CN112907607A - 基于差分注意力的深度学习、目标检测及语义分割方法 - Google Patents
基于差分注意力的深度学习、目标检测及语义分割方法 Download PDFInfo
- Publication number
- CN112907607A CN112907607A CN202110277583.2A CN202110277583A CN112907607A CN 112907607 A CN112907607 A CN 112907607A CN 202110277583 A CN202110277583 A CN 202110277583A CN 112907607 A CN112907607 A CN 112907607A
- Authority
- CN
- China
- Prior art keywords
- differential
- attention
- tensor
- model
- convolution
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000006872 improvement Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000003709 image segmentation Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于差分注意力的深度学习、目标检测及语义分割方法，包括步骤1，数据集处理：将数据变成深度学习神经网络需要的数据结构；步骤2，包括：2.1，搭建传统的卷积神经网络；2.2模型改进：在卷积后添加一个差分注意力模块，所述差分注意力模块用于分别关注图片宽方向和高方向的变化；步骤3，模型训练，得基于差分注意力机制的卷积神经网络。本发明克服现有注意力算法只利用当前特征的缺点，将差分算法应用于注意力算法，从而让神经网络对图像或特征图的变化特征、纹理特征以及边缘特征更加敏感，有利于神经网络模型在目标检测、图像分割、抠图等领域的表达能力；同时，相对于其他注意力算法，本发明只是增加了少量的运算，非常利于实现。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及基于差分注意力的深度学习、目标检测及语义分割方法。
背景技术
视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源。
注意力机制的本质就是定位到感兴趣的信息，抑制无用信息，结果通常都是以概率图或者概率特征向量的形式展示，从原理上来说，主要分为空间注意力模型、通道注意力模型以及空间与通道混合注意力模型三种。
其中，空间注意力的本质就是在特征图上通过一系列操作或者变化对每一个元素生成一个乘性权重，从而定位目标在空间中的位置。比较著名的空间注意力算法有STN等。
而通道注意力机制就是在正常的卷积操作后分出了一个旁路分支，首先进行Squeeze操作(比如，针对特征图的平均等)，将空间维度进行特征压缩，即每个二维的特征图变成一个实数，相当于具有全局感受野的池化操作，特征通道数不变。得到每一个特征通道的权重之后，就将该权重应用于原来的每个特征通道，基于特定的任务，就可以学习到不同通道的重要性。
空间与通道混合的注意力机制，如CBAM等主要是采取不同的方式将空间注意力算法生成的权重和通道注意力生成的权重进行融合。
目前，在计算机视觉中应用最多的自注意力算法为SEnet、SKnet、CBAM、STN和DCAnet。注意力机制算法要么学习通道之间的关联，要么学习每个张量元素之间的关联，从而增加模型在通道或张量元素的长程相关性或整体相关性。
尽管，自注意力机制已在许多视觉任务中显示出不错的性能，但这些只考虑当前的特征，对差分信息或其他变化信息捕捉能力较差。因此，应用这些注意力算法的网络也会在边缘特征或其他变化特征上表现不足。
发明内容
本发明为了解决上述技术问题提供基于差分注意力的深度学习方法。
本发明通过下述技术方案实现：
基于差分注意力的深度学习方法，包括以下步骤：
步骤1，数据集处理：将数据变成深度学习神经网络需要的数据结构；
步骤2，构造基于差分注意力机制的深度学习神经网络，包括：
2.1，搭建传统的卷积神经网络；
2.2模型改进：在卷积后添加一个差分注意力模块，所述差分注意力模块用于分别关注图片宽方向和高方向的变化；
步骤3，模型训练，得基于差分注意力机制的卷积神经网络。
其中，所述差分注意力模块作用于卷积生成的高维张量。
进一步的，所述差分注意力模块分为第一分支和第二分支，第一分支关注宽方向的变化，第二分支关注高方向的变化。
进一步的，差分注意力模块的工作机制为：
S1，两个分支同时对张量进行处理：
所述第一分支包括以下步骤：
A1，对维度为c×w×h的高维张量做w方向的差分卷积运算；
A2，对A1生成的张量做行相关运算，生成h×h的相关矩阵；
A3，对A2生成的相关矩阵做flatten操作，变成一维向量，然后通过线性变换生成h×w的向量；
所述第二分支包括以下步骤：
B1，对维度为c×w×h的高维张量做h方向的差分卷积运算；
B2，对B1生成的张量做列相关运算，生成w×w的相关矩阵；
B3，对B2生成的相关矩阵做flatten操作，变成一维向量，然后通过线性变换生成h×w的向量；
S2，将两个分支上最终生成的向量按照元素求和，得c×(w×h)张量：然后针对每一个元素做sigmoid运算，把每一个元素的值变成[0，1]的一个权重；
S3，把c×(w×h)的张量进行reshape操作，变成一个c×h×w的一个张量，然后再和原张量做按位乘法运算，完成attention操作。
进一步的，所述A1具体为：先初始化一个维度为c×1×2的对角方向上的差分卷积核，差分卷积核的权重设置为[1，-1]；然后对张量做卷积，生成c×w×h的张量。
进一步的，所述B1具体为：先初始化一个维度为c×2×1对角方向上的差分卷积核，差分卷积核的权重设置为[1，-1]；然后对张量做卷积，生成c×w×h的张量。
基于差分注意力机制的目标检测方法，包括以下步骤：
步骤1，制作数据集：收集不同环境下包含待检测目标的数据，然后在数据集中标注待测目标，形成标注框；
步骤2，数据集处理：将数据变成深度学习神经网络需要的数据结构；
步骤3，构造基于差分注意力机制的目标检测模型，包括：
3.1，搭建传统的ssd检测模型；
3.2模型改进：在卷积后添加如权利要求1-6中任一项所述的差分注意力模块；
步骤3，模型训练，得基于差分注意力机制的目标检测模型。
优选地，所述步骤3.1中的ssd检测模型为以vgg16为backbone的ssd检测网络。
基于差分注意力机制的语义分割方法，包括以下步骤：
步骤1，制作数据集：收集不同环境下包含待分割目标的数据，然后在数据集中标注待分割目标，形成掩码标注信息；
步骤2，数据集处理：将数据变成深度学习神经网络需要的数据结构；
步骤3，构造基于差分注意力机制的语义分割模型，包括：
3.1，搭建传统的语义分割模型；
3.2模型改进：在卷积后添加如权利要求1-6中任一项所述的差分注意力模块；
步骤3，模型训练，得基于差分注意力机制的语义分割模型。
优选地，所述步骤3.1中的语义分割模型为Unet。
与现有技术相比，本发明具有以下有益效果：
本发明克服现有注意力算法只利用当前特征的缺点，将差分算法应用于注意力算法，从而让神经网络对图像或特征图的变化特征、纹理特征以及边缘特征更加敏感，有利于神经网络模型在目标检测、图像分割、抠图等领域的表达能力；同时，相对于其他注意力算法，本发明只是增加了少量的运算，非常利于实现。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。
图1是添加了差分注意力模块的卷积模块的示意图；
图2是差分注意力模块的工作机制示意图；
图3是实施例1中以vgg16为backbone的ssd检测网络的示意图；
图4是实施例2中以Unet为基础网络的语义分割网络的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
本发明采用的差分注意力算法和其他注意力机制算法应用方法相似，即通过在卷积后添加一个注意力模块来增加模型对边缘信息及变化信息的关注，如图1所示。
该差分注意力模块主要作用于卷积生成的高维张量，通过给高维张量附加一个差分注意力模块，让算法模型能对张量的变化信息更加敏感，更容易捕捉图像的边缘信息、纹理信息以及变化信息，从而增加模型在目标检测、图像分割等方向的表现能力。
如2图所示，本发明的差分注意力算法主要分为两个分支，其中一个分支关注x方向上的变化，另一个分支关注y方向上的变化。其中，w是图片的宽，x方向指宽方向；h是高，y方向指高度方向。具体工作机制如下：
1、首先，(针对一个分支)对每一个卷积生成的维度为c×w×h高维张量，初始化一个维度为c×1×2的对角方向上的差分卷积核，每一个通道的卷积核的权重即weights设置为[1,-1]，然后对张量做卷积，生成c×w×h的张量；
2、由于该卷积核只针对x方向上做差分，缺少对y方向上的关联性，需要对差分运算生成的张量做行相关运算，即用每一行的张量和其他行做内积，即ri×rj,其中i,j∈[0,h]，生成h×h的相关矩阵。
3、把h×h的行相关矩阵做一个flatten操作，变成一维向量，然后通过一个线性函数来学习相关矩阵的每一个元素在全局特征中的作用，增加了模型的感受野；同时也将向量的长度变成h×w。
4、把另外一个分支做同样1、2、3步操作，只是差分卷积核的维度为c×2×1，权重初始化为[1,-1]，同时对第二步中的操作变成计算每一列的关联矩阵，并生成w×w的相关矩阵，然后按照第3步的操作生成h×w的向量；
5、把两个分支上最终的生成向量按照元素求和，最终得到一个c×(w×h)张量，然后针对每一个元素做sigmoid运算，把每一个元素的值变成[0,1]的一个权重。
6、把c×(w×h)的张量进行reshape操作，变成一个c×h×w的一个张量，然后再和原张量做按位乘法运算，完成attention操作。
基于上述差分注意力算法，本发明公开两个实施例。
实施例1
本实施例公开一种基于差分注意力机制的目标检测方法，具体包括以下步骤：
S1，配置深度学习所需要的软件环境。
S2，制作数据集：
收集不同环境下包含待检测目标的数据，数据可来源于网络或摄像头；然后在数据集中标注待测目标，形成标注框。
S3，数据处理：这一步主要是为了形成送入神经网络的数据结构，包括以下步骤：
S3.1缩放：将图像缩放为512x512大小的图像数据；
S3.2正则化：将每一个像素的数据减去均值并除以方差，可采用公式(1)实现：
式(1)中，x是每一个像素的像素值。
S3.3将图像数据变成网络需要的张量结构(Tensor)。
S4，基于差分注意力机制设计目标检测模型，包括以下步骤：
S4.1网络结构：在本实施例中，改进以vgg16为backbone的ssd检测网络，网络结构主要如图1所示，图1中的conv-1至conv-8为堆叠的卷积模块。
S4.2模型改进：本实施例中利用上述差分注意力模块对卷积模型进行改进，将普通卷积模块更改成如图1所示的添加了差分注意力模块的卷积。
S5，模型训练：将数据分批次送入神经网络，训练神经网络。
S6，模型测试：完成训练后测试模型性能。
实施例2
本实施例公开一种基于差分注意力机制的语义分割方法，具体包括以下步骤：
S1，配置深度学习所需要的软件环境。
S2，制作数据集：
收集不同环境下包含待分割目标的数据，数据可来源于网络或摄像头，然后在数据集中标注待分割目标，形成掩码标注信息。
S3，数据处理：这一步主要是为了形成送入神经网络的数据结构，包括以下步骤：
S3.1缩放：将图像缩放为512x512大小的图像数据；
S3.2正则化：将每一个像素的数据减去均值并除以方差，可采用公式(1)实现；
S3.3将图像数据变成网络需要的张量结构(Tensor)。
S4，基于差分注意力机制设计语义分割模型，包括以下步骤：
S4.1网络结构：在本实施例中，改进以Unet作为语义分割的基础网络，其网络结构如图4所示：
S4.2模型改进：将卷积(即图4中的conv3x3)全部替换为带有上述差分注意力模块的卷积(如图1所示)，从而到达增强网络对边缘信息的表达能力。
S5，模型训练：将数据分批次送入神经网络，训练神经网络。
S6，模型测试：完成训练后测试模型性能。
本发明克服现有注意力算法只利用当前特征的缺点，将差分算法应用于注意力算法，从而让神经网络对图像或特征图的变化特征、纹理特征以及边缘特征更加敏感，有利于神经网络模型在目标检测、图像分割、抠图等领域的表达能力；同时，相对于其他注意力算法，本发明只是增加了少量的运算，非常利于实现。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于差分注意力的深度学习方法，其特征在于：包括：
步骤1，搭建传统的卷积神经网络；
步骤2，模型改进：在卷积后添加一个差分注意力模块，所述差分注意力模块用于分别关注图片宽方向和高方向的变化。
2.根据权利要求1所述的基于差分注意力的深度学习方法，其特征在于：所述差分注意力模块作用于卷积生成的高维张量。
3.根据权利要求2所述的基于差分注意力的深度学习方法，其特征在于：所述差分注意力模块分为第一分支和第二分支，第一分支关注宽方向的变化，第二分支关注高方向的变化。
4.根据权利要求3所述的基于差分注意力的深度学习方法，其特征在于：差分注意力模块的工作机制为：
S1，两个分支同时对张量进行处理：
所述第一分支包括以下步骤：
A1，对维度为
的高维张量做
方向的差分卷积运算；
A2，对A1生成的张量做行相关运算，生成
的相关矩阵；
A3，对A2生成的相关矩阵做flatten操作，变成一维向量，然后通过线性变换生成
的向量；
所述第二分支包括以下步骤：
B1，对维度为
的高维张量做
方向的差分卷积运算；
B2，对B1生成的张量做列相关运算，生成
的相关矩阵；
B3，对B2生成的相关矩阵做flatten操作，变成一维向量，然后通过线性变换生成
的向量；
S2，将两个分支上最终生成的向量按照元素求和，得
张量：然后针对每一个元素做sigmoid运算，把每一个元素的值变成[0，1]的一个权重；
S3，把
的张量进行reshape操作，变成一个
的一个张量，然后再和原张量做按位乘法运算，完成attention操作。
5.根据权利要求4所述的基于差分注意力的深度学习方法，其特征在于：所述A1具体为：先初始化一个维度为
的对角方向上的差分卷积核，差分卷积核的权重设置为[1，-1]；然后对张量做卷积，生成
的张量。
6.根据权利要求4或5所述的基于差分注意力的深度学习方法，其特征在于：所述B1具体为：先初始化一个维度为
对角方向上的差分卷积核，差分卷积核的权重设置为[1，-1]；然后对张量做卷积，生成
的张量。
7.基于差分注意力机制的目标检测方法，其特征在于：包括以下步骤：
步骤1，制作数据集：收集不同环境下包含待检测目标的数据，然后在数据集中标注待测目标，形成标注框；
步骤2，数据集处理：将数据变成深度学习神经网络需要的数据结构；
步骤3，构造基于差分注意力机制的目标检测模型，包括：
3.1，搭建传统的ssd检测模型；
3.2模型改进：在卷积后添加如权利要求1-6中任一项所述的差分注意力模块；
步骤3，模型训练，得基于差分注意力机制的目标检测模型。
8.根据权利要求7所述的基于差分注意力机制的目标检测方法，其特征在于：所述步骤3.1中的ssd检测模型为以vgg16为backbone的ssd检测网络。
9.基于差分注意力机制的语义分割方法，其特征在于：包括以下步骤：
步骤1，制作数据集：收集不同环境下包含待分割目标的数据，然后在数据集中标注待分割目标，形成掩码标注信息；
步骤2，数据集处理：将数据变成深度学习神经网络需要的数据结构；
步骤3，构造基于差分注意力机制的语义分割模型，包括：
3.1，搭建传统的语义分割模型；
3.2模型改进：在卷积后添加如权利要求1-6中任一项所述的差分注意力模块；
步骤3，模型训练，得基于差分注意力机制的语义分割模型。
10.根据权利要求9所述的基于差分注意力机制的语义分割方法，其特征在于：所述步骤3.1中的语义分割模型为Unet。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110277583.2A CN112907607B (zh) | 2021-03-15 | 2021-03-15 | 基于差分注意力的深度学习、目标检测及语义分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110277583.2A CN112907607B (zh) | 2021-03-15 | 2021-03-15 | 基于差分注意力的深度学习、目标检测及语义分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907607A true CN112907607A (zh) | 2021-06-04 |
| CN112907607B CN112907607B (zh) | 2024-06-18 |
Family
ID=76105698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110277583.2A Active CN112907607B (zh) | 2021-03-15 | 2021-03-15 | 基于差分注意力的深度学习、目标检测及语义分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907607B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197162A (zh) * | 2023-09-27 | 2023-12-08 | 东北林业大学 | 一种基于差分卷积的颅内出血ct图像分割方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4764971A (en) * | 1985-11-25 | 1988-08-16 | Eastman Kodak Company | Image processing method including image segmentation |
| CN108830157A (zh) * | 2018-05-15 | 2018-11-16 | 华北电力大学（保定） | 基于注意力机制和3d卷积神经网络的人体行为识别方法 |
| CN109685831A (zh) * | 2018-12-20 | 2019-04-26 | 山东大学 | 基于残差分层注意力和相关性滤波器的目标跟踪方法及*** |
| CN110442723A (zh) * | 2019-08-14 | 2019-11-12 | 山东大学 | 一种基于多步判别的Co-Attention模型用于多标签文本分类的方法 |
| CN111858989A (zh) * | 2020-06-09 | 2020-10-30 | 西安工程大学 | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 |
| CN112016400A (zh) * | 2020-08-04 | 2020-12-01 | 香港理工大学深圳研究院 | 一种基于深度学习的单类目标检测方法、设备及存储介质 |
| CN112069868A (zh) * | 2020-06-28 | 2020-12-11 | 南京信息工程大学 | 一种基于卷积神经网络的无人机实时车辆检测方法 |
-
2021
- 2021-03-15 CN CN202110277583.2A patent/CN112907607B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4764971A (en) * | 1985-11-25 | 1988-08-16 | Eastman Kodak Company | Image processing method including image segmentation |
| CN108830157A (zh) * | 2018-05-15 | 2018-11-16 | 华北电力大学（保定） | 基于注意力机制和3d卷积神经网络的人体行为识别方法 |
| CN109685831A (zh) * | 2018-12-20 | 2019-04-26 | 山东大学 | 基于残差分层注意力和相关性滤波器的目标跟踪方法及*** |
| CN110442723A (zh) * | 2019-08-14 | 2019-11-12 | 山东大学 | 一种基于多步判别的Co-Attention模型用于多标签文本分类的方法 |
| CN111858989A (zh) * | 2020-06-09 | 2020-10-30 | 西安工程大学 | 一种基于注意力机制的脉冲卷积神经网络的图像分类方法 |
| CN112069868A (zh) * | 2020-06-28 | 2020-12-11 | 南京信息工程大学 | 一种基于卷积神经网络的无人机实时车辆检测方法 |
| CN112016400A (zh) * | 2020-08-04 | 2020-12-01 | 香港理工大学深圳研究院 | 一种基于深度学习的单类目标检测方法、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李超, 黄建忠, 项攀攀: "差分分析在序列密码攻击中的应用", 应用科学学报, no. 02, 20 June 2004 (2004-06-20), pages 1 - 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197162A (zh) * | 2023-09-27 | 2023-12-08 | 东北林业大学 | 一种基于差分卷积的颅内出血ct图像分割方法 |
| CN117197162B (zh) * | 2023-09-27 | 2024-04-09 | 东北林业大学 | 一种基于差分卷积的颅内出血ct图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907607B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN112396002B (zh) | 一种基于SE-YOLOv3的轻量级遥感目标检测方法 | |
| Schuler et al. | Learning to deblur | |
| Guo et al. | Multiview high dynamic range image synthesis using fuzzy broad learning system | |
| CN112308200B (zh) | 神经网络的搜索方法及装置 | |
| CN112418074A (zh) | 一种基于自注意力的耦合姿态人脸识别方法 | |
| Rehman et al. | Face recognition: A novel un-supervised convolutional neural network method | |
| CN112131943A (zh) | 一种基于双重注意力模型的视频行为识别方法及*** | |
| CN113673590B (zh) | 基于多尺度沙漏密集连接网络的去雨方法、***和介质 | |
| CN112862792B (zh) | 一种用于小样本图像数据集的小麦白粉病孢子分割方法 | |
| CN111583263A (zh) | 一种基于联合动态图卷积的点云分割方法 | |
| CN113344806A (zh) | 一种基于全局特征融合注意力网络的图像去雾方法与*** | |
| CN108520203B (zh) | 基于融合自适应多***框与十字池化特征的多目标特征提取方法 | |
| Fan et al. | Multi-scale depth information fusion network for image dehazing | |
| CN110929685A (zh) | 基于混合特征金字塔和混合膨胀卷积的行人检测网络结构 | |
| CN113449612B (zh) | 一种基于子流型稀疏卷积的三维目标点云识别的方法 | |
| CN116229178B (zh) | 一种基于Transformer针对少量训练样本的图像分类方法 | |
| CN112084952B (zh) | 一种基于自监督训练的视频点位跟踪方法 | |
| CN111860124A (zh) | 基于空谱胶囊生成对抗网络的遥感图像分类方法 | |
| Yeswanth et al. | Residual skip network-based super-resolution for leaf disease detection of grape plant | |
| CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
| CN112907607B (zh) | 基于差分注意力的深度学习、目标检测及语义分割方法 | |
| Sardeshmukh et al. | Crop image classification using convolutional neural network | |
| Kanthi et al. | Multi-scale 3D-convolutional neural network for hyperspectral image classification | |
| Singh et al. | Wavelet based histogram of oriented gradients feature descriptors for classification of partially occluded objects |
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 |