CN112085756B - 一种基于残差网络的道路图像多尺度边缘检测模型及方法 - Google Patents
一种基于残差网络的道路图像多尺度边缘检测模型及方法 Download PDFInfo
- Publication number
- CN112085756B CN112085756B CN202011007469.XA CN202011007469A CN112085756B CN 112085756 B CN112085756 B CN 112085756B CN 202011007469 A CN202011007469 A CN 202011007469A CN 112085756 B CN112085756 B CN 112085756B
- Authority
- CN
- China
- Prior art keywords
- network
- image
- edge detection
- training
- output
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于残差网络的道路图像多尺度边缘检测模型及方法,所述模型包括:数据集构建模块,用于利用各种行驶道路的图像构建用于模型训练用的数据集;训练样本加载模块,用于在训练时批量加载训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络;多尺度边缘检测网络,用于在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘。
Description
技术领域
本发明涉及计算机图像处理技术领域,特别是涉及一种基于残差网络的道路图像多尺度边缘检测模型及方法。
背景技术
目前,对图像的边缘检测算法已经有很多,例如,早期提出的传统的边缘检测算法更多关注图像中的强度、颜色梯度和纹理等,如Canny算子,但是由于图像中的有些显著边缘在颜色梯度上的变化并不明显,这导致在某些情况下使用这些方法并不能很好的检测到边缘。
基于学习的边缘检测算法使用监督模型和手工标注的特征,如结构化随机森林引入图像的结构信息对图像进行边缘检测,基于深度学习进行边缘检测的方法也被提出,有使用卷积神经网络(CNN)提取图像的特征,也有直接学习一个边缘检测的端到端的模型。但是这些方法都没有很好的对图像的边缘进行多尺度的检测,如道路的大尺度边缘和植物枝叶的小尺度边缘。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种基于残差网络的道路图像多尺度边缘检测模型及方法,以实现行驶道路图像的多尺度边缘检测。
为达上述目的,本发明提出一种基于残差网络的道路图像多尺度边缘检测模型,包括:
数据集构建模块,用于利用各种行驶道路的图像构建用于模型训练用的数据集;
训练样本加载模块,用于在训练时批量加载训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络;
多尺度边缘检测网络,用于在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘。
优选地,所述数据集构建模块通过对自动驾驶和智能监控中车辆抓拍到的行驶道路图像以及人工标注了图像边缘的二值图像,构建用于模型训练用的数据集。
优选地,所述数据集中的数据以行驶道路图像和对应的二值图像作为一个训练样本,每个训练样本中的行驶道路图像用于输入到多尺度边缘检测网络,人工标注的图像边缘的二值图像用于网络训练时用来作为标签真值。
优选地,所述多尺度边缘检测网络基于残差网络Resnet34,通过去掉残差网络Resnet34中的全连接层、一开始的7×7的卷积层以及两个池化层,并将其根据通道数分为4个block,并在前三个block后分别加入一个2×2的最大值池化层形成。
优选地,在每个block中将各层卷积层的输出使用一层反卷积扩大到输入图像大小,然后将输出相加,最后通过两个1×1的卷积输出两个结果,所述该多尺度边缘检测网络共有8个输出,每个输出都是一张预测的边缘图像。
优选地,所述8个输出的标签数据计算如下:从浅层block1到深层block4,每个block取一个输出,对block1的输出使用输入图像的标签图作为真值图进行训练,对block2的输出则将输入图像的标签图减去上述block1的输出之后作为真值图进行训练,对block3的输出为输入图像的标签图减去前两个block的输出之后作为真值图进行训练,对block4的输出为输入图像的标签图减去前三个block的输出作为真值图进行训练;各个block的另一个输出,则从深层的block4开始,使用输入图像的标签图作为真值图进行训练。
优选地,所述多尺度边缘检测网络最终对图像的边缘检测结果为所述8个block输出的融合。
优选地,所述融合为:将所述8个输出的预测边缘图像堆叠到一起,形成一个八通道的特征图,然后使用1×1×1的卷积核卷积生成最终的边缘预测图像。
优选地,训练使用的损失函数为交叉熵损失,损失函数由所述8个block输出以及最终输出与真值图计算求和得到。
为达到上述目的,本发明还提供一种基于残差网络的道路图像多尺度边缘检测方法,包括如下步骤:
步骤S1,利用各种行驶道路的图像构建用于模型训练用的数据集;
步骤S2,批量加载训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络中;
步骤S3,构造交叉熵损失函数,并构造SGD优化器;
步骤S4,将训练样本批量输入到多尺度边缘检测网络中,使用步骤S3所构造的损失函数计算损失,并使用S3构造的优化器进行反向传播更新网络参数。
步骤S5,多次重复上述步骤S2到步骤S4,对网络进行迭代优化,直到训练完毕,得到最终的模型。
与现有技术相比,本发明一种基于残差网络的道路图像多尺度边缘检测模型及方法通过利用各种行驶道路的图像构建用于模型训练用的数据集,在训练时批量加载训练样本,于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络,利用多尺度边缘检测网络在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘,从而实现行驶道路图像的多尺度边缘检测。
附图说明
图1为本发明一种基于残差网络的道路图像多尺度边缘检测模型的***架构图;
图2为本发明具体实施例中多尺度边缘检测网络的整体结构图;
图3为本发明具体实施例中多尺度边缘检测网络的部分细节图;
图4为本发明一种基于残差网络的道路图像多尺度边缘检测方法的步骤流程图;
图5为本发明实施例的流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种基于残差网络的道路图像多尺度边缘检测模型的***架构图。如图1所示,本发明一种基于残差网络的道路图像多尺度边缘检测模型,包括:
数据集构建模块101,用于利用各种行驶道路的图像构建用于模型训练用的数据集。
在本发明具体实施例中,数据集构建模块101通过对自动驾驶和智能监控中车辆抓拍到的行驶道路图像以及人工标注了图像边缘的二值图像,构建用于模型训练用的数据集。数据集中的数据以行驶道路图像和对应的二值图像作为一个训练样本,每个训练样本中的行驶道路图像用于输入到多尺度边缘检测网络103,人工标注的图像边缘的二值图像则用于网络训练时用来当标签真值。所构建的数据集由训练集、验证集和测试集三部分组成。
训练样本加载模块102,用于在训练时批量加载训练样本,即每次加载若干个训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络103中。这里需说明的是,每个训练样本中的行驶道路图像以及其对应的人工标注的其边缘的二值图像都要调整到同等大小。
多尺度边缘检测网络103,用于在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘。
如图2所示,所述多尺度边缘检测网络103基于残差网络Resnet34改造而成,通过去掉残差网络Resnet34其中的全连接层、一开始的7×7的卷积层以及两个池化层,将残差网络Resnet34根据通道数分为了4个block,并在前三个block后分别加入一个2×2的最大值池化层。如图3所示,在每个block中将各层卷积层(3×3卷积层)的输出使用一层反卷积(Deconv)扩大到输入图像大小,然后将输出相加,最后通过两个1×1的卷积输出两个结果,这样,该多尺度边缘检测网络103一共四个block,共有8个输出,每个输出则都是一张预测的边缘图像;在训练时,8个输出的标签数据计算如下:从浅层block1到深层block4,每个block取一个输出,对block1的输出使用输入图像的标签图作为真值图进行训练,对block2的输出则将输入图像的标签图减去上述block1的输出之后作为真值图进行训练,同理,对block3的输出为输入图像的标签图减去前两个block的输出之后作为真值图进行训练,对block4的输出为输入图像的标签图减去前三个block的输出作为真值图进行训练,而各个block的另外一个输出,则和上述一样,只不过从深层的block4开始,使用标签图作为真值图,所述多尺度边缘检测网络103最终对图像的边缘检测结果为8个block输出的融合,其具体的融合方式为:将8个输出的预测边缘图像堆叠到一起,形成一个八通道的特征图,然后使用1×1×1的卷积核卷积生成最终的边缘预测图像。
优选地,在本发明具体实施例中,训练使用的损失函数为交叉熵损失,损失函数计算由8个block输出以及最终输出一共九个结果与真值图(即输入图像对应的标签图)计算求和得到。具体地,
交叉熵损失函数公式为:
其中,y是标签值,是网络输出结果。将上述九个结果分别带入上述公式得到九个Loss损失,相加则为最终的总损失。
举例来说,比如将一张原始拍摄的行驶道路图像输入网络,在进入每个block之后,得到在block中经过卷积的特征图,将其使用反卷积(Deconv)等操作得到该block的两个输出结果,具体操作如图2及图3所示,在4个block都得到8个结果后,再将8个结果融合得到第9个结果,然后将该9个结果各自与标签真值使用交叉熵计算loss损失,最后将9个loss损失相加得到最终的总损失,根据该总损失使用SGD调整网络权重进行训练得到最终的模型。
需说明的是,本发明在训练的时候是从训练集中加载训练样本进行训练,在每训练一轮后,会利用验证集中的样本进行验证,以此判断训练结果,并在完全训练成功后,利用测试集中的样本对模型进行测试评估,由于验证和测试的过程与训练类似,在此不予赘述。
本发明通过利用多尺度边缘检测网络能够对图像更好的进行多尺度特征检测,网络由浅层到深层能够检测从小尺度到大尺度的图像边缘,与一般的卷积神经网络相比,其在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络能够做到由浅层到深层检测图像由小到大的尺度边缘特征,从而能够比传统网络实现更加准确的边缘检测。
图4为本发明一种基于残差网络的道路图像多尺度边缘检测方法的步骤流程图。如图4所示,本发明一种基于残差网络的道路图像多尺度边缘检测方法,包括如下步骤:
步骤S1,利用各种行驶道路的图像构建用于模型训练用的数据集。
在本发明具体实施例中,可通过对自动驾驶和智能监控中车辆抓拍到的行驶道路图像以及人工标注了图像边缘的二值图像,构建用于模型训练用的数据集。数据集中的数据以行驶道路图像和对应的二值图像作为一个训练样本,每个训练样本中的行驶道路图像用于输入到多尺度边缘检测网络,人工标注的图像边缘的二值图像则用于网络训练时用来当标签真值。所构建的数据集由训练集、验证集和测试集三部分组成。
步骤S2,批量加载训练样本,即每次加载若干个训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络中。这里需说明的是,每个训练样本中的行驶道路图像以及其对应的人工标注的其边缘的二值图像都要调整到同等大小。
步骤S3,构造loss损失函数,并构造SGD优化器。在本发明具体实施例中,将多尺度边缘检测网络的9个输出与对应的真值图计算交叉熵损失,然后相加作为损失函数。
步骤S4,将训练样本批量输入到网络中,网络产生九个输出结果,使用步骤S3所构造的损失函数计算损失,并使用S3构造的优化器进行反向传播更新网络参数。
步骤S5,多次重复上述步骤S2到步骤S4,对网络进行迭代优化,直到训练完毕,得到最终的模型。
实施例
如图5所示,在本实施例中,一种基于残差网络的道路图像多尺度边缘检测方法的具体实施步骤如下:
S1、制作数据集,对自动驾驶和智能监控中车辆抓拍到的行驶通路图像作为输入,人工标注的图像边缘二值图像作为标签,数据以输入图像和二值图像作为一个训练样本,数据集由训练集、验证集和测试集三部分组成。
S2、批量加载数据,每次加载若干个样本,并将图像尺寸裁剪为同等大小。
S3、构造loss损失函数,将网络的9个输出与对应的真值图计算交叉熵损失,然后相加作为损失函数。
S4、构造SGD优化器。
S5、将样本中的输入数据批量输入到网络中,网络产生九个输出结果,使用S3所构造的损失函数计算损失,然后使用S4构造的优化器进行反向传播更新网络参数。
S6、多次重复上述步骤2到步骤5,对网络进行迭代优化,直到训练完毕。
综上所述,本发明一种基于残差网络的道路图像多尺度边缘检测模型及方法通过利用各种行驶道路的图像构建用于模型训练用的数据集,在训练时批量加载训练样本,于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络,利用多尺度边缘检测网络在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘,从而实现行驶道路图像的多尺度边缘检测。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (9)
1.一种基于残差网络的道路图像多尺度边缘检测模型,包括:
数据集构建模块,用于利用各种行驶道路的图像构建用于模型训练用的数据集;
训练样本加载模块,用于在训练时批量加载训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络;
多尺度边缘检测网络,用于在训练时通过不同层之间输出结果的相互约束来帮助网络的不同层学习检测不同尺度的图像边缘特征,最终使网络由浅层到深层能够检测从小尺度到大尺度的图像边缘;所述多尺度边缘检测网络基于残差网络Resnet34,通过去掉残差网络Resnet34中的全连接层、一开始的7×7的卷积层以及两个池化层,并将其根据通道数分为4个block,并在前三个block后分别加入一个2×2的最大值池化层形成。
2.如权利要求1所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于:所述数据集构建模块通过对自动驾驶和智能监控中车辆抓拍到的行驶道路图像以及人工标注了图像边缘的二值图像,构建用于模型训练用的数据集。
3.如权利要求2所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于:所述数据集中的数据以行驶道路图像和对应的二值图像作为一个训练样本,每个训练样本中的行驶道路图像用于输入到多尺度边缘检测网络,人工标注的图像边缘的二值图像用于网络训练时用来作为标签真值。
4.如权利要求1所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于:在每个block中将各层卷积层的输出使用一层反卷积扩大到输入图像大小,然后将输出相加,最后通过两个1×1的卷积输出两个结果,所述多尺度边缘检测网络共有8个输出,每个输出都是一张预测的边缘图像。
5.如权利要求4所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于,所述8个输出的标签数据计算如下:从浅层block1到深层block4,每个block取一个输出,对block1的输出使用输入图像的标签图作为真值图进行训练,对block2的输出则将输入图像的标签图减去上述block1的输出之后作为真值图进行训练,对block3的输出为输入图像的标签图减去前两个block的输出之后作为真值图进行训练,对block4的输出为输入图像的标签图减去前三个block的输出作为真值图进行训练;各个block的另一个输出,则从深层的block4开始,使用输入图像的标签图作为真值图进行训练。
6.如权利要求5所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于:所述多尺度边缘检测网络最终对图像的边缘检测结果为所述8个block输出的融合。
7.如权利要求6所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于,所述融合为:将所述8个输出的预测边缘图像堆叠到一起,形成一个八通道的特征图,然后使用1×1×1的卷积核卷积生成最终的边缘预测图像。
8.如权利要求7所述的一种基于残差网络的道路图像多尺度边缘检测模型,其特征在于:训练使用的损失函数为交叉熵损失,损失函数由所述8个block输出以及最终输出与真值图计算求和得到。
9.一种基于残差网络的道路图像多尺度边缘检测方法,包括如下步骤:
步骤S1,利用各种行驶道路的图像构建用于模型训练用的数据集;
步骤S2,批量加载训练样本,并于加载时将图像尺寸裁剪为同等大小,输入到多尺度边缘检测网络中;所述多尺度边缘检测网络基于残差网络Resnet34,通过去掉残差网络Resnet34中的全连接层、一开始的7×7的卷积层以及两个池化层,并将其根据通道数分为4个block,并在前三个block后分别加入一个2×2的最大值池化层形成;
步骤S3,构造交叉熵损失函数,并构造SGD优化器;
步骤S4,将训练样本批量输入到多尺度边缘检测网络中,使用步骤S3所构造的损失函数计算损失,并使用S3构造的优化器进行反向传播更新网络参数;
步骤S5,多次重复上述步骤S2到步骤S4,对网络进行迭代优化,直到训练完毕,得到最终的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007469.XA CN112085756B (zh) | 2020-09-23 | 2020-09-23 | 一种基于残差网络的道路图像多尺度边缘检测模型及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007469.XA CN112085756B (zh) | 2020-09-23 | 2020-09-23 | 一种基于残差网络的道路图像多尺度边缘检测模型及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085756A CN112085756A (zh) | 2020-12-15 |
CN112085756B true CN112085756B (zh) | 2023-11-07 |
Family
ID=73739638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011007469.XA Active CN112085756B (zh) | 2020-09-23 | 2020-09-23 | 一种基于残差网络的道路图像多尺度边缘检测模型及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085756B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598673A (zh) * | 2019-09-24 | 2019-12-20 | 电子科技大学 | 基于残差网络的遥感图像道路提取方法 |
CN110706242A (zh) * | 2019-08-26 | 2020-01-17 | 浙江工业大学 | 一种基于深度残差网络的对象级边缘检测方法 |
CN110992270A (zh) * | 2019-12-19 | 2020-04-10 | 西南石油大学 | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 |
CN111310615A (zh) * | 2020-01-23 | 2020-06-19 | 天津大学 | 基于多尺度信息和残差网络的小目标交通标志检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10679351B2 (en) * | 2017-08-18 | 2020-06-09 | Samsung Electronics Co., Ltd. | System and method for semantic segmentation of images |
-
2020
- 2020-09-23 CN CN202011007469.XA patent/CN112085756B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706242A (zh) * | 2019-08-26 | 2020-01-17 | 浙江工业大学 | 一种基于深度残差网络的对象级边缘检测方法 |
CN110598673A (zh) * | 2019-09-24 | 2019-12-20 | 电子科技大学 | 基于残差网络的遥感图像道路提取方法 |
CN110992270A (zh) * | 2019-12-19 | 2020-04-10 | 西南石油大学 | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 |
CN111310615A (zh) * | 2020-01-23 | 2020-06-19 | 天津大学 | 基于多尺度信息和残差网络的小目标交通标志检测方法 |
Non-Patent Citations (2)
Title |
---|
基于多尺度残差网络的对象级边缘检测算法;朱威 等;《计算机科学》;144-150页 * |
基于小递归卷积神经网络的图像超分辨算法;马昊宇;徐之海;冯华君;李奇;陈跃庭;;光子学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085756A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ukhwah et al. | Asphalt pavement pothole detection using deep learning method based on YOLO neural network | |
CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
US11151403B2 (en) | Method and apparatus for segmenting sky area, and convolutional neural network | |
CN110378222B (zh) | 一种输电线路防震锤目标检测与缺陷识别方法及装置 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN112529005B (zh) | 基于语义特征一致性监督金字塔网络的目标检测方法 | |
CN113269224B (zh) | 一种场景图像分类方法、***及存储介质 | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN111126446B (zh) | 一种机器人视觉工业产品缺陷图像数据增广方法 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN112036249A (zh) | 端对端行人检测及属性识别的方法、***、介质及终端 | |
CN111460894A (zh) | 一种基于卷积神经网络的车标智能检测方法 | |
CN115631186A (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
CN113159115A (zh) | 基于神经架构搜索的车辆细粒度识别方法、***和装置 | |
CN116342538A (zh) | 一种跑冒滴漏检测方法、装置、智能设备和存储介质 | |
CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、***、装置及介质 | |
CN112085001B (zh) | 一种基于多尺度边缘特征检测的隧道识别模型及方法 | |
CN112085756B (zh) | 一种基于残差网络的道路图像多尺度边缘检测模型及方法 | |
CN112926052A (zh) | 基于遗传算法的深度学习模型安全漏洞测试和修复方法、装置和*** | |
CN115861306B (zh) | 一种基于自监督拼图模块的工业品异常检测方法 | |
CN116977859A (zh) | 基于多尺度图像切割和实例困难度的弱监督目标检测方法 | |
CN114627382B (zh) | 联合行道线几何先验的高速公路雾天能见度检测方法 | |
CN111353412A (zh) | 端到端的3D-CapsNet火焰检测方法及装置 |
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 |