CN112489001B - 基于改进的深度学习的隧道渗水检测方法 - Google Patents
基于改进的深度学习的隧道渗水检测方法 Download PDFInfo
- Publication number
- CN112489001B CN112489001B CN202011319025.XA CN202011319025A CN112489001B CN 112489001 B CN112489001 B CN 112489001B CN 202011319025 A CN202011319025 A CN 202011319025A CN 112489001 B CN112489001 B CN 112489001B
- Authority
- CN
- China
- Prior art keywords
- feature
- feature map
- channel
- images
- attention
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于改进的深度学习的隧道渗水检测方法,其包括如下步骤:(1)基于残差网络的图像特征提取;(2)注意力机制:在残差网络的每个阶段后加入一个注意力模块,将包含更多语义信息的特征图进行加强,抑制包含无用信息的特征图;(3)将高级语义信息进行传播:采用自顶向下的方式,将高级语义信息传播到低阶特征图中;(4)获得上下文信息:将不同尺度的特征图进行通道拼接,后面跟着一个通道注意力机制模块,对特征图进行修正;(5)渗水预测。本发明针对隧道衬砌表面图像特征,利用深度学习方法提取不同语义信息特征,同时采用注意力机制对特征图进行修正,利用不同语义信息特征融合,使得低阶特征图呈现更好的抗噪能力,实现准确的隧道渗水检测。
Description
技术领域
本发明涉及图像检测方法,尤其是隧道渗水图像,具体涉及一种基于改进的深度学习的隧道渗水检测方法。
背景技术
隧道渗水检测是对隧道衬砌表面渗水进行识别。及时检测出隧道渗水损伤,防止渗水损伤造成更大的损伤和威胁铁路线路的运营安全。目前,隧道渗水检测大多采用人工巡检的方式,人工方式会受到主观因素的影响,造成判别偏差,另外严重威胁巡检人员的安全。随着计算机视觉技术的发展,尤其深度学习技术的发展,基于深度学习的无损检测成为了国内外隧道病害检测的研究热点。
通过深度学习算法对隧道表面图像进行处理分析,得到包含渗水区域位置以及大小的标签图。标签图可以为隧道养护工作提供信息准确信息。目前基于深度学习方法的隧道渗水检测,大部分是应用现有的深度学习模型,通过深度学习模型隧道衬砌表面图像进行渗水检测。
深度学习包含多个卷积层,不同的卷积阶段得到不同语义信息的特征图,低级特征图包含更多的细节信息和位置信息,但其对噪声敏感;高级特征图包含更多的高级的语义信息,表现出更好的抗噪能力。将不同等级的特征图进行融合,融合后的特征图包含细节和位置信息,同时表现出很好的抗噪能力。深度学习通过数据自我训练获得了提取丰富特征的能力,但由于隧道衬砌表面的复杂性和渗水区域大小的多变性,造成其中也包含一些无用的特征图,这些不利于检测渗水区域完成准确的渗水识别。
发明内容
本发明拟针对隧道衬砌表面图像特征,利用深度学习方法提取不同语义信息特征,同时采用注意力机制对特征图进行修正,利用不同语义信息特征融合,提供一种基于改进的深度学习的隧道渗水检测方法。
本发明采用如下技术方案:
一种基于改进的深度学习的隧道渗水检测方法,其包括如下步骤:
(1)基于残差网络的图像特征提取;
(2)注意力机制:在残差网络的每个阶段后加入一个注意力模块,将包含更多语义信息的特征图进行加强,抑制包含无用信息的特征图;
(3)将高级语义信息进行传播:采用自顶向下的方式,将高级语义信息传播到低阶特征图中;
(4)获得上下文信息:将不同尺度的特征图进行通道拼接,包含更多的渗水区域上下文信息,后面跟着一个通道注意力机制模块,对特征图进行修正;
(5)渗水预测:将经步骤(4)得到的修正后的特征图输入分类层中,进行图像像素点分类。
其中,所述步骤(1)为:将隧道衬砌图像输入到残差网络中,得到不同尺度的特征图。
其中,所述残差网络为Resnet101。
其中,所述步骤(2)为:步骤(1)的残差网络中,在每两个阶段中间添加一个注意力机制模块,对步骤(1)得到的不同尺度的特征图进行修正。
其中,所述注意力机制模块包括:
(a)通道注意力修正:对输入图像进行全局最大池化和全局平均池化,得到不同的通道注意力向量,两个不同的通道注意力向量经过两个全连接层,得到两个通道注意力特征向量Vm与Va,将Vm与Va相加,然后将其送入sigmoid激活函数得到最终的通道注意力特征向量Vc;将Vc与输入特征图相乘;
(b)空间注意力修正:对输入图像进行全局最大池化和全局平均池化,得到不同的两个空间特征图,然后对两个空间特征图进行拼接,将其输入到一个7*7卷积层,后面跟着一个sigmoid激活函数得到最终的空间注意力特征图Fc;将Fc与输入特征图相乘;
(c)将步骤(a)与(b)通过串联方式对残差网络提取的特征进行修正:先对输入特征图进行通道注意力修正,然后对输入特征图进行通道注意力修正。
其中,所述步骤(3)中将高级语义信息自顶向下传播到低阶特征图中进行特征融合时,采用双线性内插的方法,当维度与尺寸大小都统一后,采用通道拼接的方式,最后通过3*3卷积实现最后的特征融合。
其中,所述步骤(4)为:首先对齐进行双线性插值法进行放大尺度,将其各自尺度调整到与输入隧道图像尺度一样的大小,然后将不同等级的特征图进行通道拼接,最后将通道拼接后的特征图输入通道注意力模块。
其中,所述步骤(5)为:步骤(4)得到的修正后的特征图与网络输入图像大小一致,然后将特征图输入到一个1*1卷积层中,最后得到的通道数为1,最后再经过一个sigmoid激活函数进行分类;得到最终的预测图P。
本发明的有益效果在于:本发明利用残差网络(Resnet101)进行图像特征提取;然后将网络输出的不同尺度的特征图送入到注意力模块中,最后通过自顶向下的方式,将高阶特征图与低阶特征图进行融合,使得高级语义信息向低阶特征图传播,使得低阶特征图呈现更好的抗噪能力,最后将不同尺度的特征图进行通道拼接,通过注意力机制,实现准确的隧道渗水检测。
附图说明
图1为本发明的网络模型结构图。
具体实施方式
下面将结合附图1,对本申请的技术方案进行清楚、完整地描述。
步骤1:基于残差网络(Resnet101)的图像特征提取方法。将隧道衬砌图像输入到残差网络中,得到不同尺度的特征图。
采用的深度学习模型为公开的Resnet101模型,输入图像的尺度为1024*1024*3,构建隧道渗水图像训练集合,包括隧道渗水图像1000张和隧道非渗水图像1000张。最后选择800张渗水图像与800张非渗水图像进行训练,剩下的400张图像用于测试。利用Resnet101网络进行图像特征提取。提取的特征图像为以下5种不同尺度的特征图,他们的维度分别为64,128,256,512和1024,尺度分别为输入图像的1/2,1/4,1/8,1/16和1/32。
步骤2:注意力机制,在残差网络(Resnet101)的每个阶段后加入一个注意力模块,将包含更多语义信息的特征图进行加强,抑制包含无用信息的特征图(如图1所示)。
步骤1的resnet101网络,一共分为五个阶段,每个阶段包含多个卷积层与最大池化层,因此,不同的阶段得到不同尺度的图像特征,另外不同尺度的特征图也包含不同的语义信息。为了更好的提取特征图,在每两个阶段中间添加一个Convolutional BlockAttention module(CBAM)注意力机制模块。
CBAM共分为三个部分:
(1)通道注意力修正。首先,对输入图像进行全局最大池化和全局平均池化,得到不同的通道注意力向量,尺度由H*W*C变为1*1*C,两个不同的通道注意力向量经过两个全连接层,得到两个通道注意力特征向量Vm与Va,将Vm与Va相加,然后将其送入sigmoid激活函数得到最终的通道注意力特征向量Vc。通过Vc与输入特征图相乘,提高包含水浸语义信息的特征图的响应,降低不包含水浸语义信息的特征图的响应。
(2)空间注意力修正。首先,对输入图像进行全局最大池化和全局平均池化,得到不同的两个空间特征图,尺度由H*W*C变为H*W*1,然后对两个空间特征图进行拼接,得到尺度为H*W*2的空间特征图,将其输入到一个7*7卷积层,可以包含更多感受野的语义信息,得到更好的空间特征图,后面跟着一个sigmoid激活函数得到最终的空间注意力特征图Fc。通过Fc与输入特征图相乘,得到包含水浸语义信息空间位置的响应,降低噪声区域的响应。
(3)最后将通道注意力与空间注意力进行串行相连,先对输入特征图进行通道注意力修正,这样可以降低无用特征图的影响,然后对输入特征图进行通道注意力修正,因为经过了通道注意力修正,所以可以更好的提取空间注意力特征图,以对特征图进行更好的空间维度修正。
步骤3:将高级语义信息进行传播,采用自顶向下的方式,将高级语义信息传播到低阶特征图中。
通过步骤1与步骤2总共得到五个不同尺寸大小的图像特征图,分别为C1,C2,C3,C4,C5。尺度依次减小,但抗噪能力依次增加,提取语义信息能力依次增加。进行特征融合时,首先进行自顶向下的特征融合,选择C5通过双线性插值法将尺度放大2倍,然后通过一个3*3卷积层进行降维操作,记为F5,将F5与C4通道拼接,最后通过一个一个3*3卷积层进行特征融合,得到F4。然后依次融合C3,C2,C1,得到融合特征图F3,F2,F1。在进行特征融合时,首先要实现维度的统一,还要实现尺度的统一,实现尺度的统一是采用双线性内插的方法;当维度与尺寸大小都统一后,采用通道拼接的方式,最后通过3*3卷积实现最后的特征融合。
步骤4:获得上下文信息,将不同尺度的特征图进行通道拼接,包含更多的渗水区域上下文信息,后面跟着一个通道注意力机制模块,对特征图进行修正。
通过以上步骤得到特征图F4,F3,F2,F1。尺度不一样,另外包含的语义信息也不一样,为了获得不同上下文语义信息,需要进行统一尺寸以融合上下文语义信息。将C5,F4,F3,F2进行双线性插值将尺度恢复到与原图一样的尺度。将放大后的C5,F4,F3,F2与F1进行通道拼接,得到包含更多上下文语义信息的特征图Ff,最后将Ff输入一个ChannelAttention Module(通道注意力模块),首先将Ff进行全局最大池化操作,得到压缩后的特征向量,然后经过两个全连接层,得到最终的通道修正向量V,最后V与输入特征图进行相乘,使突出更重要的特征通道。
进行了自顶向下的特征融合后,低阶特征图保留细节与位置信息之外,同时包含了高级语音信息,而高阶特征图虽然细节信息丢失,但其对大范围的渗水区域提取了更好的语义信息,因此将不同等级的特征图进行融合,首先对齐进行双线性插值法进行放大尺度,将其各自尺度调整到与输入隧道图像尺度一样的大小,然后将不同等级的特征图进行通道拼接,实现保留更多的上下文语义信息。最后在通过一个Squeeze-and-Excitation模块,实现对不同尺度渗水区域的检测。
步骤5:渗水预测,将修正后的特征图输入分类层中,进行图像像素点分类。
经过以上步骤得到最终与网络输入图像大小一致的特征图,然后将特征图输入到一个1*1卷积层中,最后得到的通道数为1,最后再进过一个sigmoid激活函数进行分类,最终输出为与输入图像尺度相同的预测图P。
以上实施方式仅为本发明的优选实施例,而并非本发明可行实施的穷举。对于本领域一般技术人员而言,在不背离本发明原理和精神的前提下对其所做出的任何显而易见的改动,都应当被认为包含在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于改进的深度学习的隧道渗水检测方法,其特征在于,其包括如下步骤:
(1)基于残差网络的图像特征提取;将隧道衬砌图像输入到残差网络中,得到不同尺度的特征图;所述残差网络为Resnet101;
(2)注意力机制:步骤(1)的残差网络中,在每两个阶段中间添加一个注意力机制模块,对步骤(1)得到的不同尺度的特征图进行修正;
所述注意力机制模块包括:
(a)通道注意力修正:对输入图像进行全局最大池化和全局平均池化,得到不同的通道注意力向量,两个不同的通道注意力向量经过两个全连接层,得到两个通道注意力特征向量Vm与Va,将Vm与Va相加,然后将其送入sigmoid激活函数得到最终的通道注意力特征向量Vc;将Vc与输入特征图相乘;
(b)空间注意力修正:对输入图像进行全局最大池化和全局平均池化,得到不同的两个空间特征图,然后对两个空间特征图进行拼接,将其输入到一个7*7卷积层,后面跟着一个sigmoid激活函数得到最终的空间注意力特征图Fc;将Fc与输入特征图相乘;
(c)将步骤(a)与(b)通过串联方式对残差网络提取的特征进行修正:先对输入特征图进行通道注意力修正,然后对输入特征图进行通道注意力修正;
(3)将高级语义信息进行传播:采用自顶向下的方式,将高级语义信息传播到低阶特征图中;
(4)获得上下文信息:将不同尺度的特征图进行通道拼接,包含更多的渗水区域上下文信息,后面跟着一个通道注意力机制模块,对特征图进行修正;
(5)渗水预测:将经步骤(4)得到的修正后的特征图输入分类层中,进行图像像素点分类。
2.根据权利要求1所述的基于改进的深度学习的隧道渗水检测方法,其特征在于,所述步骤(3)中将高级语义信息自顶向下传播到低阶特征图中进行特征融合时,采用双线性内插的方法,当维度与尺寸大小都统一后,采用通道拼接的方式,最后通过3*3卷积实现最后的特征融合。
3.根据权利要求2所述的基于改进的深度学习的隧道渗水检测方法,其特征在于,所述步骤(4)为:首先对齐进行双线性插值法进行放大尺度,将其各自尺度调整到与输入隧道图像尺度一样的大小,然后将不同等级的特征图进行通道拼接,最后将通道拼接后的特征图输入通道注意力模块。
4.根据权利要求3所述的基于改进的深度学习的隧道渗水检测方法,其特征在于,所述步骤(5)为:步骤(4)得到的修正后的特征图与网络输入图像大小一致,然后将特征图输入到一个1*1卷积层中,最后得到的通道数为1,最后再经过一个sigmoid激活函数进行分类;得到最终的预测图P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319025.XA CN112489001B (zh) | 2020-11-23 | 2020-11-23 | 基于改进的深度学习的隧道渗水检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011319025.XA CN112489001B (zh) | 2020-11-23 | 2020-11-23 | 基于改进的深度学习的隧道渗水检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112489001A CN112489001A (zh) | 2021-03-12 |
CN112489001B true CN112489001B (zh) | 2023-07-25 |
Family
ID=74932927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011319025.XA Active CN112489001B (zh) | 2020-11-23 | 2020-11-23 | 基于改进的深度学习的隧道渗水检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112489001B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
CN110599502A (zh) * | 2019-09-06 | 2019-12-20 | 江南大学 | 一种基于深度学习的皮肤病变分割方法 |
CN110781923A (zh) * | 2019-09-27 | 2020-02-11 | 重庆特斯联智慧科技股份有限公司 | 特征提取方法及装置 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111161195A (zh) * | 2020-01-02 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种特征图处理方法、装置、存储介质及终端 |
CN111242288A (zh) * | 2020-01-16 | 2020-06-05 | 浙江工业大学 | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 |
CN111353396A (zh) * | 2020-02-20 | 2020-06-30 | 江苏东印智慧工程技术研究院有限公司 | 一种基于SCSEOCUnet的混凝土裂缝分割方法 |
CN111738110A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于多尺度注意力机制的遥感图像车辆目标检测方法 |
-
2020
- 2020-11-23 CN CN202011319025.XA patent/CN112489001B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197468A (zh) * | 2019-06-06 | 2019-09-03 | 天津工业大学 | 一种基于多尺度残差学习网络的单图像超分辨重建算法 |
CN110544264A (zh) * | 2019-08-28 | 2019-12-06 | 北京工业大学 | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 |
CN110599502A (zh) * | 2019-09-06 | 2019-12-20 | 江南大学 | 一种基于深度学习的皮肤病变分割方法 |
CN110781923A (zh) * | 2019-09-27 | 2020-02-11 | 重庆特斯联智慧科技股份有限公司 | 特征提取方法及装置 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111161195A (zh) * | 2020-01-02 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种特征图处理方法、装置、存储介质及终端 |
CN111242288A (zh) * | 2020-01-16 | 2020-06-05 | 浙江工业大学 | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 |
CN111353396A (zh) * | 2020-02-20 | 2020-06-30 | 江苏东印智慧工程技术研究院有限公司 | 一种基于SCSEOCUnet的混凝土裂缝分割方法 |
CN111738110A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于多尺度注意力机制的遥感图像车辆目标检测方法 |
Non-Patent Citations (2)
Title |
---|
"CBAM: Convolutional Block Attention Module";Sanghyun Woo等;《arXiv》;20180718;第1-17页 * |
"融合残差注意力机制的 UNet 视盘分割";侯向丹等;《中国图象图形学报》;20200930;第25卷(第9期);第1915-1929页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112489001A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299274B (zh) | 一种基于全卷积神经网络的自然场景文本检测方法 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN107330453B (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
CN109977921B (zh) | 一种输电线路隐患检测方法 | |
CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN110111334B (zh) | 一种裂缝分割方法、装置、电子设备及存储介质 | |
CN112164038A (zh) | 一种基于深度卷积神经网络的光伏热斑检测方法 | |
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 | |
US20170200274A1 (en) | Human-Shape Image Segmentation Method | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111105336A (zh) | 一种基于对抗网络的图像去水印的方法 | |
JP2020123330A (ja) | ニューラルネットワーク学習に利用されるオートラベリングされたイメージのうちでラベル検収のためのサンプルイメージを取得する方法、及びそれを利用したサンプルイメージ取得装置 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN111914654B (zh) | 一种文本版面分析方法、装置、设备和介质 | |
CN113344826B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110163208A (zh) | 一种基于深度学习的场景文字检测方法和*** | |
CN115131797B (zh) | 一种基于特征增强金字塔网络的场景文本检测方法 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN112991364A (zh) | 基于卷积神经网络跨模态融合的道路场景语义分割方法 | |
WO2024066035A1 (zh) | 基于电池表面图像的缺陷检测方法、***及相关设备 | |
CN112488229A (zh) | 一种基于特征分离和对齐的域自适应无监督目标检测方法 | |
CN115830471A (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
CN104899821A (zh) | 一种用于文档类图像可视水印的擦除方法 | |
CN115471754A (zh) | 一种基于多维多尺度U-net网络的遥感图像道路提取方法 |
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 |