CN113160177A - 一种基于超像素和图卷积网络的平面分割方法 - Google Patents
一种基于超像素和图卷积网络的平面分割方法 Download PDFInfo
- Publication number
- CN113160177A CN113160177A CN202110441623.2A CN202110441623A CN113160177A CN 113160177 A CN113160177 A CN 113160177A CN 202110441623 A CN202110441623 A CN 202110441623A CN 113160177 A CN113160177 A CN 113160177A
- Authority
- CN
- China
- Prior art keywords
- image
- graph
- plane
- matrix
- undirected graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000011218 segmentation Effects 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 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
- G06T7/0002—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
- G06N3/08—Learning methods
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于超像素和图卷积网络的平面分割方法；首对输入的彩色图像进行预处理，获得预处理后的图像；然后根据图像分辨率，将预处理后的图像分割为合适数量的超像素，并转化为无向图结构；构造图卷积网络，并使用数据集对其进行训练；最后使用训练好的图卷积网络对超像素构成的图进行预测，给每一个超像素进行平面分类，从而完成平面分割。本发明将图像分割为超像素，可以很好地保留原始图像中的边缘信息，并减轻后续图神经网络的学***面边缘与实际情况差距过大；利用现有数据集，通过特定算法提取特定标签，作为后续监督神经网络学***面分割数据集的问题，避免了人工标记的巨大成本。
Description
技术领域
本发明属于平面分割计算领域，具体涉及一种基于超像素和图卷积网络的平面分割方法。
技术背景
计算机视觉是一门高度交叉和复杂的学科，发展迅猛，并且广泛应用于安保、交通、医疗等领域，与人们的生活息息相关。计算机视觉的研究目标是让计算机代替人类完成诸如目标检测、图像描述、人脸识别等视觉任务。在人类感知的尺度上，平面是作为环境中最常见的结构之一，具有强大的约束能力，约束着大量的点/线及其所携带的信息，并且各种曲面都可以用平面进行近似，根据精度要求选择拟合的平面数量。实际应用中，许多计算机视觉任务都需要平面信息，比如：机器人领域中，识别地面、墙面等平面可用于视觉导航，识别桌面、书架等平面可辅助机械手抓取和放置物品；三维场景重建中，使用平面而非点云可以实现对一个城市大规模、简洁的重建。
传统平面分割方法使用特征点、线段、超像素等几何基元，通过马尔可夫随机场等方法分割平面实例，分割效果不尽人意。近年来，深度学***面的效果大大提升。但是无论是何种方法，分割的平面边缘都与现实情况存在一定出入，无法很好地分割得到真实的平面边缘。对于神经网络来说，问题在于其分割平面本质上是在聚类像素，而聚类过程中网络无法很好的学习边缘信息。几何方法中使用的超像素可以很好的保留图像中的边缘信息，但是普通的卷积神经网络只能用于处理图像这样信息规则分布的输入。将图像等规则信息泛化后，可以使用图的结构进行表示，进而可以使用深度学习中的图卷积网络进行处理。
发明内容
为解决单张彩色图像平面分割问题，本发明提供一种基于超像素和图卷积网络的平面分割方法，其输入为单张彩色图像，输出为图像中平面实例的区域信息，发明中的方法使用超像素构造无向图结构，然后使用图卷积网络分类平面实例标签，从而完成平面分割任务。
本发明提出的一种基于超像素和图卷积网络的平面分割方法，包括以下步骤：
步骤(1)、对输入的彩色图像进行预处理，获得预处理后的图像；
步骤(2)、根据图像分辨率，将预处理后的图像分割为合适数量的超像素，并转化为无向图结构；
步骤(3)、构造图卷积网络，并使用数据集对其进行训练；
步骤(4)、使用训练好的图卷积网络对超像素构成的图进行预测，给每一个超像素进行平面分类，从而完成平面分割；
本发明有益效果如下：
1.本发明将图像分割为超像素，可以很好地保留原始图像中的边缘信息，并减轻后续图神经网络的学***面边缘与实际情况差距过大；
2.本发明使用超像素构成的无向图结构作为图神经网路的输入，大大降低了计算复杂度，简化了神经网络的结构；
3.本发明利用现有数据集，通过特定算法从其中已有信息里提取特定标签，作为后续监督神经网络学***面分割数据集的问题，避免了人工标记的巨大成本。
附图说明
图1为本发明方法的整体流程图；
图2为本发明所用到的图卷积网络结构示意图；
图3为本发明所用到的图卷积网络的子网络示意图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提出的基于超像素和图卷积网络的平面分割方法，如图1所示，包括以下步骤：
步骤(1)、对输入的彩色图像进行预处理，获得预处理后的图像；
首先将输入的彩色图像从RGB色彩空间转换HIV色彩空间，接着对H、I、V通道分别使用直方图均衡化算法，再将图像从HIV色彩空间转回到RGB色彩空间，完成图像对比度的提高；
使用Sobel算子提取步骤1-1得到图像的边缘信息，然后与步骤1-1得到的图像相加，从而完成对图像边缘的增强，得到预处理后的图像；
步骤(2)、根据图像分辨率，将预处理后的图像分割为合适数量的超像素，并转化为无向图结构；
2-1超像素分割算法SLIC中一个重要的参数是超像素的个数S，假设图像中像素个数为P，则单个超像素包含像素个数N＝P/S。由于后续图神经网络中的卷积操作需要固定输入大小，因此取N＝30*30。此外，考虑到平面作为场景中基本的几何结构，想要区分出图像中的平面，输入图像的分辨率必然不能过低，如果图像像素个数小于18万(即超像素个数小于200)或者大于72万(即超像素个数大于800)，则使用线性插值算法将图像按照原比例缩放到18万～72万的分辨率，防止图像质量过低导致分割质量下降，或者防止图像过大带来大量计算。当图像分辨率合适时，则使用SLIC算法从图像中提取超像素，其中超像素个数S＝P/N；
2-2将每一个超像素作为节点，并从上到下、从左到右将其中的每个像素存在一个列表中得到该节点的矩阵表示，由于每个像素包含R、G、B三个数值，因此矩阵维度为N*3。同时，相邻的超像素使用权重为1的无向边相连，而每个节点使用权重为2的无向边连接其本身(表示对于每个节点来说其本身特征比相邻节点的特征更为重要)，得到无向图G，将所有的超像素按照其在图像中的位置(从上到下、从左到右)堆叠起来，构成G的特征矩阵，维度为S*N*3；
步骤(3)、构造图卷积网络，并使用数据集对其进行训练；
3-1、整个图卷积网络的结构图如图2所示。图卷积网络采用UNet++结构，由三个不同大小的子网络嵌套而成。每个子网络都为UNet的结构(如图3)，只是每个子网络的深度不同(即所用的下采样个数不同，分别为1个、2个、3个)，子网络之间通过下采样与跳跃连接相连。每个子网络包括编码器和解码器两大部分。编码器用于将无向图编码，其包含卷积操作和下采样操作；解码器用于提取抽象的编码信息，最终还原成每个超像素的平面实例分类，其包含卷积操作和上采样操作；
3-2、卷积积操作：假设输入的无向图Gc＝{Vc，Ec}，其中Vc＝
表示无向图中的nc个节点，
表示无向图中的mc条无向边。首先构造Gc的邻接矩阵Ac，Ac为nc阶实对称矩阵，其中每个元素aij(i，j＝0，1，...，n-1)表示第i个节点和第j个节点的连接关系，值为无向边的权重；然后构造矩阵Ac的度矩阵Dc，Dc同为nc阶实对称矩阵，且除主对角线以外的所有元素值为0，主对角元素取值为
再利用输入无向图Gc的特征矩阵Xc，计算得到卷积操作输出的特征矩阵X′c：
其中σ为ReLU激活函数，Wc为训练过程中可学习的权重矩阵。需要注意的是，整个过程中无向图的结构不发生变化，即Vc、Ec不变，卷积操作只是改变了Gc的特征矩阵，即每个节点所携带的信息；
3-3、下采样操作用于减少无向图中节点，以达到压缩信息的功能。假设输入的无向图Gs＝{Vs，Es}，其中
表示个ns节点。Gs的邻接矩阵为As，特征矩阵为Xs(维度为Ss*Ns*3)。首先使用一个在训练中可学习的投影矩阵M(维度为Ns*3)从无向图Gs的特征矩阵Xs中提取信息Y：
其中，||·||表示取模长。Y的维度为Ss*3，对其中每行的三个元素取平均值，得到维度为Ss*1的列向量
然后将其中每个元素都设置下标(从0开始)，并记录其中最大的40％的元素的下标，写成向量的形式，记为idx(维度为0.4Ss*1)。从无向图Gs的节点中选出idx对应的节点，得到下采样输出的无向图Gd，使用邻接矩阵表示为：
Ad＝As(id，id)，id∈idx (3)
而输出无向图Gd的特征矩阵Xd为
其中，
表示Hadamard乘积，Broadcast()表示使用复制的方式将
广播到与Xs(id)维度一致，Xd的维度为0.4Ss*Ns*3；
3-4、上采样操作将下采样操作中简化后的无向图(即输出无向图Gd)恢复成原始的复杂结构，是下采样的逆操作。每一个上采样都与同层的下采样对应，即上采样输入的无向图结构与同层下采样的输出相同，都使用邻接矩阵Ad表示，而上采样输出的无向图结构与同层下采样的输入具有相同的结构，并且上采样过程中会使用下采样里的下标向量idx。下采样输出的无向图Gd的特征矩阵为Xd经过同层上采样操作后为X′s：
其中，Zeros(Ns，3)表示N*3大小的零矩阵，X′s维度为Ss*Ns*3。整个上采样操作输出的无向图等价于将同层下采样输入的无向图中不属于id的节点的特征置零；
3-5、由于目前没有专门的数据集用于平面提取，因此使用算法在现有数据集中打上所需标签。考虑到在现实生活中采集的数据集因为硬件缺陷不可避免带有一定的噪声，因此使用来自人造环境的SYNTHIA数据集。首先将数据集中的语义标签分为两类：平面(建筑物、人行道、马路等)和非平面类(行人、植物、汽车等)。数据集中每一个场景包含一张彩色图像、一张深度图像、一张语义分割图，三张图分辨率相同且对应。首先使用步骤2-1中的方法将场景中的三张图缩放到合适分辨率，然后使用SLIC算法在彩色图上初始化S个种子点，每个种子点对应一个超像素。接着依次取出语义分割图中属于平面类的语义区域，在深度图中对应位置，使用J-Linkage聚类算法提取平面实例，再将每个平面实例对应到彩色图中，根据已有的种子点继续提取超像素。对于语义分割图中属于非平面类的语义区域，将其融合成一个区域，对应到彩色图中，根据已有的种子点继续提取超像素。最后使用步骤2-2的方法将超像素转化为无向图；
3-6对于SYNTHIA数据集中的每一个场景，都使用步骤2的方法转化为无向图，从而完成数据集的构建，并且训练集和测试集的比例为4:1，用于图卷积网络的训练。训练过程中，使用L2正则化，学习率为0.001，优化器为Adam，训练和测试的批大小为1；
步骤(4)、使用训练好的图卷积网络对超像素构成的图进行预测，给每一个超像素进行平面分类，从而完成平面分割。
Claims (4)
1.一种基于超像素和图卷积网络的平面分割方法，其特征在于，包括以下步骤：
步骤(1)、对输入的彩色图像进行预处理，获得预处理后的图像；
步骤(2)、根据图像分辨率，将预处理后的图像分割为合适数量的超像素，并转化为无向图结构；
步骤(3)、构造图卷积网络，并使用数据集对其进行训练；
步骤(4)、使用训练好的图卷积网络对超像素构成的图进行预测，给每一个超像素进行平面分类，从而完成平面分割。
2.根据权利要求1所述的一种基于超像素和图卷积网络的平面分割方法，其特征在于，步骤(1)具体操作如下；
首先将输入的彩色图像从RGB色彩空间转换HIV色彩空间，接着对H、I、V通道分别使用直方图均衡化算法，再将图像从HIV色彩空间转回到RGB色彩空间，完成图像对比度的提高；
使用Sobel算子提取步骤1-1得到图像的边缘信息，然后与步骤1-1得到的图像相加，从而完成对图像边缘的增强，得到预处理后的图像。
3.根据权利要求2所述的一种基于超像素和图卷积网络的平面分割方法，其特征在于，步骤(2)具体操作如下；
2-1超像素分割算法SLIC中一个重要的参数是超像素的个数S，假设图像中像素个数为P，则单个超像素包含像素个数N＝P/S；由于后续图神经网络中的卷积操作需要固定输入大小，因此取N＝30*30；使用线性插值算法将图像按照原比例缩放到18万～72万的分辨率，防止图像质量过低导致分割质量下降，或者防止图像过大带来大量计算；当图像分辨率合适时，则使用SLIC算法从图像中提取超像素，其中超像素个数S＝P/N；
2-2将每一个超像素作为节点，并从上到下、从左到右将其中的每个像素存在一个列表中得到该节点的矩阵表示，由于每个像素包含R、G、B三个数值，因此矩阵维度为N*3；同时，相邻的超像素使用权重为1的无向边相连，而每个节点使用权重为2的无向边连接其本身，得到无向图G，将所有的超像素按照其在图像中的位置堆叠起来，构成G的特征矩阵，维度为S*N*3。
4.根据权利要求3所述的一种基于超像素和图卷积网络的平面分割方法，其特征在于，步骤(3)具体操作如下：
3-1、图卷积网络采用UNet++结构，由三个不同大小的子网络嵌套而成；每个子网络都为UNet的结构，只是每个子网络的深度不同，子网络之间通过下采样与跳跃连接相连；每个子网络包括编码器和解码器两大部分；编码器用于将无向图编码，其包含卷积操作和下采样操作；解码器用于提取抽象的编码信息，最终还原成每个超像素的平面实例分类，其包含卷积操作和上采样操作；
3-2、卷积积操作：假设输入的无向图Gc＝{Vc,Ec}，其中
表示无向图中的nc个节点，
表示无向图中的mc条无向边；首先构造Gc的邻接矩阵Ac，Ac为nc阶实对称矩阵，其中每个元素aij(i,j＝0,1,…,n-1)表示第i个节点和第j个节点的连接关系，值为无向边的权重；然后构造矩阵Ac的度矩阵Dc，Dc同为nc阶实对称矩阵，且除主对角线以外的所有元素值为0，主对角元素取值为
再利用输入无向图Gc的特征矩阵Xc，计算得到卷积操作输出的特征矩阵X′c：
其中σ为ReLU激活函数，Wc为训练过程中可学习的权重矩阵；需要注意的是，整个过程中无向图的结构不发生变化，即Vc、Ec不变，卷积操作只是改变了Gc的特征矩阵，即每个节点所携带的信息；
3-3下采样操作用于减少无向图中节点，以达到压缩信息的功能；假设输入的无向图Gs＝{Vs,Es}，其中
表示个ns节点；Gs的邻接矩阵为As，特征矩阵为Xs；首先使用一个在训练中可学习的投影矩阵M从无向图Gs的特征矩阵Xs中提取信息Y：
其中，||·||表示取模长；Y的维度为Ss*3，对其中每行的三个元素取平均值，得到维度为Ss*1的列向量
然后将其中每个元素都设置下标，并记录其中最大的40％的元素的下标，写成向量的形式，记为idx；从无向图Gs的节点中选出idx对应的节点，得到下采样输出的无向图Gd，使用邻接矩阵表示为：
Ad＝As(id,id),id∈idx (3)
而输出无向图Gd的特征矩阵Xd为
其中，
表示Hadamard乘积，Broadcast()表示使用复制的方式将
广播到与Xs(id)维度一致，Xd的维度为0.4Ss*Ns*3；
3-4上采样操作将下采样操作中简化后的无向图恢复成原始的复杂结构，是下采样的逆操作；每一个上采样都与同层的下采样对应，即上采样输入的无向图结构与同层下采样的输出相同，使用邻接矩阵Ad表示，而上采样输出的无向图结构与同层下采样的输入具有相同的结构，并且上采样过程中会使用下采样里的下标向量idx。下采样输出的无向图Gd的特征矩阵为Xd经过同层上采样操作后为X′s：
其中，Zeros(Ns,3)表示N*3大小的零矩阵，X′s维度为Ss*Ns*3；整个上采样操作输出的无向图等价于将同层下采样输入的无向图中不属于id的节点的特征置零；
3-5、使用来自人造环境的SYNTHIA数据集；首先将数据集中的语义标签分为两类：平面和非平面类；数据集中每一个场景包含一张彩色图像、一张深度图像、一张语义分割图，三张图分辨率相同且对应；首先使用步骤2-1中的方法将场景中的三张图缩放到合适分辨率，然后使用SLIC算法在彩色图上初始化S个种子点，每个种子点对应一个超像素；接着依次取出语义分割图中属于平面类的语义区域，在深度图中对应位置，使用J-Linkage聚类算法提取平面实例，再将每个平面实例对应到彩色图中，根据已有的种子点继续提取超像素；对于语义分割图中属于非平面类的语义区域，将其融合成一个区域，对应到彩色图中，根据已有的种子点继续提取超像素；最后使用步骤2-2的方法将超像素转化为无向图；
3-6、对于SYNTHIA数据集中的每一个场景，都使用步骤2的方法转化为无向图，从而完成数据集的构建，并且训练集和测试集的比例为4:1，用于图卷积网络的训练；训练过程中，使用L2正则化，学习率为0.001，优化器为Adam，训练和测试的批大小为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441623.2A CN113160177A (zh) | 2021-04-23 | 2021-04-23 | 一种基于超像素和图卷积网络的平面分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110441623.2A CN113160177A (zh) | 2021-04-23 | 2021-04-23 | 一种基于超像素和图卷积网络的平面分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113160177A true CN113160177A (zh) | 2021-07-23 |
Family
ID=76869823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110441623.2A Pending CN113160177A (zh) | 2021-04-23 | 2021-04-23 | 一种基于超像素和图卷积网络的平面分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113160177A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643200A (zh) * | 2021-07-27 | 2021-11-12 | 天津大学 | 基于递归图神经网络解决边缘过平滑的方法及装置 |
| CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
| CN113673610A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种用于组织细胞病理图像诊断***的图像预处理方法 |
| CN114399002A (zh) * | 2022-01-21 | 2022-04-26 | 平安科技（深圳）有限公司 | 基于图神经网络的图像场景分类方法及装置 |
| CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
| CN116168301A (zh) * | 2023-04-25 | 2023-05-26 | 耕宇牧星(北京)空间科技有限公司 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
| CN116228985A (zh) * | 2023-03-17 | 2023-06-06 | 合肥泰瑞数创科技有限公司 | 基于多维图像编码的建筑物室内语义模型的构建方法及*** |
| CN116958454A (zh) * | 2023-09-21 | 2023-10-27 | 北京飞渡科技股份有限公司 | 基于图网络的建筑轮廓构建方法及模块 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
| CN110443883A (zh) * | 2019-07-08 | 2019-11-12 | 杭州电子科技大学 | 一种基于dropblock的单张彩色图片平面三维重建方法 |
| CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
| CN112381144A (zh) * | 2020-11-13 | 2021-02-19 | 南京理工大学 | 非欧与欧氏域空谱特征学习的异构深度网络方法 |
-
2021
- 2021-04-23 CN CN202110441623.2A patent/CN113160177A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107424159A (zh) * | 2017-07-28 | 2017-12-01 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
| CN110443883A (zh) * | 2019-07-08 | 2019-11-12 | 杭州电子科技大学 | 一种基于dropblock的单张彩色图片平面三维重建方法 |
| CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
| CN112381144A (zh) * | 2020-11-13 | 2021-02-19 | 南京理工大学 | 非欧与欧氏域空谱特征学习的异构深度网络方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱尊杰 等: "基于单张彩色图输入的平面提取综述", 《杭州电子科技大学学报（自然科学版）》, 31 July 2020 (2020-07-31) * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643200B (zh) * | 2021-07-27 | 2023-07-07 | 天津大学 | 基于递归图神经网络解决边缘过平滑的方法及装置 |
| CN113643200A (zh) * | 2021-07-27 | 2021-11-12 | 天津大学 | 基于递归图神经网络解决边缘过平滑的方法及装置 |
| CN113674252A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
| CN113673610A (zh) * | 2021-08-25 | 2021-11-19 | 上海鹏冠生物医药科技有限公司 | 一种用于组织细胞病理图像诊断***的图像预处理方法 |
| CN113674252B (zh) * | 2021-08-25 | 2024-07-12 | 上海鹏冠生物医药科技有限公司 | 一种基于图神经网络的组织细胞病理图像诊断*** |
| CN114399002A (zh) * | 2022-01-21 | 2022-04-26 | 平安科技（深圳）有限公司 | 基于图神经网络的图像场景分类方法及装置 |
| WO2023137916A1 (zh) * | 2022-01-21 | 2023-07-27 | 平安科技（深圳）有限公司 | 基于图神经网络的图像场景分类方法及装置 |
| CN116228985A (zh) * | 2023-03-17 | 2023-06-06 | 合肥泰瑞数创科技有限公司 | 基于多维图像编码的建筑物室内语义模型的构建方法及*** |
| CN116228985B (zh) * | 2023-03-17 | 2023-10-20 | 合肥泰瑞数创科技有限公司 | 基于多维图像编码的建筑物室内语义模型的构建方法及*** |
| CN116128916A (zh) * | 2023-04-13 | 2023-05-16 | 中国科学院国家空间科学中心 | 一种基于空间能流对比度的红外弱小目标增强方法 |
| CN116168301A (zh) * | 2023-04-25 | 2023-05-26 | 耕宇牧星(北京)空间科技有限公司 | 一种基于嵌套编码器网络的农田施肥栅格检测方法 |
| CN116958454A (zh) * | 2023-09-21 | 2023-10-27 | 北京飞渡科技股份有限公司 | 基于图网络的建筑轮廓构建方法及模块 |
| CN116958454B (zh) * | 2023-09-21 | 2023-12-12 | 北京飞渡科技股份有限公司 | 基于图网络的建筑轮廓构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113160177A (zh) | 一种基于超像素和图卷积网络的平面分割方法 | |
| Lin et al. | Image super-resolution using a dilated convolutional neural network | |
| CN110443842B (zh) | 基于视角融合的深度图预测方法 | |
| CN111080511B (zh) | 一种端到端的高分辨率多特征提取的人脸交换方法 | |
| CN111652899B (zh) | 一种时空部件图的视频目标分割方法 | |
| CN107808389B (zh) | 基于深度学习的无监督视频分割方法 | |
| CN111080513B (zh) | 一种基于注意力机制的人脸图像超分辨率方法 | |
| Huang et al. | Deep hyperspectral image fusion network with iterative spatio-spectral regularization | |
| 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*** | |
| CN113837938B (zh) | 基于动态视觉传感器重建潜在图像的超分辨率方法 | |
| CN110705344B (zh) | 一种基于深度学习的人群计数模型及其实现方法 | |
| KR102289045B1 (ko) | 멀티 스케일 객체 이미지 복원 방법 및 장치 | |
| CN112052783A (zh) | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 | |
| CN113902915A (zh) | 一种基于低光照复杂道路场景下的语义分割方法及*** | |
| CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
| CN110782458B (zh) | 一种非对称编码网络的物体图像3d语义预测分割方法 | |
| CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
| CN106600533B (zh) | 单图像超分辨率重建方法 | |
| CN115359372A (zh) | 一种基于光流网络的无人机视频运动目标检测方法 | |
| Li et al. | Single image super-resolution reconstruction based on genetic algorithm and regularization prior model | |
| CN113657387A (zh) | 基于神经网络的半监督三维点云语义分割方法 | |
| CN116682021A (zh) | 一种高分辨率遥感影像建筑物矢量轮廓数据提取方法 | |
| CN114373073A (zh) | 一种用于道路场景语义分割的方法及*** | |
| Liu et al. | Single image super-resolution using a deep encoder–decoder symmetrical network with iterative back projection | |
| Gao et al. | Bayesian image super-resolution with deep modeling of image statistics |
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 |