本发明提出一种轻量级多尺度特征融合的实时图像语义分割方法，包括：构建包括初始化模块、分离‑提取‑合并瓶颈模块、分区‑融合通道注意力模块、特征融合模块和多尺度注意力解码器的图像语义分割网络。通过图像语义分割网络提取待处理图像初始特征图的多尺度特征，得到多尺度特征图；提取并融合初始特征图的全局通道信息和局部通道信息，得到通道信息特征图；将多尺度特征图、通道信息特征图和原始的待处理图像进行特征融合，得到融合特征图；基于融合特征图进行图像精度恢复，得到图像语义分割结果。本发明能够在参数量相对较小的轻量级图像语义分割网络模型中保证模型的精度和准确率，提高模型的推理速度，实现图像的实时语义分割。
📄 2022103653786
📂 G06T7_11
👤 暨南大学
📅 2022-04-08
一种基于注意力机制的无监督图像语义分割方法，通过对RGB图像经注意力模块去除部分冗余背景信息；利用无监督图像语义分割网络提取图像语义信息，并给图像中属于相同类别的像素打上相同的标签，以实现图像语义信息的提取。本发明可以用于解决在无监督图像语义分割中因存在大量荣誉背景信息导致算力浪费以及分割精度下降等问题。
📄 2022105047973
📂 G06V10_26
👤 浙江工业大学
📅 2022-05-10
一种面向云掩膜的非均匀类别的样本均衡化方法，包括：步骤1：数据预处理与样本获取；步骤2：样本分组；步骤3：云掩膜模型训练；步骤4：分类器掩膜与评价；步骤5：迭代训练；步骤6：云掩膜；步骤7：掩膜数据后处理。本发明采用的样本均衡化方法，有效的解决了遥感影像中云类别不均匀而导致的样本失衡，实现对影像中各种类型云的有效识别和分割，从而提高云掩膜精度；选择性地输入样本，这可以突出缺失或错误检测的样本的影响，从而增强小类别样本，从而有效地调整深度学习模型所提取的特征，解决小类别云漏检或误检问题。
📄 2020100993823
📂 G06V10_774
👤 浙江工业大学
📅 2020-02-18
本发明公开了一种基于通道注意力特征融合的遥感图像语义分割方法，将待预测的遥感图像输入特征提取模块，提取四个尺度的初始特征，将提取到的特征输入全局信息模块，扩大感受野并充分利用全局上下文信息，然后依次通过注意力融合模块，逐步获得多尺度通道注意力融合后的特征；将注意力融合后的特征依次通过注意力解码模块，逐步获得解码后的特征，最后将解码后的最后一个特征通过卷积和上采样，然后使用Softmax分类器获得最终的语义分割结果。本发明以上下文感知的方式进行动态和自适应的特征融合，防止仅在全局范围内聚集上下文信息而造成的偏差，自适应地融合足够多的通道特征以实现语义模式的统一，可以得到更精准的遥感图像语义分割结果。
📄 2023104543909
📂 G06V20_10
👤 浙江工业大学
📅 2023-04-25
本发明公开了基于特征图扰动以及边界监督的牙齿全景片语义分割方法，在获取牙齿全景片后，将牙齿全景片通过锐化操作，获得牙齿边界更清晰的牙齿全景片，然后将牙齿全景片训练完成的扰动特征图提取网络进行特征提取，得到深层扰动特征图；最后将深层扰动特征图分别输入至训练完成的掩码网络及边界网络，得到牙齿区域分割结果和牙齿轮廓分割结果。本发明使得网络的泛化能力大大增强，使训练好的模型在遇到比较特殊的情况时仍能利用特殊情况中常见的部分特征得出较为合理的分割结果。
📄 2020108949937
📂 G06V10_26
👤 浙江工业大学
📅 2020-08-31
本发明公开了一种基于VGG网络的遥感图像语义分割技术，包括以下步骤：将用来训练的高分辨率的遥感图像和其对应的标签图随机切割成小图像，网络结构分为编码和解码两部分，通过反池化路径、反卷积路径将编码信息分辨率扩大一倍，将其与空洞卷积的结果进行通道连接，通过反卷积上采样将特征图像恢复到原始尺寸，再将输出标签图输入PPB模块进行多尺度聚合处理，最后以交叉熵为损失函数，通过随机梯度下降的方式来更新网络参数；将测试图片顺序切割成的小图像输入到神经网络预测其对应的标签图，再将标签图拼接成原始大小。上述技术方案，在提高模型的分割精度的同时降低网络的复杂程度，节省训练耗时。
📄 2019103971217
📂 G06K9_62
👤 温州大学
📅 2019-05-14
本发明涉及一种基于熵最小化的半监督图像语义分割方法。首先提出了一种特征梯度映射正则化策略(FGMR)，其使用编码器中低层特征图的梯度映射来增强编码器对深层特征图的编码能力；然后，提出一种自适应锐化策略，将未标记数据的决策边界保持在一个低密度区域；并且为了进一步降低噪声的影响，提出一种低置信度一致性策略保证分类和分割的一致性。大量的实验证实了本发明算法相对于现有方法的优越性。
📄 2021108118425
📂 G06V10_26
👤 福建榕基软件股份有限公司
📅 2021-07-19
本发明公开了一种基于图像语义分割的损失函数及其设计方法。本发明步骤如下：1。参数wi的确立。在网络训练过程中，从标签标注信息中提取此张图片中包含的语义类别个数n以及每个语义类别在图片中所占的面积s。在得到此两种标签信息后，将面积从大到小排列，并分别计算最大面积与各个面积之间的倍数，而后再将这些倍数关系归一化到[1,n]之间，即训练时每个损失函数计算时，不同类别对应的权重取值wi。2.参数Υ的确立。首先确定Υ＞0,而后在网络训练过程中通过网格寻优的方式，对Υ的值进行进一步的确立。本发明设计损失带有权重的损失函数进行改进，以使训练的卷积神经网络得到更好的图像分割效果。
📄 2019110662218
📂 G06T7_10
👤 杭州电子科技大学
📅 2019-11-04
本发明公开了一种基于局部和全局特征增强模块的图像语义分割方法，包括选取并制作语义分割任务所需的训练集图像和验证集图像，以及相应的标签图片。对训练集图像进行数据增强，分别对训练集图像和验证集图像中的样本图像进行标准化，对应的标签图像进行编码，设计卷积神经网络中，处理后数据作为模型的输入数据，输出多通道特征图，优化卷积神经网络参数，输入真实场景图像到参数优化后的卷积神经网络中进行语义分割，输出像素被标记后的图像。本发明为场景解析和强化学习等研究中的后续操作提供了重要的技术支持，可应用于虚拟现实，自动驾驶和人机交互等领域。
📄 2019113496050
📂 G06T7_11
👤 重庆邮电大学
📅 2019-12-24
本发明提供一种基于语义分割和深度学习的图片背景风格迁移方法。本发明首先选择内容图片和风格图片并进行图片预处理；然后通过ResNet网络由内容图片和风格图片直接计算的到一张相对比较接近结果的图片；然后通过VGG‑19网络获得风格约束和内容约束，根据损失函数进行梯度下降，通过多次迭代的方式获得背景风格迁移结果，最后将迁移结果放回图片上。本发明速度提高了上百倍，可扩展性强，对局部区域进行风格迁移，保留了图像主体内容，以达到突出主体，增强图像艺术表现力的效果，代码易读性和可移植性强。
📄 202010043890X
📂 G06T3_00
👤 杭州电子科技大学
📅 2020-01-15
本发明公开了一种基于现有图像语义分割模型的再优化训练方法及应用。本发明对图像语义分割神经网络模型的最后一层输出，对接近语义边缘的所有像素截取所预测的概率最高的若干个预测标签，通过再优化模型进行特征距离测算，取最近的标签作为该像素的修正预测标签，从而达到提高语义分割预测准确率的目的。本发明提出了基于再识别的边界偏差消除方法，消除了语义边缘邻近区域的不确定性，是对成熟的图像语义分割模型的一次改进。再优化模型专注于语义边缘的修正任务。另外只针对图像语义边缘区域进行优化，在更加具有针对性的前提下，还不会给模型带来过重的运算时间和空间的负担。
📄 2020103597151
📂 G06T7_12
👤 杭州电子科技大学
📅 2020-04-29
本发明公开了一种基于图像清晰度的车辆图像语义分割方法。本发明设计了一个清晰度判别模块，并将结果导入总的损失函数中，实现更加精确的分割效果，具体实现如下：步骤1、采用Tenengrad函数来对输入的车辆图像进行清晰度判定；步骤2、采用DeepLab V3+作为语义分割主干网络进行训练；步骤3、用训练完的网络输出语义分割结果。本发明对于清晰度做出判定，根据判别结果，本发明设计了相应的损失函数LD，并将其加入到语义分割主干网络的损失函数中，从而使网络具有判别车辆图像清晰度的能力，增加了网络对车辆图像语义分割的针对性，提高语义分割主干网络的分割精度。
📄 2020103633266
📂 G06T7_12
👤 杭州电子科技大学
📅 2020-04-30
柿子坊 · 知识产权运营
柿子坊知识产权运营平台