CN115294412A - 基于深度学习的实时煤岩分割网络生成方法 - Google Patents
基于深度学习的实时煤岩分割网络生成方法 Download PDFInfo
- Publication number
- CN115294412A CN115294412A CN202211230817.9A CN202211230817A CN115294412A CN 115294412 A CN115294412 A CN 115294412A CN 202211230817 A CN202211230817 A CN 202211230817A CN 115294412 A CN115294412 A CN 115294412A
- Authority
- CN
- China
- Prior art keywords
- resolution
- module
- low
- convolution
- image
- 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 40
- 239000011435 rock Substances 0.000 title claims abstract description 30
- 239000003245 coal Substances 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000011176 pooling Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000009977 dual effect Effects 0.000 claims abstract description 4
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的实时煤岩分割网络生成方法，属于图像处理领域。具体包括以下步骤：S1：构建CB模块；CB模块利用卷积和下采样操作模块将大图迅速下采样至低分辨率的特征图；S2：构建UB模块；UB模块是一个由小型UNet构成的卷积模块，使用1/16的特征图构建高分辨率路径；S3：构建深度聚合池化金字塔模块；增加特征提取的感受野，更充分地提取上下文信息；S4：双分辨率路径融合；用双线性插值法和求合法实现从低到高的融合，将高分辨率路径和低分辨率路径的输出进行2倍上采样和8倍上采样，将采样后的特征图进行相加；S5：构建分割头模块；使用两个卷积层，更好地将特征图进行煤岩分类。
Description
技术领域
本发明涉及一种基于深度学习网络生成方法，具体涉及一种基于深度学习的实时煤岩分割网络生成方法，属于图像处理技术领域。
背景技术
煤炭是世界上最经济的化石能源，也是我国的主体能源，对我国的能源安全和经济社会发展起着举足轻重的作用。煤炭的智能化、无人化开采在提高煤炭产量的同时，也是减少煤矿事故，特别是工作面事故的主要途径。煤岩界面自动识别是实现智能化和无人化开采的核心技术，是采煤机滚筒和掘锚机截割部位高度的自动调节以及液压支架顶板支护自动调整的关键所在，同时也是公认的世界难题。因此，深入研究煤岩界面的自动识别方法具有重要的理论意义和实践价值。由于开采工作面的煤岩识别不同于对煤块和岩块的分类，要在识别类别的同时获取到煤岩的边缘信息。我国煤岩存在多样性、相似性和复杂性等特征，现有语义分割模型存在对煤岩分割的精度不高、速度慢、性能低等问题。因此，切实提高煤岩样本数量与质量、构建更加高效的煤岩识别模型是当前迫切需要解决的问题。
针对以上问题，本发明设计了高效的实时性煤岩分割网络Unet-block Dual-resolution Networks（UDNet）。该网络采用经典的双分辨率路径网络，高分辨率路径保留图像的结构化信息，低分辨率网络提取图像的语义信息，根据图像的语义信息对像素进行分类。为了降低网络的参数量和运算量，在设计模型结构时高分辨率路径采用了比1/8更低的分辨率1/16，将DDRNet中的残差卷积模块替换成了更加高效的UNet模块，同时使用最大池化进行下采样以达到减少参数的目的。最后针对煤岩分割是一个二分类任务的特点，将整个模型的通道数进行减少。实验在标注好的3000张煤岩图像分割数据集上进行，对数据采用7：3的比例划分训练集和验证集。根据实验结果可得结论：UDNet很好地实现了速度与精度的平衡，在煤岩分割任务中相比于DDRNet，运算量减少了约15G，参数减少了约2.8M，FPS从150提高到了207。
发明内容
为了弥补现有技术的不足，本发明目的是提供了一种基于深度学习的实时煤岩分割网络。
本发明为实现上述目的，通过以下技术方案实现：
一种基于深度学习的实时煤岩分割网络，其特征在于,具体包括以下步骤：
S1：构建CB模块；CB模块利用卷积和下采样操作模块将大图迅速下采样至低分辨率的特征图；
S2：构建UB模块；UB模块是一个由小型UNet构成的卷积模块，使用1/16的特征图构建高分辨率路径；
S3：构建深度聚合池化金字塔模块；增加特征提取的感受野，更充分地提取上下文信息；
S4：双分辨率路径融合；用双线性插值法和求合法实现从低到高的融合，将高分辨率路径和低分辨率路径的输出进行2倍上采样和8倍上采样，将采样后的特征图进行相加；
S5：构建分割头模块；使用两个卷积层，更好地将特征图进行煤岩分类。
作为优选方案，步骤S1中，具体包括以下步骤：
S1-1：卷积操作；卷积神经网络能够自动学习到多个分辨率下的图像特征，在神经网络较浅层时，受感受野的约束只能感知到较小区域从而学习到图像的局部特征，在神经网络较深层时，感受野不变但图像特征缩小，因此具有较大的感知区域，能够学习到目标对象更抽象的特征；
S1-2：下采样操作；将图像中冗余的信息进行过滤，提取网络感兴趣的特征以便更好地获得图像语义信息。
作为优选方案，步骤S2中，具体包括以下步骤：
S2-1：提取不同尺度上下文信息；该模块利用了Unet结构，融合不同感受野的特征，可以在前向传播过程中提取更多不同尺度的上下文信息。该模块的输入特征图和输出特征图的分辨率相同，通道数增加，之后可以在UB模块后接上Max pooling进行下采样；
S2-2：池化操作；Max pooling操作可以在实现下采样的同时保证特征的相对位置不变，相比于卷积层完成下采样操作，使用该操作在完成下采样的过程中不需要训练参数，可以在减少参数量的同时避免过拟合问题。对于跳跃连接结来说，浅层网络所有数据都是浅层操作的结果，深度网络则都是深层操作的结果，而U型结构是包含了不同深度操作的结果。
作为优选方案，步骤S3中，具体包括以下步骤：低分辨率路径提取上下文信息；以1/64图像分辨率的特征图为输入，采用指数步长的最大池化生成1/128、1/256、1/512图像分辨率的特征图，还利用全局平均池化生成输入特征图和像素级信息，首先对特征图进行上采样，然后使用多个3×3卷积以分层残差的方式融合不同尺度的上下文信息，最后，使用1×1卷积对所有特征图进行拼接和压缩，一个输入x，每个尺度yi可以写为：
其中，C1×1是1×1卷积，C3×3是3×3卷积，U表示上采样运算，Pj，k表示核大小为j，步长为k的池化层，Pglobal表示全局平均池化。
作为优选方案，步骤S4中，具体包括以下步骤：双边融合包括将高分辨率分支融合到低分辨率分支(高到低融合)和将低分辨率分支融合到高分辨率分支(低到高融合)。对于高到低融合，在逐点求和之前，高分辨率特征地图被以2为步长的3×3卷积序列下采样。对于低分辨率到高分辨率，低分辨率特征图首先用1×1卷积进行压缩，然后用双线性内插法进行上采样。第i个高分辨率特征图XHi和低分辨率特征图XLi可以写成：
其中FH和FL分别对应于高分辨率和低分辨率下的经过残差块之后的特征图，
和
为从低到高和从高到低的transformer，
和
为第i-1个高分辨率特征图和低分辨率特征图，R为ReLU激活函数，将不同的特征图分别经过下采样和上采样之后进行相加，同时在特征图之后都添加了ReLU激活函数。
作为优选方案，步骤S5中，具体包括以下步骤：对经过特征提取网络提取的特征图先进行归一化处理，然后使用激活函数进行非线性转换，再进行卷积处理，归一化、激活、卷积这种操作一共进行了两次，以达到更好的分类效果。
本发明的有益效果在于：
本发明的UDNet模型是由两条不同分辨率的路径组成。其中“CB”模块是一个包括卷积、下采样操作的模块，由卷积层、归一化层组成，CB模块的作用是将大图迅速下采样至低分辨率的特征图，这也是减少模型计算量的有效方法。“UB”模块是一个由小型UNet构成的卷积模块，由于UNet的结构对称，输入与输出的特征图除通道数不同之外，长和宽的大小完全相同，所以采用maxpool操作对特征图进行下采样。UDNet不同于DDRNet的高分辨率路径使用1/8的特征图进行前向传播，而是使用1/16的特征图构建高分辨率路径，同时该路径上的UB模块相对于RB模块来说缩减了一半以上的通道数，这也是一个减少参数和计算量的部分。至于低分辨率路径的构建，除了使用UB模块以外，其余组成类似于resnet的结构。在高分辨率路径和低分辨率路径的末端，分辨对两条路径的输出进行2倍上采样和8倍上采样，将采样后的特征图进行相加，之后送入到分割头模块做分割。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明UDNet网络结构；
图2为本发明UB模块结构；
图3为本发明UNet网络结构。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1至图3对本发明的实施例的一种基于深度学习的实时煤岩分割网络进行具体说明。
如图1所示，本发明提出了一种基于深度学习的实时煤岩分割网络，其特征在于,具体包括以下步骤：
S1：构建CB模块；CB模块利用卷积和下采样操作模块将大图迅速下采样至低分辨率的特征图；具体包括以下步骤：
S1-1：卷积操作；卷积神经网络能够自动学习到多个分辨率下的图像特征，在神经网络较浅层时，受感受野的约束只能感知到较小区域从而学习到图像的局部特征，在神经网络较深层时，感受野不变但图像特征缩小，因此具有较大的感知区域，能够学习到目标对象更抽象的特征；
S1-2：下采样操作；将图像中冗余的信息进行过滤，提取网络感兴趣的特征以便更好地获得图像语义信息。
S2：构建UB模块；UB模块是一个由小型UNet构成的卷积模块，使用1/16的特征图构建高分辨率路径；UB模块如图2所示，UNet网络如图3所示，具体包括以下步骤：
S2-1：提取不同尺度上下文信息；该模块利用了Unet结构，融合不同感受野的特征，可以在前向传播过程中提取更多不同尺度的上下文信息。该模块的输入特征图和输出特征图的分辨率相同，通道数增加，之后可以在UB模块后接上Max pooling进行下采样。
S2-2：池化操作；Max pooling操作可以在实现下采样的同时保证特征的相对位置不变，相比于卷积层完成下采样操作，使用该操作在完成下采样的过程中不需要训练参数，可以在减少参数量的同时避免过拟合问题。对于跳跃连接结来说，浅层网络所有数据都是浅层操作的结果，深度网络则都是深层操作的结果，而U型结构是包含了不同深度操作的结果。
S3：构建深度聚合池化金字塔模块；增加特征提取的感受野，更充分地提取上下文信息；具体包括以下步骤：以1/64图像分辨率的特征图为输入，采用指数步长的最大池化生成1/128、1/256、1/512图像分辨率的特征图。还利用全局平均池化生成输入特征图和像素级信息。首先对特征图进行上采样，然后使用多个3×3卷积以分层残差的方式融合不同尺度的上下文信息。最后，使用1×1卷积对所有特征图进行拼接和压缩。一个输入x，每个尺度yi可以写为：
其中，C1×1是1×1卷积，C3×3是3×3卷积，U表示上采样运算，Pj，k表示核大小为j，步长为k的池化层，Pglobal表示全局平均池化。
S4：双分辨率路径融合；用双线性插值法和求合法实现从低到高的融合，将高分辨率路径和低分辨率路径的输出进行2倍上采样和8倍上采样，将采样后的特征图进行相加；具体包括以下步骤：双边融合包括将高分辨率分支融合到低分辨率分支(高到低融合)和将低分辨率分支融合到高分辨率分支(低到高融合)。对于高到低融合，在逐点求和之前，高分辨率特征地图被以2为步长的3×3卷积序列下采样。对于低分辨率到高分辨率，低分辨率特征图首先用1×1卷积进行压缩，然后用双线性内插法进行上采样。
其中FH和FL分别对应于高分辨率和低分辨率下的经过残差块之后的特征图，
和
为从低到高和从高到低的transformer，
和
为第i-1个高分辨率特征图和低分辨率特征图，R为ReLU激活函数，将不同的特征图分别经过下采样和上采样之后进行相加，同时在特征图之后都添加了ReLU激活函数。
S5：构建分割头模块；使用两个卷积层，更好地将特征图进行煤岩分类。具体包括以下步骤：对经过特征提取网络提取的特征图先进行归一化处理，然后使用激活函数进行非线性转换，再进行卷积处理。归一化、激活、卷积这种操作一共进行了两次，以达到更好的分类效果。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (6)
1.一种基于深度学习的实时煤岩分割网络生成方法，其特征在于：包括以下步骤：
S1：构建CB模块；CB模块利用卷积和下采样操作模块将大图迅速下采样至低分辨率的特征图；
S2：构建UB模块；UB模块是一个由小型UNet构成的卷积模块，使用1/16的特征图构建高分辨率路径；
S3：构建深度聚合池化金字塔模块；增加特征提取的感受野，更充分地提取上下文信息；
S4：双分辨率路径融合；用双线性插值法和求合法实现从低到高的融合，将高分辨率路径和低分辨率路径的输出进行2倍上采样和8倍上采样，将采样后的特征图进行相加；
S5：构建分割头模块；使用两个卷积层，更好地将特征图进行煤岩分类。
2.根据权利要求1所述基于深度学习的实时煤岩分割网络生成方法，其特征在于：步骤S1中，具体包括以下步骤：
S1-1：卷积操作；卷积神经网络能够自动学习到多个分辨率下的图像特征，在神经网络较浅层时，受感受野的约束只能感知到较小区域从而学习到图像的局部特征，在神经网络较深层时，感受野不变但图像特征缩小，因此具有较大的感知区域，能够学习到目标对象更抽象的特征；
S1-2：下采样操作；将图像中冗余的信息进行过滤，提取网络感兴趣的特征以便更好地获得图像语义信息。
3.根据权利要求1所述基于深度学习的实时煤岩分割网络生成方法，其特征在于：步骤S2中，具体包括以下步骤：
S2-1：提取不同尺度上下文信息；该模块利用了Unet结构，融合不同感受野的特征，可以在前向传播过程中提取更多不同尺度的上下文信息；该模块的输入特征图和输出特征图的分辨率相同，通道数增加，之后可以在UB模块后接上Max pooling进行下采样；
S2-2：池化操作；Max pooling操作可以在实现下采样的同时保证特征的相对位置不变，相比于卷积层完成下采样操作，使用该操作在完成下采样的过程中不需要训练参数，可以在减少参数量的同时避免过拟合问题；对于跳跃连接结来说，浅层网络所有数据都是浅层操作的结果，深度网络则都是深层操作的结果，而U型结构是包含了不同深度操作的结果。
4.根据权利要求1所述基于深度学习的实时煤岩分割网络生成方法，其特征在于：步骤S3中，具体包括以下步骤：
S3-1：低分辨率路径提取上下文信息：
以1/64图像分辨率的特征图为输入，采用指数步长的最大池化生成1/128、1/256、1/512图像分辨率的特征图；
S3-2：利用全局平均池化生成输入特征图和像素级信息：
首先对特征图进行上采样，然后使用多个3×3卷积以分层残差的方式融合不同尺度的上下文信息，最后，使用1×1卷积对所有特征图进行拼接和压缩，一个输入x，每个尺度yi可以写为：
其中，C1×1是1×1卷积，C3×3是3×3卷积，U表示上采样运算，Pj，k表示核大小为j，步长为k的池化层，Pglobal表示全局平均池化。
5.根据权利要求1所述基于深度学习的实时煤岩分割网络生成方法，其特征在于：
步骤S4中，具体包括以下步骤：双边融合包括将高分辨率分支融合到低分辨率分支即高到低融合和将低分辨率分支融合到高分辨率分支即低到高融合；对于高到低融合，在逐点求和之前，高分辨率特征地图被以2为步长的3×3卷积序列下采样；对于低分辨率到高分辨率，低分辨率特征图首先用1×1卷积进行压缩，然后用双线性内插法进行上采样，第i个高分辨率特征图XHi和低分辨率特征图XLi可以写成：
其中FH和FL分别对应于高分辨率和低分辨率下的经过残差块之后的特征图，
和
为从低到高和从高到低的transformer，
和
为第i-1个高分辨率特征图和低分辨率特征图，R为ReLU激活函数，将不同的特征图分别经过下采样和上采样之后进行相加，同时在特征图之后都添加了ReLU激活函数。
6.根据权利要求1所述基于深度学习的实时煤岩分割网络生成方法，其特征在于：步骤S5中，具体包括以下步骤：对经过特征提取网络提取的特征图先进行归一化处理，然后使用激活函数进行非线性转换，再进行卷积处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211230817.9A CN115294412A (zh) | 2022-10-10 | 2022-10-10 | 基于深度学习的实时煤岩分割网络生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211230817.9A CN115294412A (zh) | 2022-10-10 | 2022-10-10 | 基于深度学习的实时煤岩分割网络生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115294412A true CN115294412A (zh) | 2022-11-04 |
Family
ID=83819322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211230817.9A Pending CN115294412A (zh) | 2022-10-10 | 2022-10-10 | 基于深度学习的实时煤岩分割网络生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294412A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881768A (zh) * | 2020-07-03 | 2020-11-03 | 苏州开心盒子软件有限公司 | 一种文档版面分析方法 |
| CN111985409A (zh) * | 2020-08-21 | 2020-11-24 | 四川省人工智能研究院(宜宾) | 一种用于实时街道场景分割的方法 |
| CN112950480A (zh) * | 2021-04-15 | 2021-06-11 | 辽宁工程技术大学 | 一种融合多感受野和密集残差注意的超分辨率重建方法 |
| CN112950477A (zh) * | 2021-03-15 | 2021-06-11 | 河南大学 | 一种基于双路径处理的高分辨率显著性目标检测方法 |
| CN113486897A (zh) * | 2021-07-29 | 2021-10-08 | 辽宁工程技术大学 | 一种卷积注意力机制上采样解码的语义分割方法 |
| CN113989649A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 一种基于深度学习的遥感地块识别方法 |
| CN114048822A (zh) * | 2021-11-19 | 2022-02-15 | 辽宁工程技术大学 | 一种图像的注意力机制特征融合分割方法 |
| CN114120284A (zh) * | 2021-11-30 | 2022-03-01 | 安徽百诚慧通科技有限公司 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
| CN114387395A (zh) * | 2022-01-11 | 2022-04-22 | 中国矿业大学(北京) | 一种基于相位-双分辨率网络的全息图快速生成方法 |
| CN115082675A (zh) * | 2022-06-07 | 2022-09-20 | 中南大学 | 一种透明物体图像分割方法及*** |
-
2022
- 2022-10-10 CN CN202211230817.9A patent/CN115294412A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881768A (zh) * | 2020-07-03 | 2020-11-03 | 苏州开心盒子软件有限公司 | 一种文档版面分析方法 |
| CN111985409A (zh) * | 2020-08-21 | 2020-11-24 | 四川省人工智能研究院(宜宾) | 一种用于实时街道场景分割的方法 |
| CN112950477A (zh) * | 2021-03-15 | 2021-06-11 | 河南大学 | 一种基于双路径处理的高分辨率显著性目标检测方法 |
| CN112950480A (zh) * | 2021-04-15 | 2021-06-11 | 辽宁工程技术大学 | 一种融合多感受野和密集残差注意的超分辨率重建方法 |
| CN113486897A (zh) * | 2021-07-29 | 2021-10-08 | 辽宁工程技术大学 | 一种卷积注意力机制上采样解码的语义分割方法 |
| CN114048822A (zh) * | 2021-11-19 | 2022-02-15 | 辽宁工程技术大学 | 一种图像的注意力机制特征融合分割方法 |
| CN113989649A (zh) * | 2021-11-25 | 2022-01-28 | 江苏科技大学 | 一种基于深度学习的遥感地块识别方法 |
| CN114120284A (zh) * | 2021-11-30 | 2022-03-01 | 安徽百诚慧通科技有限公司 | 深度学习的高速公路车道结构化方法、存储介质及设备 |
| CN114387395A (zh) * | 2022-01-11 | 2022-04-22 | 中国矿业大学(北京) | 一种基于相位-双分辨率网络的全息图快速生成方法 |
| CN115082675A (zh) * | 2022-06-07 | 2022-09-20 | 中南大学 | 一种透明物体图像分割方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| XUEBIN QIN 等: "U2-Net: Going deeper with nested U-structure for salient object detection", 《PATTERN RECOGNITION》 * |
| YUANDUO HONG 等: "Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes", 《ARXIV:2101.06085V2》 * |
| 张力波 等: "基于实时语义分割模型的机场道面裂缝检测方法研究", 《机电信息》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047551B (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及*** | |
| CN110232394A (zh) | 一种多尺度图像语义分割方法 | |
| CN111209921A (zh) | 基于改进的YOLOv3网络的车牌检测模型及构建方法 | |
| CN105678292A (zh) | 基于卷积及递归神经网络的复杂光学文字序列识别*** | |
| CN114821357A (zh) | 一种基于transformer的光学遥感目标检测方法 | |
| CN114359130A (zh) | 一种基于无人机影像的道路裂缝检测方法 | |
| CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
| CN112950477A (zh) | 一种基于双路径处理的高分辨率显著性目标检测方法 | |
| CN112927253A (zh) | 基于卷积神经网络的岩心fib-sem图像分割方法 | |
| CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
| CN112767423A (zh) | 一种基于改进SegNet的遥感图像建筑物分割方法 | |
| CN112712500A (zh) | 一种基于深度神经网络的遥感图像目标提取方法 | |
| CN113971735A (zh) | 一种深度图像聚类方法、***、设备、介质及终端 | |
| CN114612306A (zh) | 一种面向裂缝检测的深度学习超分辨率方法 | |
| CN115830575A (zh) | 一种基于Transformer与跨维度注意力的交通标志检测方法 | |
| CN112766056A (zh) | 一种基于深度神经网络的弱光环境车道线检测方法、装置 | |
| CN115578722A (zh) | 基于车牌间协同学习机制的车牌检测方法 | |
| CN115984747A (zh) | 一种基于动态滤波器的视频显著性目标检测方法 | |
| CN115631513A (zh) | 基于Transformer的多尺度行人重识别方法 | |
| CN113888505A (zh) | 一种基于语义分割的自然场景文本检测方法 | |
| CN115294412A (zh) | 基于深度学习的实时煤岩分割网络生成方法 | |
| CN117237641A (zh) | 一种基于双分支特征融合网络的息肉分割方法及*** | |
| CN111402140A (zh) | 单张图像超分辨率重建***及方法 | |
| CN115731138A (zh) | 一种基于Transformer与卷积神经网络的图像修复方法 | |
| CN113723414B (zh) | 一种蒙面人脸遮挡物分割方法与装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221104 |
|
| RJ01 | Rejection of invention patent application after publication |