CN111968124B - 基于半监督语义分割的肩部肌骨超声结构分割方法 - Google Patents
基于半监督语义分割的肩部肌骨超声结构分割方法 Download PDFInfo
- Publication number
- CN111968124B CN111968124B CN202011152674.5A CN202011152674A CN111968124B CN 111968124 B CN111968124 B CN 111968124B CN 202011152674 A CN202011152674 A CN 202011152674A CN 111968124 B CN111968124 B CN 111968124B
- Authority
- CN
- China
- Prior art keywords
- section
- image set
- image
- labeled
- musculoskeletal
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
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)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及基于半监督语义分割的肩部肌骨超声结构分割方法,包括以下步骤:对获取的若干切面肌骨超声图像进行预处理,得到标注后的强标注图像集和弱标注图像集;使用标注后的强标注图像集中的切面肌骨超声图像对生成网络和判别网络进行训练,再使用标注后的弱标注图像集中的切面肌骨超声图像对生成网络进行反向优化训练,得到总生成网络;将肩部肌骨超声图像输入训练好的总生成网络中,得到肩部肌骨超声结构分割图。本发明设计一种分割肌骨超声图像的智能识别方法,简省医疗过程中的人力和时间成本,提高医疗效率。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及基于半监督语义分割的肩部肌骨超声结构分割方法。
背景技术
肌骨超声是近年来新兴的超声检查技术,应用高频超声能够清晰显示肌肉、肌腱、韧带、周围神经等浅表软组织结构,但由于肌骨超声图像存在肌骨个体间形状、纹理等差异大的问题,导致医师在对肌骨超声图像进行分割分析时会花费很多时间,这导致增加了人力成本和时间成本。因此,能够设计智能识别分割肌骨超声图像的方法能够简省医疗过程中的人力和时间成本。
发明内容
本发明的目的在于设计一种分割肌骨超声图像的智能识别方法,简省医疗过程中的人力和时间成本,提高医疗效率,提供基于半监督语义分割的肩部肌骨超声结构分割方法。
为了实现上述发明目的,本发明实施例提供了以下技术方案:
基于半监督语义分割的肩部肌骨超声结构分割方法,包括以下步骤:
步骤S1:对获取的若干切面肌骨超声图像进行预处理,得到标注后的强标注图像集和弱标注图像集;
步骤S2:使用标注后的强标注图像集中的切面肌骨超声图像对生成网络和判别网络进行训练,再使用标注后的弱标注图像集中的切面肌骨超声图像对生成网络进行反向优化训练,得到总生成网络;
步骤S3:将肩部肌骨超声图像输入训练好的总生成网络中,得到肩部肌骨超声结构分割图。
所述对获取的若干切面肌骨超声图像进行预处理,得到标注后的强标注图像集和弱标注图像集的步骤,包括:
将获取的若干切面肌骨超声图像按照1:10的比例随机划分为强标注图像集和弱标注图像集;
对于强标注图像集,对其中每一张切面肌骨超声图像进行肌肉骨骼结构的分割标注,同时确定其切面类型标签,得到强标注图像集中每张切面肌骨超声图像的切面类型信息;按照分割标注分别统计强标注图像集中每张切面肌骨超声图像的密度分布特征向量;
对于弱标注图像集,对其中每一张切面肌骨超声图像进行肌肉骨骼结构的分割标注,同时确定其切面类型标签,得到弱标注图像集中每张切面肌骨超声图像的切面类型信息。
所述切面标签包括肱二头肌长头腱短轴切面、肩胛下肌腱长轴切面、冈上肌腱长轴切面、肩关节治疗切面、腋下关节囊切面,依次使用section=1,...,5来表示。
按照分割标注分别统计强标注图像集中每张切面肌骨超声图像的密度分布特征向量的步骤,包括:
对每一个切面肌骨超声图像的切面进行二值化分类,将肌骨结构和背景分为目标1和目标0;
计算子图像区域的目标像素在极坐标方向的相对密度的一阶数值差分:
所述使用标注后的强标注图像集中的切面肌骨超声图像对生成网络和判别网络进行训练的步骤,包括:
将标注后的强标注图像集中的切面肌骨超声图像经数据增强后输入生成网络,得到强标注图像集对应的预测图;将强标注图像集对应的预测图与对应的分割标注做逐像素的交叉熵损失计算,得到生成网络的损失,同时得到集合{预测图,分割标注};
在集合{预测图,分割标注}中进行随机抽样,得到预测图或分割标注,记预测图为伪事件、分割标注为真事件的抽样结果;将抽样结果输入判别网络,得到强标注图像集的真伪概率输出;
利用总损失一进行反向传播优化生成网络和判别网络,对强标注图像集中的切面肌骨超声图像进行多次迭代训练,得到预训练的生成网络和预训练的判别网络。
所述生成网络包括以下模块:
特征融合模块,用于对下采样的肌骨超声图像由金字塔的第5层开始通过残差卷积单元进行通道concatenate连接,卷积后的结果与上一层金字塔进行通道concatenate连接,直到金字塔所有层都完成卷积,得到特征图像金字塔;
反卷积预测模块,用于利用反卷积网络对多类别肌骨超声结构分割生成像素分类置信度图像。
所述使用标注后的弱标注图像集中的切面肌骨超声图像对生成网络进行反向优化训练的步骤,包括;
将标注后的弱标注图像集中的切面肌骨超声图像经数据增强后输入经强标注图像集预训练后的所述生成网络中,得到弱标注图像集对应的预测图;将弱标注图像集对应的预测图输入经强标注图像集预训练后的判别网络中,得到弱标注图像集的真伪概率输出;
所述得到总生成网络的步骤之前,还包括步骤:
使用标注后的强标注图像集和标注后的弱标注图像集对生成网络进行多次交替训练和优化,得到总生成网络
与现有技术相比,本发明的有益效果:
本发明设计一种分割肌骨超声图像的智能识别方法,简省医疗过程中的人力和时间成本,提高医疗效率,提供基于半监督语义分割的肩部肌骨超声结构分割方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍, 应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明分割方法的流程图;
图2为本发明强标注图像集训练过程示意图;
图3为本发明弱标注图像集训练过程示意图;
图4(a)为本发明肩部肌骨超声图像效果示意图;
图4(b)为本发明肩部肌骨超声结构分割效果示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本发明通过下述技术方案实现,请参见图1,基于半监督语义分割的肩部肌骨超声结构分割方法,包括以下方法:
步骤S1:对获取的若干切面肌骨超声图像进行预处理,得到标注后的强标注图像集和弱标注图像集;所述预处理包括图像划分、分割、标注。
采用多种设备获取若干张如图4(a)所示的切面肌骨超声图像,比如可采用通用、三星、飞利浦等生产商的多种型号的设备采集切面肌骨超声图像,包括肱二头肌长头腱短轴切面、肩胛下肌腱长轴切面、冈上肌腱长轴切面、肩关节治疗切面、腋下关节囊切面这五类切面肌骨超声图像,可用j=1,...,5来表示这五类切面肌骨超声图像。将获取的若干切面肌骨超声图像(后简称为超声图像)按照1:10的比例随机划分为强标注图像集和弱标注图像集。
在网络学习的过程中,一般需要至少5000张样本中有400-500张区别标注的样本才能基本保证半监督网络学习能够学习到足够的信息,并且拥有足够的泛华能力,因此选择按照1:10的比例随机划分强标注图像集和弱标注图像集,如果这个比例太高或太低,半监督网络学习的意义就不大,学习性能会明显降低。
对于强标注图像集,利用CVAT标注工具对其中每一张超声图像进行肌肉骨骼结构的分割标注,同时确定出其切面类型标签,此时得到强标注图像集中每张切面肌骨超声图像的切面类型信息,使用section=1,...,5来表示该张超声图像属于哪一类切面。然后按照分割标注分别统计强标注图像集中每张超声图像的密度分布特征向量,得到该张超声图像相应的切面的密度分布特征向量。
具体的密度分布特征向量计算方法为:
a.对每一个超声图像的切面进行二值化分类,将肌骨结构和背景分为目标1和目标0;
d.计算子图像区域的目标像素在极坐标方向的相对密度的一阶数值差分:
同一切面的密度分布特征具有平移不变性和尺度不变性,本方案中用于表征同一切面下的结构的位置先验和形状先验性。因为不同的人在同一个切面的超声图像的肌骨结构形状和相对位置都保持了高度的相似性,这是肌骨超声的一大特点,所以加入这种先验性条件可以有利于在训练过程中收敛得更快和更加准确。这种肌骨结构的形状和位置的先验性,需要一个数学的指标去衡量,类似于描述空间两个点的距离,比如可以使用欧几里得距离来衡量。
对于弱标注图像集,按照相同的方法仅标注出其切面类型标签,得到其中超声图像的切面类型信息。
步骤S2:使用标注后的强标注图像集中的切面肌骨超声图像对生成网络和判别网络进行训练,再使用标注后的弱标注图像集中的切面肌骨超声图像对生成网络进行反向优化训练,得到总生成网络。
所述生成网络包括以下模块:
特征融合模块,用于对下采样的肌骨超声图像由金字塔的第5层开始通过残差卷积单元进行通道concatenate连接,卷积后的结果与上一层金字塔进行通道concatenate连接,直到金字塔所有层都完成卷积,得到特征图像金字塔;
反卷积预测模块,用于利用反卷积网络对多类别肌骨超声结构分割生成像素分类置信度图像。
得到的生成网络的损失表达式为:
其中,表示超声图像中p个像素点真实类别的one-hot编码第c个类别的取值,,比如第0个像素的真实标签为2,加上背景供4个类别,那么,则,其余值为0。表示超声图像中p个像素点预测类别的one-hot编码第c个类别的取值,,是一个概率值。N表示总的像素点数量,C表示类别总数。
在集合{预测图,分割标注}中进行随机抽样,得到预测图或分割标注,记预测图为伪事件、分割标注为真事件的抽样结果。将抽样结果输入判别网络,得到强标注图像集的真伪概率输出,输出结果为0~1,表示判定输入为真事件的概率,即输入为分割标注的概率。计算真伪概率输出与实际值的一维交叉熵损失,得到判别网络的损失。
一个性能优越判别网络是能够对这两种输入情况准确做出判别的,但是当生成网络的性能非常好,预测图和分割标注相差很小,生成网络就很难做出判断,于是,基于这个矛盾,交替训练判别网络与生成网络,能够使得判别网络都到一个比较好的性能,使得生成网络更有效。
利用总损失一进行反向传播优化网络,比如抽取的是预测图,那么判别网络损失可以直接反向传播到生成网络中,能够同时对生成网络和判别网络进行权重更新,从而训练生成网络和判别网络;如果抽取的是分割标注,那么判别网络损失只会传播到判别网络的输入中,不会传播到生成网络,但能够对判别网络进行权重更新,训练判别网络,因此可以直接将生成网络的损失和判别网络的损失直接相加进行反向传播。
对强标注图像集中的超声图像进行多次迭代训练,得到预训练的生成网络和预训练的判别网络。
请参见图3,将弱标注图像集中的超声图像经数据增强后输入经强标注图像集预训练后的生成网络中,得到弱标注图像集对应的预测图。将预测图直接输入经强标注图像集预训练后的判别网络中,得到弱标注图像集的真伪概率输出。
弱标注图像集的真伪概率输出与强标注图像集的真伪概率输出不同,弱标注图像集的真伪概率输出表征生成网络预测的预测图的质量得分。将该质量得分与实际值做交叉熵损失,此时由于只有生成网络的预测图,因此此处,得到弱标注图像集下的判别网络损失。
固定判别网络的权重,利用总损失二反向传播优化生成网络,由于此处判别网络的输入来源于生成网络的输入,因此固定判别网络了优化生成网络,并且不会判别网络造成其他影响。
对强标注图像集和弱标注图像集对生成网络进行多次交替训练和优化,最终得到总生成网络。
步骤S3:请参见图4(a),将新的肩部肌骨超声图像输入训练好的总生成网络中,请参见图4(b),得到肩部肌骨超声结构分割图。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.基于半监督语义分割的肩部肌骨超声结构分割方法,其特征在于:包括以下步骤:
步骤S1:对获取的若干切面肌骨超声图像进行预处理,得到标注后的强标注图像集和弱标注图像集;
步骤S2:使用标注后的强标注图像集中的切面肌骨超声图像对生成网络和判别网络进行训练,再使用标注后的弱标注图像集中的切面肌骨超声图像对生成网络进行反向优化训练,得到总生成网络;
步骤S3:将肩部肌骨超声图像输入训练好的总生成网络中,得到肩部肌骨超声结构分割图;
所述对获取的若干切面肌骨超声图像进行预处理,得到标注后的强标注图像集和弱标注图像集的步骤,包括:
将获取的若干切面肌骨超声图像按照1:10的比例随机划分为强标注图像集和弱标注图像集;
对于强标注图像集,对其中每一张切面肌骨超声图像进行肌肉骨骼结构的分割标注,同时确定其切面类型标签,得到强标注图像集中每张切面肌骨超声图像的切面类型信息;按照分割标注分别统计强标注图像集中每张切面肌骨超声图像的密度分布特征向量;
对于弱标注图像集,对其中每一张切面肌骨超声图像进行肌肉骨骼结构的分割标注,同时确定其切面类型标签,得到弱标注图像集中每张切面肌骨超声图像的切面类型信息。
2.根据权利要求1所述的方法,其特征在于:所述切面类型标签包括肱二头肌长头腱短轴切面、肩胛下肌腱长轴切面、冈上肌腱长轴切面、肩关节治疗切面、腋下关节囊切面,依次使用section=1,...,5来表示。
3.根据权利要求2所述的方法,其特征在于:所述按照分割标注分别统计强标注图像集中每张切面肌骨超声图像的密度分布特征向量的步骤,包括:
对每一个切面肌骨超声图像的切面进行二值化分类,将肌骨结构和背景分为目标1和目标0;
计算子图像区域的目标像素在极坐标方向的相对密度的一阶数值差分:
4.根据权利要求2所述的方法,其特征在于:所述使用标注后的强标注图像集中的切面肌骨超声图像对生成网络和判别网络进行训练的步骤,包括:
将标注后的强标注图像集中的切面肌骨超声图像经数据增强后输入生成网络,得到强标注图像集对应的预测图;将强标注图像集对应的预测图与对应的分割标注做逐像素的交叉熵损失计算,得到生成网络的损失,同时得到集合{预测图,分割标注};
在集合{预测图,分割标注}中进行随机抽样,得到预测图或分割标注,记预测图为伪事件、分割标注为真事件的抽样结果;将抽样结果输入判别网络,得到强标注图像集的真伪概率输出;
利用总损失一进行反向传播优化生成网络和判别网络,对强标注图像集中的切面肌骨超声图像进行多次迭代训练,得到预训练的生成网络和预训练的判别网络。
6.根据权利要求4所述的方法,其特征在于:所述使用标注后的弱标注图像集中的切面肌骨超声图像对生成网络进行反向优化训练的步骤,包括;
将标注后的弱标注图像集中的切面肌骨超声图像经数据增强后输入经强标注图像集预训练后的所述生成网络中,得到弱标注图像集对应的预测图;将弱标注图像集对应的预测图输入经强标注图像集预训练后的判别网络中,得到弱标注图像集的真伪概率输出;
7.根据权利要求6所述的方法,其特征在于:所述得到总生成网络的步骤之前,还包括步骤:
使用标注后的强标注图像集和标注后的弱标注图像集对生成网络进行多次交替训练和优化,得到总生成网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011152674.5A CN111968124B (zh) | 2020-10-26 | 2020-10-26 | 基于半监督语义分割的肩部肌骨超声结构分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011152674.5A CN111968124B (zh) | 2020-10-26 | 2020-10-26 | 基于半监督语义分割的肩部肌骨超声结构分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968124A CN111968124A (zh) | 2020-11-20 |
CN111968124B true CN111968124B (zh) | 2020-12-22 |
Family
ID=73387193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011152674.5A Active CN111968124B (zh) | 2020-10-26 | 2020-10-26 | 基于半监督语义分割的肩部肌骨超声结构分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968124B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113436221A (zh) * | 2021-05-31 | 2021-09-24 | 华东师范大学 | 一种利用几何形状分层的图像分割弱标注方法 |
CN113962951B (zh) * | 2021-10-15 | 2022-05-17 | 杭州研极微电子有限公司 | 检测分割模型的训练方法及装置、目标检测方法及装置 |
CN114170481B (zh) * | 2022-02-10 | 2022-06-17 | 北京字节跳动网络技术有限公司 | 用于图像处理的方法、设备、存储介质和程序产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256562A (zh) * | 2018-01-09 | 2018-07-06 | 深圳大学 | 基于弱监督时空级联神经网络的显著目标检测方法及*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9519868B2 (en) * | 2012-06-21 | 2016-12-13 | Microsoft Technology Licensing, Llc | Semi-supervised random decision forests for machine learning using mahalanobis distance to identify geodesic paths |
CN104573669B (zh) * | 2015-01-27 | 2018-09-04 | 中国科学院自动化研究所 | 图像物体检测方法 |
US10402690B2 (en) * | 2016-11-07 | 2019-09-03 | Nec Corporation | System and method for learning random-walk label propagation for weakly-supervised semantic segmentation |
CN108205806B (zh) * | 2016-12-20 | 2020-10-09 | 北京大学 | 一种锥束ct图像三维颅面结构的自动解析方法 |
US10169873B2 (en) * | 2017-03-23 | 2019-01-01 | International Business Machines Corporation | Weakly supervised probabilistic atlas generation through multi-atlas label fusion |
CN111383207B (zh) * | 2018-12-11 | 2024-03-15 | 深圳开立生物医疗科技股份有限公司 | 一种肌骨超声图像处理方法、***、装置及可读存储介质 |
CN109800788A (zh) * | 2018-12-18 | 2019-05-24 | 中国海洋大学 | 一种减少图像分割数据集标注的方法 |
CN111179227B (zh) * | 2019-12-16 | 2022-04-05 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
CN111612770B (zh) * | 2020-05-22 | 2021-08-31 | 中国科学院自动化研究所 | 基于主动筛选的半监督病灶检测网络的病灶检测*** |
CN111680739B (zh) * | 2020-06-04 | 2024-03-22 | 通号通信信息集团有限公司 | 一种目标检测和语义分割的多任务并行方法及*** |
-
2020
- 2020-10-26 CN CN202011152674.5A patent/CN111968124B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256562A (zh) * | 2018-01-09 | 2018-07-06 | 深圳大学 | 基于弱监督时空级联神经网络的显著目标检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111968124A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598029B (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
Chouhan et al. | Soft computing approaches for image segmentation: a survey | |
CN111968124B (zh) | 基于半监督语义分割的肩部肌骨超声结构分割方法 | |
CN111259786B (zh) | 一种基于视频的外观和运动信息同步增强的行人重识别方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及*** | |
Ali et al. | Boosted NNE collections for multicultural facial expression recognition | |
Chen et al. | Research on recognition of fly species based on improved RetinaNet and CBAM | |
Bera et al. | Attend and guide (ag-net): A keypoints-driven attention-based deep network for image recognition | |
Ashok Kumar et al. | Enhanced facial emotion recognition by optimal descriptor selection with neural network | |
CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN110059730A (zh) | 一种基于胶囊网络的甲状腺结节超声图像分类方法 | |
Gammulle et al. | Coupled generative adversarial network for continuous fine-grained action segmentation | |
Jiang et al. | Facial expression recognition based on convolutional block attention module and multi-feature fusion | |
Chen et al. | A pornographic images recognition model based on deep one-class classification with visual attention mechanism | |
CN114842238A (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN113486902A (zh) | 基于元学习的三维点云分类算法自动选择方法 | |
Li et al. | Findnet: Can you find me? boundary-and-texture enhancement network for camouflaged object detection | |
Hosny et al. | Refined color texture classification using CNN and local binary pattern | |
Ameen et al. | Explainable residual network for tuberculosis classification in the IoT era | |
CN113011436A (zh) | 一种基于卷积神经网络的中医舌色苔色协同分类方法 | |
CN112991280A (zh) | 视觉检测方法、***及电子设备 | |
Karambakhsh et al. | SparseVoxNet: 3-D object recognition with sparsely aggregation of 3-D dense blocks | |
Sujatha et al. | Enhancing Object Detection with Mask R-CNN: A Deep Learning Perspective | |
Li et al. | A new algorithm of vehicle license plate location based on convolutional 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |