本发明公开了基于改进全卷积神经网络的室内场景语义分割方法。首先构建卷积神经网络，其隐层包括5个神经网络块、5个特征再提取卷积层块、5个分块注意力卷积块、12个融合层、4个上采样层；使用原始室内场景图像输入到卷积神经网络中进行训练，得到对应的语义分割预测图；再通过计算原始的室内场景图像对应的语义分割预测图构成的集合与对应的真实语义分割图像处理成的独热编码图像构成的集合之间的损失函数值，获得卷积神经网络分类训练模型的最优权值矢量和偏置项；将待语义分割的室内场景图像输入到训练好的卷积神经网络分类训练模型中，得到预测语义分割图像。本发明的优点是提高了室内场景图像的语义分割效率和准确度。
📄 2020115599425
📂 G06T7_10
👤 浙江科技学院
📅 2020-12-25
本发明公开了一种基于卷积神经网络的室内场景语义分割方法。训练阶段，构建卷积神经网络，包括输入层、特征提取层、特征融合层和输出层；使用原始的室内场景图像输入到卷积神经网络中进行训练，得到对应的语义分割预测图；再计算原始的室内场景图像对应的语义分割预测图构成的集合与对应的真实语义分割图像处理成的独热编码图像构成的集合之间的损失函数值，获得卷积神经网络分类训练模型的最终权值矢量和偏置项；在测试阶段，将待语义分割的室内场景图像输入到卷积神经网络分类训练模型中，得到预测语义分割图像。本发明上述方法能够提高了室内场景图像的语义分割效率和准确度。
📄 2020102915176
📂 G06V20_70
👤 浙江科技学院
📅 2020-04-14
本发明公开了一种卷积神经网络边缘辅助增强的双目显著性图像检测方法。采集原始3D图像包括RGB图和深度图构成训练集；构建RGB图网络和深度图网络，RGB图网络和深度图网络之间通过融合卷积模块连接再融合生成最后的显著性图，形成双目卷积神经网络；将训练集进行训练得到总损失；通过反向传播优化神经网络权重参数，获得训练后的双目卷积神经网络；待测的图像输入到双目卷积神经网络中后预测处理，输出结果。本发明采用双目网络区域增强边缘辅助来生成显著性图，用边缘图来对区域图进行边界加强，输出结果更加准确清晰，解决了现有技术存在显著区域不明显和边界不明确的问题，提高检测效率和精度。
📄 2020101916330
📂 G06K9_00
👤 浙江科技学院
📅 2020-03-18
本发明公开了一种基于卷积神经网络的3D图像质量检测方法。本发明方法在训练阶段，构建包括特征提取网络，特种融合网络以及质量权重预测网络的卷积神经网络，同时融合图像低级、中级、高级特征，让网络学习更高层次的抽象；考虑双目竞争，通过网络训练出自适应的质量和权重，提升非对称失真3D图像质量预测的准确性；由于人眼对图像区域的关注度不同，显著区域的图像质量对整体3D图像的影响较大，我们在训练阶段使用显著区域选择，测试阶段使用显著加权来得到整体的图像质量。本发明不使用人的主观分数进行监督，不存在由于人的主观因素造成的训练误差，可以使预测结果更为客观，准确。
📄 2019109631933
📂 G06T7_00
👤 浙江科技学院
📅 2019-10-11
本发明公开了一种基于卷积神经网络的多尺度图像质量检测方法。其在训练阶段，构建卷积神经网络，其中有十一个内部网络层，其中有三层卷积用于编码，三层反卷积用于解码，其余七层用于加深网络，让网络学习更高层次的抽象，网络还包括两个跳层和三个多尺度输出层；将原始失真图像进行相应的预处理，输入到网络进行训练，将输入数据映射到原始图像对应的结构特征相似图；通过方向传播算法不断迭代更新网络参数，得到较优的网络参数；在测试阶段，通过训练好的网络提取测试图像特征，通过显著加权得到测试图像的整体质量结果。本发明不使用人的主观分数进行监督，不存在由于人的主观因素造成的训练误差，可以使预测结果更为客观，准确。
📄 2019109637643
📂 G06T7_00
👤 浙江科技学院
📅 2019-10-11
本发明公开了一种基于残差金字塔池化神经网络的语义分割方法。首先构建卷积神经网络，其隐层包括10个残差神经网络块、4个Residual ASPP块和5个Basic块；使用原始的室内场景图像输入到卷积神经网络中进行训练，得到对应的语义分割预测图；再通过计算原始的室内场景图像对应的语义分割预测图构成的集合与对应的真实语义分割图像处理成的40幅独热编码图像构成的集合之间的损失函数值，获得卷积神经网络分类训练模型的最优权值矢量和偏置项；在测试阶段，将待语义分割的室内场景图像输入到卷积神经网络分类训练模型中，得到语义分割预测图。本发明提高了室内场景图像的语义分割效率和准确度。
📄 2019108649696
📂 G06T7_10
👤 浙江科技学院
📅 2019-09-09
本发明公开了一种基于边界感知神经网络的双目显著物体检测方法。采用多尺度的卷积神经网络，通过两个输入的方式构建双流的神经网络。并在池化层逐步的对图像进行缩小，进行编码，从而提升卷积核的感受野。在提升程序运行速度的同时又可以快速的确定物体的位置信息。其次使用上采样进行译码，逐步的恢复图像在细节位置的像素，从而提高最终的准确率。采用视差图对神经网络进行了优化。弥补了单纯的2D彩色图像在背景和物体颜色，对比度等相似的情况下，信息不足的缺点。从而使得结果更接近真实的人类观察物体的情况。
📄 2019107645823
📂 G06T7_00
👤 浙江科技学院
📅 2019-08-19
本发明公开了一种有效融合神经网络特征的道路场景语义分割方法，其在训练阶段构建卷积神经网络，其包括输入层、隐藏层和输出层，隐藏层包括由3个神经网络块组成的空间特征提取通道、由5个神经网络块组成的背景特征提取通道、由第5个融合块组成的特征融合通道；将训练集中的每幅原始的道路场景图像输入到卷积神经网络中进行训练，得到每幅原始的道路场景图像对应的12幅语义分割预测图；通过计算每幅原始的道路场景图像对应的12幅语义分割预测图构成的集合与对应的真实语义分割图像处理成的12幅独热编码图像构成的集合之间的损失函数值，得到卷积神经网络训练模型；在测试阶段利用卷积神经网络训练模型进行预测；优点是分割准确度高，鲁棒性强。
📄 2019106647840
📂 G06V20_58
👤 浙江科技学院
📅 2019-07-23
本发明公开了一种基于全残差空洞卷积神经网络的道路场景语义分割方法，其在训练阶段构建全残差空洞卷积神经网络，其包括输入层、隐藏层和输出层，隐藏层包括1个过渡卷积块、8个神经网络块、7个反卷积块、4个融合层；将训练集中的每幅原始的道路场景图像输入到全残差空洞卷积神经网络中进行训练，得到每幅原始的道路场景图像对应的12幅语义分割预测图；通过计算每幅原始的道路场景图像对应的12幅语义分割预测图构成的集合与对应的真实语义分割图像处理成的12幅独热编码图像构成的集合之间的损失函数值，得到全残差空洞卷积神经网络训练模型；在测试阶段利用全残差空洞卷积神经网络训练模型进行预测；优点是其分割准确度高，且鲁棒性强。
📄 2019106647978
📂 G06K9_34
👤 浙江科技学院
📅 2019-07-23
本发明公开了一种基于卷积神经网络的立体图像视觉显著性检测方法，其构建卷积神经网络，包含输入层、隐层、输出层，输入层包括RGB图输入层和深度图输入层，隐层包括编码框架和解码框架，编码框架由RGB特征提取模块、深度特征提取模块和特征融合模块组成；将训练集中的每幅立体图像的左视点图像和深度图像输入到卷积神经网络中进行训练，得到训练集中的每幅立体图像的显著性图像；计算训练集中的每幅立体图像的显著性图像与真实人眼注视图像之间的损失函数值，重复执行多次后得到卷积神经网络训练模型；待测试的立体图像的左视点图像和深度图像输入到卷积神经网络训练模型中，预测得到显著性预测图像；优点是其具有较高的视觉显著性检测准确性。
📄 2019103275564
📂 G06T7_00
👤 浙江科技学院
📅 2019-04-23
本发明公开了一种基于RGB图和梯度图的卷积神经网络视觉深度估计方法，其在训练阶段构建卷积神经网络，隐层包括RGB图特征提取框架、梯度图特征提取框架、特征融合框架，RGB图特征提取框架由18个并联卷积网络块、4个最大池化层、1个卷积层、1个批规范化层组成，梯度图特征提取框架由4个卷积层、4个批规范化层、4个激活层组成，特征融合框架由4个Add融合层、4个transitionup网络块、4个卷积层、4个批规范化层、5个激活层组成；将训练集中的单目RGB图像及梯度图像输入到卷积神经网络中进行训练，得到卷积神经网络训练模型；在测试阶段，将待测试的单目RGB图像及梯度图像输入到卷积神经网络训练模型中进行预测，得到预测深度图像；优点是预测精度高。
📄 2019101867505
📂 G06T7_90
👤 浙江科技学院
📅 2019-03-13
本发明公开了一种基于卷积神经网络的道路场景语义分割方法，其先构建卷积神经网络，包括输入层、隐层和输出层，隐层由13个神经网络块、7个上采样层、8个级联层组成；然后将训练集中的每幅原始的道路场景图像输入到卷积神经网络中进行训练，得到每幅原始的道路场景图像对应的12幅语义分割预测图；接着通过计算每幅原始的道路场景图像对应的12幅语义分割预测图构成的集合与对应的真实语义分割图像处理成的12幅独热编码图像构成的集合之间的损失函数值，得到卷积神经网络分类训练模型的最优权值矢量和最优偏置项；将待语义分割的道路场景图像输入到卷积神经网络分类训练模型中进行预测，得到对应的预测语义分割图像；优点是语义分割精度高。
📄 2018113507188
📂 G06V20_54
👤 浙江科技学院
📅 2018-11-14
柿子坊 · 知识产权运营
柿子坊知识产权运营平台