本发明公开了一种基于边界增强的图像分割方法，包括：建立边界增强的图像分割网络模型，并利用训练好的网络模型对输入图像进行分割；其中，图像分割网络模型的编码器包括第一特征提取模块、边界提取模块以及第二特征提取模块，主要用于提取输入图像的边界特征和边界标签，以获得不同尺度的特征图；图像分割网络模型的解码器包括双向互增强模块和一个多尺度注意力聚合模块，主要用于基于尺度维度、空间维度以及通道维度对增强特征图进行注意力聚合处理，得到多维度融合特征图。该方法提取到的边界信息更加准确，使获得的多维度融合特征图突出能够更加有效提高分割结果准确率的空间信息和语义信息，从而提高了图像分割的准确率。
📄 2023101655052
📂 G06T7_10
👤 西安电子科技大学
📅 2023-02-24
本发明公开了一种基于多支路特征融合的图像分割方法及系统，建立三个基于Xception的轻量化子网络，对三个子网络的输出进行通道缩减操作和4倍双线性上采样，得到三个子网络的高级特征输出，然后将第一高级特征输出和第二高级特征输出并联到第二特征提取模块和第三特征提取模块，构造图像分割模型的编码器；将三个特征提取子网络的输出分别进行通道缩减操作得到低级特征和高级特征，构造完成图像分割模型的解码器；使用两个尺寸不同的预测图像构造损失函数；使用随机梯度下降优化器对损失函数进行优化训练，获得训练好的图像分割模型，使用训练好的图像分割模型完成图像的分割任务。本发明提高了分割准确率；加快图像分割速度；改善分割结果图细节部分。
📄 2021104326575
📂 G06T7_10
👤 西安电子科技大学
📅 2021-04-21
本发明涉及一种基于风格转换的跨场景高光谱图像分割方法。本发明包括以下步骤；构建跨场景高光谱图像分割数据集；构建多视角信息融合分割网络；构建基于风格转换的跨场景高光谱图像分割网络；训练并测试基于风格转换的跨场景高光谱图像分割网络。与现有技术相比，本发明通过跨场景高光谱图像分割网络，解决了现有高光谱分类任务中，由于不同卫星高光谱图像之间存在风格差异，导致难以将源域训练模型迁移至目标域数据集的问题。此外，本发明采用多视角信息融合分割网络以聚合高光谱图像的空谱信息，从而实现了将源域卫星数据上训练的模型有效迁移至目标域卫星数据的创新方法。
📄 2025100168320
📂 G06T7_10
👤 安徽大学
📅 2025-01-06
本公开公开了一种目标分割的方法、装置及电子设备，人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下。具体实现方案为：根据待识别视频生成待识别帧和参考帧，所述参考帧为所述待识别帧的前一帧；将所述待识别帧和所述参考帧输入编码网络，并生成待识别帧特征图和参考帧目标物体特征图；根据所述参考帧目标物体特征图和所述待识别帧特征图生成相关矩阵；根据所述相关矩阵和所述待识别帧特征图生成待识别帧目标特征图，并根据所述待识别帧目标特征图生成目标分割图像。本公开实施例可以检测待识别帧中的目标物体。本公开实施例可以提高分割待识别帧中目标物体的准确率。
📄 2021107363951
📂 G06T7_10
👤 北京百度网讯科技有限公司
📅 2021-06-30
本申请提供一种图像处理方法、装置、电子设备及存储介质，涉及图像处理领域中的计算机视觉以及图像识别技术，该图像处理方法包括：获取原始图像；获取至少两份碎片图像，所有碎片图像组成原始图像；根据各碎片图像以及原始图像进行特征匹配，确定各碎片图像在原始图像中的匹配图像块；在单份碎片图像对应的匹配图像块为至少两个时，对至少两个匹配图像块进行筛选，得到单份碎片图像对应的单个匹配图像块；基于各碎片图像对应的单个匹配图像块，确定各碎片图像在原始图像中的位置。本申请通过将碎片图像与原始图像进行特征匹配，进一步还包括对匹配图像块进行筛选的步骤，从而可以唯一确定碎片图像在原图像中的位置。
📄 2020106128521
📂 G06T7_10
👤 北京百度网讯科技有限公司
📅 2020-06-30
本发明提出了一种新的上下文感知卷积神经网络的全脑三维解剖结构分割方法。该方法在卷积神经网络的卷积模块后串联一个全新的双重注意力模块。该模块通过卷积自动学习通道和空间注意力权重并分别对输入的卷积特征进行加权，再通过卷积自适应融合加权后的卷积特征，以此提高网络的分类性能。此外，本发明将图像中待分割对象所有体素为中心的图像块作为训练数据，通过完全采样充分利用有限的标注数据对其样本分布进行较为完整的学习，以此进一步提高网络的分类性能。本发明提出的方法具有分割精度高、稳定性好的优点。在10个实施例的磁共振脑图像分割中，本方法获得分割结果的平均精度达93.27％，这比当前最先进的DeepNAT方法获得分割结果的平均精度提高了3.790％。
📄 2021114832516
📂 G06T7_10
👤 重庆邮电大学
📅 2021-12-07
本发明公开了一种深度注意力网络的胎儿小脑超声图像分割方法，包括如下步骤：首先将胎儿超声数据集按照4:1的比例随机划分为训练集和测试集，对胎儿超声数据集进行预处理；然后搭建DA‑Net网络模型，构造一个六层的U形网络，将残差级联块和改进的三重注意力模块封装成一个复合模块嵌入到网络的编码器和解码器中，用来进行有效特征提取；接下来，在训练集上采用像素位置感知损失来训练网络模型；最后，在测试集上测试模型，根据测试的结果，选择出性能最优的模型为最终模型；使用该模型进行胎儿小脑超声图像分割。本发明利用一个深度注意力网络DA‑Net，能够准确实现胎儿小脑超声图像的定位与分割，获得了较好的分割性能和鲁棒性。
📄 2023107247841
📂 G06T7_10
👤 江苏科技大学
📅 2023-06-19
本发明公开了一种基于CNN‑Transformer并行编码器的医学图像分割方法，包括如下步骤：使用卷积神经网络捕捉到局部信息，Transformer捕捉到远程全局信息；通过特征筛选，调整注意力的分布和去除无用信息；通过双层融合模块融合多尺度特征并输出。本发明通过卷积神经网络和Transformer的混合架构，能够提取到多尺度、更丰富的信息，从而显著提升医学图像分割的精度。
📄 2024104623772
📂 G06T7_10
👤 南京邮电大学
📅 2024-04-17
本发明公开了一种基于SCUnet++神经网络的肺栓塞CT图像识别分割方法，包括如下步骤：S1、构建用于识别分割肺栓塞CT图像的SCUnet++神经网络模型；S2、建立肺栓塞CT图像数据集，并划分为训练集和测试集；S3、使用训练集对SCUnet++神经网络模型进行训练，结合肺栓塞CT图像特点，对SCUnet++神经网络模型参数调优，得到最终分割网络模型；S4、使用测试集测试评估得到的最终分割网络模型，通过最终分割网络模型实现自动、智能的肺栓塞CT图像识别分割功能。该方法能够实现自动、智能的肺栓塞CT图像识别分割功能，具有较高的分割准确率和效率。
📄 202310380776X
📂 G06T7_10
👤 杭州电子科技大学
📅 2023-04-11
本发明提出一种基于拓扑感知图网络的类别不均建筑立面点云分割方法，其具体包括：构建立面拓扑提取模块，捕捉立面元素间抽象的对象级拓扑特征；构建增强采样几何提取模块，提取立面元素间点级别的层次化几何特征；构建双特征注意力融合模块，对得到的两种不同粒度、不同类型的特征进行融合，实现两种特征的优势互补；这三个模块组合构成拓扑感知图网络；将输入数据集划分为训练集、验证集和测试集，训练好网络之后进行测试并评估结果。本发明提出的方法解决了现有技术无法有效提取建筑立面元素间的拓扑特征，并将其与几何特征有效融合的问题，能够实现类别不均建筑立面点云的有效分割。
📄 2025101498046
📂 G06T7_10
👤 南京信息工程大学
📅 2025-02-11
一种基于深度网络的视神经自动分割方法，使用具有NVIDIA GeForce系列显卡的操作平台，通过对标注数据进行预处理及深度网络训练等一系列操作，得出网络模型，能够对视神经结构进行预测分割。相比较于常用的人工标注和基于可变模型的分割方法，本发明可以更为快速地获得视神经分割数据，分割精度通过深度网络学习得到提高，能够为视神经分割过程提供精确、高效的方法，还能够为其他颅神经提供可重复分析的方法。
📄 2020113817675
📂 G06T7_10
👤 浙江工业大学
📅 2020-12-01
一种基于多视图和3维卷积融合策略的PET图像分割方法，包括以下步骤：步骤1，针对3维PET图像的特点修改原始的网络模型,使之适合学习分割3维的PET数据；步骤2，将3维的PET数据进行预处理,使之符合对应网络需要的形状和尺寸,有助于网络的收敛速度和分割的准确性；步骤3，对应预处理方式的数据输入至对应的卷积神经网络中学习,得到对应的模型；步骤4、将测试数据分别输入到预测模型中，将多个模型的预测结果通过一个简单的3维卷积网络进行融合得到测试数据的最终的预测结果。本发明增加了3维数据的信息利用，并通过3维卷积神经网络自适应的融合了2维模型和3维模型的优点,提高了分割的准确率。
📄 2019110923792
📂 G06T7_10
👤 浙江工业大学
📅 2019-11-11
柿子坊 · 知识产权运营
柿子坊知识产权运营平台