-
公开(公告)号：CN110675405A
公开(公告)日：2020-01-10
申请号：CN201910867163.2
申请日：2019-09-12
Applicant: 电子科技大学
Abstract: 本发明提供一种基于注意力机制的one-shot图像分割方法。在单个特征和简单的双分支融合不足以使查询分支从支持分支中提取有用信息的情况下。本发明为了支持分支关注于两个分支共性的区域，以便准确地引导查询分支分割图像，将多级上下文特征和注意模块引入到one-shot图像分割中找到更准确有效的指导方法。本发明能更好地利用现有的知识迅速对新类图像进行分割，利用多级指导和注意力机制来强化学习两个分支的共性，进而准确地指导未知图像的分割。
-
公开(公告)号：CN110648332A
公开(公告)日：2020-01-03
申请号：CN201910866119.X
申请日：2019-09-12
Applicant: 电子科技大学
Abstract: 本发明提供的一种基于多分支卷积神经网络特征正交的图像可判别区域提取方法，包括步骤：1)构建N个结构相同卷积神经网络作为多分支卷积神经网络的N个分支，N个卷积神经网络相互不共享参数；任意两个不同分支输出的特征之间作哈达玛积，将哈达玛积的矩阵中所有元素相加得到两两分支的特征正交损失；多分支卷积神经网络的总损失函数为所有分支的分类损失加上超参数乘两两分支的特征正交损失之和；2)得到训练集；3)训练多分支卷积神经网络；4)利用经过训练的多分支卷积神经网络进行图像可判别区域提取。本发明使用了多分支卷积神经网络，利用特征正交，使不同分支的卷积神经网络之间彼此不同，从而可以获得不同的可判别区域信息。
-
Patent Agency Ranking
公开(公告)号：CN110675405B
公开(公告)日：2022-06-03
申请号：CN201910867163.2
申请日：2019-09-12
Applicant: 电子科技大学
IPC: G06T7/11 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于注意力机制的one‑shot图像分割方法。在单个特征和简单的双分支融合不足以使查询分支从支持分支中提取有用信息的情况下。本发明为了支持分支关注于两个分支共性的区域，以便准确地引导查询分支分割图像，将多级上下文特征和注意模块引入到one‑shot图像分割中找到更准确有效的指导方法。本发明能更好地利用现有的知识迅速对新类图像进行分割，利用多级指导和注意力机制来强化学习两个分支的共性，进而准确地指导未知图像的分割。
-
公开(公告)号：CN110648332B
公开(公告)日：2022-03-15
申请号：CN201910866119.X
申请日：2019-09-12
Applicant: 电子科技大学
Abstract: 本发明提供的一种基于多分支卷积神经网络特征正交的图像可判别区域提取方法，包括步骤：1)构建N个结构相同卷积神经网络作为多分支卷积神经网络的N个分支，N个卷积神经网络相互不共享参数；任意两个不同分支输出的特征之间作哈达玛积，将哈达玛积的矩阵中所有元素相加得到两两分支的特征正交损失；多分支卷积神经网络的总损失函数为所有分支的分类损失加上超参数乘两两分支的特征正交损失之和；2)得到训练集；3)训练多分支卷积神经网络；4)利用经过训练的多分支卷积神经网络进行图像可判别区域提取。本发明使用了多分支卷积神经网络，利用特征正交，使不同分支的卷积神经网络之间彼此不同，从而可以获得不同的可判别区域信息。
-
公开(公告)号：CN110675421B
公开(公告)日：2022-03-15
申请号：CN201910813756.0
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于少量标注框的深度图像协同分割方法，属于图像处理领域。本发明提出了一种基于卷积神经网络的深度图像协同分割网络，仅利用图像级标签和少量人工标注框实现图像协同分割的方法。该方法不仅考虑了图像的内在信息，而且结合卷积神经网络提取的深度语义特征利用了图像之间的相关性，使得在弱监督学习情况下，图像也能得到更加准确的分割结果。
-
公开(公告)号：CN110675421A
公开(公告)日：2020-01-10
申请号：CN201910813756.0
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于少量标注框的深度图像协同分割方法，属于图像处理领域。本发明提出了一种基于卷积神经网络的深度图像协同分割网络，仅利用图像级标签和少量人工标注框实现图像协同分割的方法。该方法不仅考虑了图像的内在信息，而且结合卷积神经网络提取的深度语义特征利用了图像之间的相关性，使得在弱监督学习情况下，图像也能得到更加准确的分割结果。
-
公开(公告)号：CN110619358A
公开(公告)日：2019-12-27
申请号：CN201910814124.6
申请日：2019-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多组k分类的卷积特征谱的图像可判别区域联合提取方法，属于图像处理领域。本发明基于训练集的图片类型，对于任意类，随机选取k-1类和当前类组成一组，对于每一类分别选取a组；再分别将每组图片输入到预置的卷积神经网络进行卷积神经网络训练，得到多个训练好的卷积神经网络；将待提取图片及其图像级标签输入到图片类型匹配的a个训练好的卷积神经网络中；对于匹配的每个训练好的卷积神经网络，通过加权梯度类激活映射获取该卷积神经网络生成一组可判别区域，融合a组可判别区域得到待提取图片的最终的可判别区域。本发明能够提取出图像更加完整可判别区域，提升现有的提取方法的提取结果的完整性。
-
-
-
-
-
-
Search Results
7
records
(took 0.016 seconds)
