步将样本的logits值记为x,将样本的logits值转换成概率第二步利用带有权重的交叉熵公式-z×∑y'×log(y)计算出损失值,式中,y'为标签,y为第一步计算的logits概率值,z为自定义的权重;
步骤S6:利用所保存的权重来测试需要检测的图像,将权重的参数确定之后,被检测图像输入网络后会输出阴影的特征图及非阴影的特征图,再通过argmax函数将两个特征图转化成一个检测出的阴影二值图。
优选地,步骤S2中,所选用的空洞卷积模块内部含有四层:第一层为卷积核为3×3的普通卷积;第二层为扩张率为3,卷积核大小为11×11的空洞卷积;第三层与第二层相同;第四层与第一层相同。
优选地,步骤S5中损失函数为weighted cross-entropy loss。
优选地,步骤S6中,单幅彩色图像输入设计好的网络之后输出阴影的特征图及非阴影的特征图,以数组的形式存储,argmax函数比较两幅特征图内对应像素检测值的大小,若该像素前景的数值大,则认为该像素为前景,即需要的阴影部分,标记为255,显示为阴影二值图中的白色部分,若该像素背景的数值大,则认为该像素为背景,即非阴影部分,标记为0,显示为阴影二值图中的黑色部分,以上述方法得到检测出的阴影二值图。
本发明采用了双流网络结构,即使用残差流保持了低层次图像特征在学习中的稳定性,也使用池化流保持了对图像从低层次到深层次特征的提取与融合。通过引入空洞卷积使得网络能够对大片阴影和破碎阴影具有较好的检测效果。本发明可用于普通的目标检测、变化检测等算法之后,去除误检测到的人物和目标阴影像素;本发明也可单独使用为图像阴影区域检测器。
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
1)本发明利用空洞卷积模块提取特征,与普通卷积不同,空洞卷积既可以增大感受野又可以保留特征的像素位置信息,这很大程度上改善了由于阴影覆盖在不同纹理区域上出现的漏检测现象,如:车辆的阴影覆盖在带有白色车道线的沥青马路上时,其他检测器容易错失白色车道线上的阴影区域,但我们的检测器能检测出全部的阴影区域。
2)多层级空洞池化模块方法提取全局特征,并使全局特征与局部特征相融合,这使网络同时提取到阴影的局部与全局特征,可以更好地判断该深色区域是阴影区域还是只是颜色较深的区域,如其他检测器易将一个穿着黑色衣服的人连同他的影子一起检测为阴影,而我们的检测器就可以很好地将黑色衣服与阴影区分开。
3)本发明为简化网络的计算复杂度,设计了交叉流残差模块,该模块将上一级的残差流输出特征图、上一级经过空洞卷积模块的输出特征图与上采样成同样大小的对应池化流输出特征图相加,保持了低维特征,加速了训练过程。
4)采用大量数据集进行训练,增强了检测器的鲁棒性,可以对各种纹理上的阴影准确检测,充分适应检测场景的变化。
5)检测速度较快,单幅480×480的彩色图像单幅图像检测时间仅需0.12s,可适用于视频序列中的阴影检测任务。
附图说明
图1是本发明的流程图。
图2是发明网络的网络结构图,由三个模块组成,分别为空洞卷积模块(ACM)、多层级空洞池化模块(MLAPM)与交叉流残差模块(CSRM),右上角为图例说明。
图3是空洞卷积模块的内部结构图,rate为卷积核的扩张率,即给一个卷积核中注入的空洞大小,一个rate=3,大小为3×3的卷积核进行空洞卷积,其感受野的大小与一个7×7的普通卷积核感受野相同,在该模块中我们第一、四层使用普通卷积,而二、三层使用rate=3的空洞卷积。
图4是多层级空洞池化模块内部结构,该模块由两部分组成,第一部分为前三层网络特征图的融合,利用不同大小的扩张率进行空洞卷积,后将三组特征图采样成相同大小,第二部分是简化的多尺度金字塔池化,采用全局平局池化得到全局特征,后上采样与第一部分相同大小,最后将两部分的特征融合成一组。
图5是交叉流残差模块,该模块将池化通道的信息与残差通道信息相融合,并利用残差网络的特征保留方法将上一级的特征保留,以保持局部特征的完全性。
图6是使用本发明在SBU与ISTD数据集上进行阴影检测的效果展示图,input为被测试彩色图像,ground truth为人工标记的阴影图像。
图7为在CDnet2012数据集上的“Bungalows”视频序列上的阴影检测,随机选取了五帧进行展示,其中第二行为WeSamBe前景检测算法,可以看出该算法将前景目标与其阴影一同检测出,然而阴影属于误检测。第三行是我们的阴影检测算法在WeSamBe结果基础上对阴影区域的检测结果,其中检测出的阴影区域用淡灰色表示。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,本实施例公开了一种基于双流空洞卷积神经元网络(Double-streamAtrous Network)的阴影检测方法,具体步骤如下所示:
步骤S1:获取单幅彩色图像,以RGB形式输入到设计好的网络中;
步骤S2:图像输入网络首先分为两个通道操作,分别为池化通道和残差通道。其中池化通道通过空洞卷积模块以编码器的形式进行下采样,逐步提取如语义等高维特征。而残差通道由多个交叉流残差模块组成,即通过空洞卷积模块进行卷积提取特征,并叠加上一层的特征图与对应池化通道的特征信息以保持低维特征。值得注意的是,所选用的空洞卷积模块内部含有四层,第一层为卷积核为3×3的普通卷积;第二层为扩张率为3,卷积核大小为11×11的空洞卷积,第三层与第二层相同,第四层与第一层相同.
步骤S3:将池化通道前四层得到的特征图一起送入多层级空洞池化模块,前三层得到的特征图按照不同扩张率的空洞卷积后池化为同样大小,这是该模块的第一部分.第二部分为第四层的特征图进行全局平均池化后双线性插值成第一部分三层特征图池化后的大小。最后四层特征图进行特征融合得到最终下采样部分的输出。
步骤S4:采用解码器的形式通过空洞卷积模块对多层级空洞池化模块的输出特征图进行上采样,与下采样过程完全对称,最后将图像上采样到与输入图像一样大小。
步骤S5:确定好网络的输入层、隐含层和输出层后,将数据集中的图像和标签(与图像同等大小,并按照像素标记好阴影区域与非阴影区域的二值图)按照上述四个步骤全部送入网络进行训练,训练代数可根据训练得到损失函数的收敛趋势决定,损失函数为weighted cross-entropy loss,计算过程分为两步:第一步将样本的logits值记为x,首先将样本的logits值转换成概率第二步利用带有权重的交叉熵公式-z×∑y'×log(y)计算出损失值,式中,y'为标签,y为第一步计算的logits概率值,z为自定义的权重。利用网络不断最小化损失函数,达到最佳训练效果后保存训练参数。
步骤S6:将所保存的权重用来测试需要检测的图片,利用权重的参数输入网络中会得到两个类别的特征图,再通过argmax函数将两个特征图转化成检测出的阴影二值图。
步骤S6中两幅特征图转化为一幅阴影二值图具体包括以下步骤:
步骤6.1、被检测图像送入网络后以数组的形式存储,我们的网络将像素分为两类:一类为前景(阴影)的特征图,一类为背景(非阴影)的特征图;
步骤6.2、利用argmax函数编码,argmax函数比较两幅特征图内对应位置的值的大小,若该部分前景的数值大,则认为该像素为前景,即我们需要的阴影部分,标记为255,显示为白色;背景相同,即非阴影部分,标记为0,显示为黑色,利用上述方法得到检测出的阴影二值图。
Claims (4)
1.一种基于双流空洞卷积神经元网络的阴影检测方法,其特征在于,包括以下步骤:
步骤S1:将训练集中单幅图片按顺序以RGB三通道的形式输入设计好的网络;
步骤S2:图像输入网络首先分为两个通道操作,分别为池化通道和残差通道,其中:池化通道通过空洞卷积模块以编码器的形式进行下采样,逐步提取高维特征;残差通道由多个交叉流残差模块组成,通过空洞卷积模块进行卷积提取特征,并叠加上一层的特征图与对应池化通道的特征信息以保持低维特征;
步骤S3:将池化通道前四层得到的特征图一起送入多层级空洞池化模块,前三层得到的特征图按照不同扩张率的空洞卷积后池化为同样大小获得第一部分三层特征图,第四层的特征图进行全局平均池化后双线性插值成第一部分三层特征图池化后的大小以获得第二部分特征图,最后将四层特征图进行特征融合得到最终下采样部分的输出;
步骤S4:采用解码器的形式通过空洞卷积模块对多层级空洞池化模块的输出特征图进行与下采样过程完全对称的上采样,最后将图像上采样到与输入图像一样大小;
步骤S5:确定好网络的输入层、隐含层和输出层后,将数据集中的图像和标签按照上述步骤S1至步骤S4全部送入网络进行训练,标签为与图像同等大小并按照像素标记好阴影区域与非阴影区域的阴影二值图,训练轮数根据训练得到损失函数的收敛趋势决定,计算过程分为两步:第一步将样本的logits值记为x,将样本的logits值转换成概率第二步利用带有权重的交叉熵公式-z×∑y'×log(y)计算出损失值,式中,y'为标签,y为第一步计算的logits概率值,z为自定义的权重;
步骤S6:利用所保存的权重来测试需要检测的图像,将权重的参数确定之后,被检测图像输入网络后会输出阴影的特征图及非阴影的特征图,再通过argmax函数将两个特征图转化成一个检测出的阴影二值图。
2.根据权利要求1所述的一种基于双流空洞卷积神经元网络的阴影检测方法,其特征在于,步骤S2中,所选用的空洞卷积模块内部含有四层:第一层为卷积核为3×3的普通卷积;第二层为扩张率为3,卷积核大小为11×11的空洞卷积;第三层与第二层相同;第四层与第一层相同。
3.根据权利要求1所述的一种基于双流空洞卷积神经元网络的阴影检测方法,其特征在于,步骤S5中损失函数为weighted cross-entropyloss。
4.根据权利要求1所述的一种基于双流空洞卷积神经元网络的阴影检测方法,其特征在于,步骤S6中,单幅彩色图像输入设计好的网络之后输出阴影的特征图及非阴影的特征图,以数组的形式存储,argmax函数比较两幅特征图内对应像素检测值的大小,若该像素前景的数值大,则认为该像素为前景,即需要的阴影部分,标记为255,显示为阴影二值图中的白色部分,若该像素背景的数值大,则认为该像素为背景,即非阴影部分,标记为0,显示为阴影二值图中的黑色部分,以上述方法得到检测出的阴影二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449023.6A CN111666842B (zh) | 2020-05-25 | 2020-05-25 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449023.6A CN111666842B (zh) | 2020-05-25 | 2020-05-25 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666842A CN111666842A (zh) | 2020-09-15 |
CN111666842B true CN111666842B (zh) | 2022-08-26 |
Family
ID=72384497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010449023.6A Active CN111666842B (zh) | 2020-05-25 | 2020-05-25 | 一种基于双流空洞卷积神经元网络的阴影检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666842B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257766B (zh) * | 2020-10-16 | 2023-09-29 | 中国科学院信息工程研究所 | 一种基于频域滤波处理的自然场景***影识别检测方法 |
CN112949829A (zh) * | 2021-03-05 | 2021-06-11 | 深圳海翼智新科技有限公司 | 特征图的池化方法、数据处理方法和计算设备 |
CN113065578B (zh) * | 2021-03-10 | 2022-09-23 | 合肥市正茂科技有限公司 | 一种基于双路区域注意力编解码的图像视觉语义分割方法 |
CN113052775B (zh) * | 2021-03-31 | 2023-05-23 | 华南理工大学 | 一种图像去阴影方法及装置 |
CN113178010B (zh) * | 2021-04-07 | 2022-09-06 | 湖北地信科技集团股份有限公司 | 基于深度学习的高分影像阴影区域恢复重建方法 |
CN113920124B (zh) * | 2021-06-22 | 2023-04-11 | 西安理工大学 | 基于分割和误差引导的脑神经元迭代分割方法 |
CN113870124B (zh) * | 2021-08-25 | 2023-06-06 | 西北工业大学 | 基于弱监督的双网络互激励学习阴影去除方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109711448A (zh) * | 2018-12-19 | 2019-05-03 | 华东理工大学 | 基于判别关键域和深度学习的植物图像细粒度分类方法 |
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN110084249A (zh) * | 2019-04-24 | 2019-08-02 | 哈尔滨工业大学 | 基于金字塔特征注意的图像显著性检测方法 |
CN110232394A (zh) * | 2018-03-06 | 2019-09-13 | 华南理工大学 | 一种多尺度图像语义分割方法 |
CN110781776A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于预测和残差细化网络的道路提取方法 |
CN110852267A (zh) * | 2019-11-11 | 2020-02-28 | 复旦大学 | 基于光流融合型深度神经网络的人群密度估计方法及装置 |
CN111028235A (zh) * | 2019-11-11 | 2020-04-17 | 东北大学 | 一种利用特征融合增强边缘和细节信息的图像分割方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111179244A (zh) * | 2019-12-25 | 2020-05-19 | 汕头大学 | 一种基于空洞卷积的自动化裂缝检测方法 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10783640B2 (en) * | 2017-10-30 | 2020-09-22 | Beijing Keya Medical Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
-
2020
- 2020-05-25 CN CN202010449023.6A patent/CN111666842B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232394A (zh) * | 2018-03-06 | 2019-09-13 | 华南理工大学 | 一种多尺度图像语义分割方法 |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109711448A (zh) * | 2018-12-19 | 2019-05-03 | 华东理工大学 | 基于判别关键域和深度学习的植物图像细粒度分类方法 |
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN110084249A (zh) * | 2019-04-24 | 2019-08-02 | 哈尔滨工业大学 | 基于金字塔特征注意的图像显著性检测方法 |
CN110781776A (zh) * | 2019-10-10 | 2020-02-11 | 湖北工业大学 | 一种基于预测和残差细化网络的道路提取方法 |
CN110852267A (zh) * | 2019-11-11 | 2020-02-28 | 复旦大学 | 基于光流融合型深度神经网络的人群密度估计方法及装置 |
CN111028235A (zh) * | 2019-11-11 | 2020-04-17 | 东北大学 | 一种利用特征融合增强边缘和细节信息的图像分割方法 |
CN111079649A (zh) * | 2019-12-17 | 2020-04-28 | 西安电子科技大学 | 基于轻量化语义分割网络的遥感图像地物分类方法 |
CN111179244A (zh) * | 2019-12-25 | 2020-05-19 | 汕头大学 | 一种基于空洞卷积的自动化裂缝检测方法 |
CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
Non-Patent Citations (2)
Title |
---|
Liang-Chieh Chen ; George Papandreou ; Iasonas Kokkinos ; Kevin Mur.(1) 《DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs》.《IEEE Transactions on Pattern Analysis and Machine Intelligence 》.2017, * |
Pingping Zhang ; Wei Liu ; Yinjie Lei ; Hongyu Wang ; Huchuan Lu.《RAPNet: Residual Atrous Pyramid Network for Importance-Aware Street Scene Parsing》.《IEEE Transactions on Image Processing 》.2020, * |
Also Published As
Publication number | Publication date |
---|---|
CN111666842A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666842B (zh) | 一种基于双流空洞卷积神经元网络的阴影检测方法 | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及*** | |
CN110956094B (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
TWI744283B (zh) | 一種單詞的分割方法和裝置 | |
CN113887459B (zh) | 一种基于改进Unet++的露天矿区采场变化区域检测方法 | |
CN110309808B (zh) | 一种大范围尺度空间下的自适应烟雾根节点检测方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN114841972A (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
CN110033040B (zh) | 一种火焰识别方法、***、介质和设备 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN111738054B (zh) | 一种基于时空自编码器网络和时空cnn的行为异常检测方法 | |
CN111353544B (zh) | 一种基于改进的Mixed Pooling-YOLOV3目标检测方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN111582092B (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN110866455B (zh) | 一种路面水体检测方法 | |
CN110555464A (zh) | 一种基于深度学习模型的车辆颜色识别方法 | |
CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别***及方法 | |
CN111626090A (zh) | 一种基于深度帧差卷积神经网络的运动目标检测方法 | |
CN113516126A (zh) | 一种基于注意力特征融合的自适应阈值场景文本检测方法 | |
CN112907626A (zh) | 基于卫星超时相数据多源信息的运动目标提取方法 | |
CN112926667A (zh) | 深度融合边缘与高层特征的显著性目标检测方法及装置 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 |
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 |