CN112990304A - 一种适用于电力场景的语义分析方法及*** - Google Patents
一种适用于电力场景的语义分析方法及*** Download PDFInfo
- Publication number
- CN112990304A CN112990304A CN202110268861.8A CN202110268861A CN112990304A CN 112990304 A CN112990304 A CN 112990304A CN 202110268861 A CN202110268861 A CN 202110268861A CN 112990304 A CN112990304 A CN 112990304A
- Authority
- CN
- China
- Prior art keywords
- power scene
- semantic analysis
- network
- semantic
- detected
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 230000000007 visual effect Effects 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机视觉技术领域,提供了一种应用于电力场景的语义分析方法及***。其中,应用于电力场景的语义分析方法包括获取待测电力场景图像;预处理待测电力场景图像;将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测;其中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
Description
技术领域
本发明属于计算机视觉技术领域,尤其涉及一种应用于电力场景的语义分析方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
图像语义分析技术是对图像中的内容进行视觉层、对象层、概念层的理解,从“像素-区域-目标-场景”多层次内容,让计算机理解图像中的颜色、纹理、形状等底层语义特征以及图像含义等高层语义特征,通过语义信息完成图像的分类、分割、识别等工作。传统图像语义分析通过手工提取图像特征点,然后利用支持向量机完成图像分类等,卷积神经网络通过各层网络自动完成特征学习与提取,利用网络分类器完成图像分类、识别等。
目前在电力领域,常用的图像语义分析技术为图像检测,由于应用场景的特殊性,发明人发现,传统语义分析方法易受图像噪声影响导致特征点分布不均,导致分类出错;卷积神经网络方法受限于目标尺度较小和拍摄角度,导致误检率较高,影响实用化。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种应用于电力场景的语义分析方法及***,其能够提高语义预测结果。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种应用于电力场景的语义分析方法。
一种应用于电力场景的语义分析方法,包括:
获取待测电力场景图像;
预处理待测电力场景图像;
将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测;
其中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
本发明的第二个方面提供一种应用于电力场景的语义分析***。
一种应用于电力场景的语义分析***,包括:
图像获取模块,其用于获取待测电力场景图像;
预处理模块,其用于预处理待测电力场景图像;
语义分割模块,其用于将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测;
其中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的应用于电力场景的语义分析方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的应用于电力场景的语义分析方法中的步骤。
与现有技术相比,本发明的有益效果是:
创新性提出了一种基于特征学习网络的电力场景语义分析方法及***,其利用全卷积网络对电力场景图像进行像素级的多层特征学习提取,利用自动编码器根据多层神经网络特征计算最终网络的权值,生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照,得到相应语义预测,解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题,提高了语义预测结果。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的应用于电力场景的语义分析方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例的应用于电力场景的语义分析方法,其具体包括如下步骤:
S101:获取待测电力场景图像。
具体地,电力场景可为变电站场景或是电网线路检修场景等等。
S102:预处理待测电力场景图像。
在具体实施中,预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。
例如:利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。
其中:显著性检测是一类图像提取的方法,模拟人类注意事物的方式,将重点信息进行提取。
此处需要说明的是,在其他实施例中,也可采用其他方法对前景重点信息进行提取。
S103:将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测。
在本实施例中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
其中,索引表基于设定训练样本集而建立的。
全卷积网络:卷积神经网络最后一层连接层改为卷积层,生成二维的特征向量用于建立特征索引。
在建立索引表之前,还包括初始化全卷积网络的参数。其中,全卷积网络的参数包括模型迭代次数、学习率、衰减因子、权重和滑动窗口等参数。
在具体实施中,在建立索引表的过程中,将全卷积网络中多个卷积层对训练样本提取的特征进行融合,统一多层卷积层的尺度,将融合后特征作为输出层用于最终的语义预测。
具体地,为提高模型精度,将多个卷积层的信息进行融合后,还通过像素运算等插值方式将多层卷积层的尺度达到相同尺度。
在一些实施例中,还将语义预测结果和输入图像作为数据源存储到***中,进行数据集的扩充,便于后续的算法迭代。对于未能检测出目标的图像,***可将图像进行标定和特殊存储,待人工进行复审,并标定识别类别存入***中。
本实施例的应用于电力场景的语义分析方法,首先初始化全卷积网络的参数;然后进行训练集的预处理,将样本图片处理为统一尺度,并利用显著性检测进行前景的提取,用于后续的模型训练;将样本输入全卷积神经网络和深度自动编码器进行像素级的多层特征学习提取,生成视觉特征表述,建立索引表;为提高模型精度,将多个卷积层的信息进行融合,通过插值的方式实现多卷积层的尺度达到相同尺度,作为输出层用于最终的语义预测。
实施例二
本实施例提供了一种应用于电力场景的语义分析***,其包括:
(1)图像获取模块,其用于获取待测电力场景图像。
具体地,电力场景可为变电站场景或是电网线路检修场景等等。
(2)预处理模块,其用于预处理待测电力场景图像。
在具体实施中,预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。
例如:利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。
其中:显著性检测是一类图像提取的方法,模拟人类注意事物的方式,将重点信息进行提取。
此处需要说明的是,在其他实施例中,也可采用其他方法对前景重点信息进行提取。
(3)语义分割模块,其用于将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测;
其中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
在本实施例中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
其中,索引表基于设定训练样本集而建立的。
全卷积网络:卷积神经网络最后一层连接层改为卷积层,生成二维的特征向量用于建立特征索引。
在建立索引表之前,还包括初始化全卷积网络的参数。其中,全卷积网络的参数包括模型迭代次数、学习率、衰减因子、权重和滑动窗口等参数。
在具体实施中,在建立索引表的过程中,将全卷积网络中多个卷积层对训练样本提取的特征进行融合,统一多层卷积层的尺度,将融合后特征作为输出层用于最终的语义预测。
具体地,为提高模型精度,将多个卷积层的信息进行融合后,还通过像素运算等插值方式将多层卷积层的尺度达到相同尺度。
在一些实施例中,还将语义预测结果和输入图像作为数据源存储到***中,进行数据集的扩充,便于后续的算法迭代。对于未能检测出目标的图像,***可将图像进行标定和特殊存储,待人工进行复审,并标定识别类别存入***中。
本实施例的应用于电力场景的语义分析方法,首先初始化全卷积网络的参数;然后进行训练集的预处理,将样本图片处理为统一尺度,并利用显著性检测进行前景的提取,用于后续的模型训练;将样本输入全卷积神经网络和深度自动编码器进行像素级的多层特征学习提取,生成视觉特征表述,建立索引表;为提高模型精度,将多个卷积层的信息进行融合,通过插值的方式实现多卷积层的尺度达到相同尺度,作为输出层用于最终的语义预测。
此处需要说明的是,本实施例的应用于电力场景的语义分析***中的各个模块,与实施例一中的应用于电力场景的语义分析方法中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
本实施例利用全卷积网络对电力场景图像进行像素级的多层特征学习提取,利用自动编码器根据多层神经网络特征计算最终网络的权值,生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照,得到相应语义预测,解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题,提高了语义预测结果。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的应用于电力场景的语义分析方法中的步骤。
本实施例利用全卷积网络对电力场景图像进行像素级的多层特征学习提取,利用自动编码器根据多层神经网络特征计算最终网络的权值,生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照,得到相应语义预测,解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题,提高了语义预测结果。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的应用于电力场景的语义分析方法中的步骤。
本实施例利用全卷积网络对电力场景图像进行像素级的多层特征学习提取,利用自动编码器根据多层神经网络特征计算最终网络的权值,生成待测电力场景图像的视觉特征表述并与预先构建的索引表对照,得到相应语义预测,解决了传统语义分析方法易受图像噪声影响导致特征点分布不均而导致分类出错的问题,提高了语义预测结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种应用于电力场景的语义分析方法,其特征在于,包括:
获取待测电力场景图像;
预处理待测电力场景图像;
将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测;
其中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
2.如权利要求1所述的应用于电力场景的语义分析方法,其特征在于,预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。
3.如权利要求2所述的应用于电力场景的语义分析方法,其特征在于,利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。
4.如权利要求1所述的应用于电力场景的语义分析方法,其特征在于,索引表基于设定训练样本集而建立的。
5.如权利要求4所述的应用于电力场景的语义分析方法,其特征在于,在建立索引表的过程中,将全卷积网络中多个卷积层对训练样本提取的特征进行融合,统一多层卷积层的尺度,将融合后特征作为输出层用于最终的语义预测。
6.如权利要求5所述的应用于电力场景的语义分析方法,其特征在于,通过插值方式将多层卷积层的尺度达到相同尺度。
7.如权利要求1所述的应用于电力场景的语义分析方法,其特征在于,在建立索引表之前,还包括初始化全卷积网络的参数。
8.一种应用于电力场景的语义分析***,其特征在于,包括:
图像获取模块,其用于获取待测电力场景图像;
预处理模块,其用于预处理待测电力场景图像;
语义预测模块,其用于将预处理后的待测电力场景图像通过特征学习网络获取视觉特征表述,并与预先构建的索引表对照,得到待测电力场景图像的语义预测;
其中,特征学习网络由全卷积网络和深度自动编码器组成,全卷积网络用于对电力场景图像进行像素级的多层特征学习提取,自动编码器用于根据多层神经网络特征计算最终网络的权值,生成视觉特征表述;索引表内存储视觉特征表述与语义预测结果的对应关系。
9.如权利要求8所述的应用于电力场景的语义分析***,其特征在于,在所述预处理模块中,预处理操作包括提取待测电力场景图像的前景重点信息及滤除背景。
10.如权利要求9所述的应用于电力场景的语义分析***,其特征在于,在所述预处理模块中,利用显著性检测模拟人类视觉的方法进行前景重点信息的提取。
11.如权利要求8所述的应用于电力场景的语义分析***,其特征在于,索引表基于设定训练样本集而建立的。
12.如权利要求11所述的应用于电力场景的语义分析***,其特征在于,在所述语义预测模块中,在建立索引表的过程中,将全卷积网络中多个卷积层对训练样本提取的特征进行融合,统一多层卷积层的尺度,将融合后特征作为输出层用于最终的语义预测。
13.如权利要求12所述的应用于电力场景的语义分析***,其特征在于,在所述语义预测模块中,通过插值方式将多层卷积层的尺度达到相同尺度。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的应用于电力场景的语义分析方法中的步骤。
15.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的应用于电力场景的语义分析方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268861.8A CN112990304B (zh) | 2021-03-12 | 2021-03-12 | 一种适用于电力场景的语义分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268861.8A CN112990304B (zh) | 2021-03-12 | 2021-03-12 | 一种适用于电力场景的语义分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990304A true CN112990304A (zh) | 2021-06-18 |
CN112990304B CN112990304B (zh) | 2024-03-12 |
Family
ID=76334605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268861.8A Active CN112990304B (zh) | 2021-03-12 | 2021-03-12 | 一种适用于电力场景的语义分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990304B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
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 |
CN110473212A (zh) * | 2019-08-15 | 2019-11-19 | 广东工业大学 | 一种融合显著性和超像素的电镜硅藻图像分割方法及装置 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111382759A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种像素级分类方法、装置、设备及存储介质 |
CN111583322A (zh) * | 2020-05-09 | 2020-08-25 | 北京华严互娱科技有限公司 | 一种基于深度学习的2d图像场景深度预测及语义分割方法和*** |
CN111696110A (zh) * | 2020-06-04 | 2020-09-22 | 山东大学 | 场景分割方法及*** |
-
2021
- 2021-03-12 CN CN202110268861.8A patent/CN112990304B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
CN108062753A (zh) * | 2017-12-29 | 2018-05-22 | 重庆理工大学 | 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法 |
CN111382759A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种像素级分类方法、装置、设备及存储介质 |
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 |
CN110473212A (zh) * | 2019-08-15 | 2019-11-19 | 广东工业大学 | 一种融合显著性和超像素的电镜硅藻图像分割方法及装置 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111583322A (zh) * | 2020-05-09 | 2020-08-25 | 北京华严互娱科技有限公司 | 一种基于深度学习的2d图像场景深度预测及语义分割方法和*** |
CN111696110A (zh) * | 2020-06-04 | 2020-09-22 | 山东大学 | 场景分割方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112990304B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664981B (zh) | 显著图像提取方法及装置 | |
CN108090470B (zh) | 一种人脸对齐方法及装置 | |
CN110135227B (zh) | 一种基于机器学习的激光点云室外场景自动分割方法 | |
CN108224895B (zh) | 基于深度学习的物品信息录入方法、装置、冰箱和介质 | |
CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN113095333B (zh) | 无监督特征点检测方法及装置 | |
CN112700432B (zh) | 一种基于异常合成与分解的纹理表面缺陷检测方法与*** | |
CN104299241A (zh) | 基于 Hadoop 的遥感图像显著性目标检测方法及*** | |
CN115049556A (zh) | 一种基于StyleGAN的人脸图像修复方法 | |
CN113705579A (zh) | 一种视觉显著性驱动的图像自动标注方法 | |
CN111915618A (zh) | 基于峰值响应增强的实例分割算法、计算设备 | |
CN110110829A (zh) | 一种二维码处理方法及装置 | |
CN113724329A (zh) | 融合平面与立体信息的目标姿态估计方法、***和介质 | |
CN115631192B (zh) | 一种阀门试压机的控制方法、装置、设备及介质 | |
CN113658180B (zh) | 一种基于空间上下文引导的表面缺陷区域分割方法和装置 | |
CN112990304A (zh) | 一种适用于电力场景的语义分析方法及*** | |
CN112132135B (zh) | 一种基于图像处理的电网传输线检测方法、存储介质 | |
Saito et al. | Image processing method for automatic measurement of number of DNA breaks | |
CN115937565A (zh) | 基于自适应l-bfgs算法的高光谱图像分类方法 | |
CN109325432B (zh) | 一种三维对象的识别方法、设备及计算机可读储存介质 | |
CN113222843A (zh) | 一种图像修复方法及其相关设备 | |
CN112652059B (zh) | 基于Mesh R-CNN模型改进的目标检测与三维重构方法 | |
CN108564659A (zh) | 面部图像的表情控制方法及装置、计算设备 | |
CN109166080A (zh) | 阴影的消除方法、装置和存储介质 |
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 |