基于上下文信息指导的场景分割方法和系统

    公开(公告)号:CN109657538B

    公开(公告)日:2021-04-27

    申请号:CN201811309249.5

    申请日:2018-11-05

    Abstract: 本发明涉及一种基于上下文信息指导的场景分割方法,包括:以残差结构网络构建基于上下文信息的指导模块;以原始图像为输入,通过多个3×3卷积层输出初级特征图;以该初级特征图为输入,通过多个该指导模块输出中级特征图;以该中级特征图为输入,通过多个该指导模块输出高级特征图;以该高级特征图为输入,通过场景分割子网络,获得该原始图像的场景分割结果。本发明设计的分割网络的参数量小,并且在特征提取时,利用全局特征提取器进一步去修正局部特征和对应的周围上下文特征组合成的联合特征,这使得模型更有利于去学习分割的特征,极大的提高了现有移动端场景分割网络的性能。

    基于克罗内克卷积的场景分割方法和系统

    公开(公告)号:CN109670506B

    公开(公告)日:2021-04-06

    申请号:CN201811309245.7

    申请日:2018-11-05

    Abstract: 本发明涉及一种基于克罗内克卷积的场景分割方法,包括:构建具有残差结构的克罗内克卷积层;以该克罗内克卷积层和标准卷积层构建特征提取子网络,以原始图像为输入,通过该特征提取子网络输出抽象特征图;以该克罗内克卷积层构建树形特征聚合模块,以该抽象特征图为输入,通过该树形特征聚合模块输出聚合特征图;以该聚合特征图为输入,通过该场景分割子网络输出该原始图像的场景分割结果。

    基于克罗内克卷积的场景分割方法和系统

    公开(公告)号:CN109670506A

    公开(公告)日:2019-04-23

    申请号:CN201811309245.7

    申请日:2018-11-05

    Abstract: 本发明涉及一种基于克罗内克卷积的场景分割方法,包括:构建具有残差结构的克罗内克卷积层;以该克罗内克卷积层和标准卷积层构建特征提取子网络,以原始图像为输入,通过该特征提取子网络输出抽象特征图;以该克罗内克卷积层构建树形特征聚合模块,以该抽象特征图为输入,通过该树形特征聚合模块输出聚合特征图;以该聚合特征图为输入,通过该场景分割子网络输出该原始图像的场景分割结果。

    基于一致性特征的场景分割方法和系统

    公开(公告)号:CN110472493B

    公开(公告)日:2022-01-21

    申请号:CN201910604601.6

    申请日:2019-07-05

    Abstract: 本发明提出一种基于一致性特征(ConsensusFeatures)的场景分割方法和系统,包括对特征提取器学习到的特征进行实例一致性变换和类别一致性变换,将变换后的特征输入到场景分割子网络,得到原始图像的场景分割结果。本发明提出了一种通过实例一致性变换单元去学习实例层次的一致性特征。另一方面,由于在场景图像中存在着多个同类实例,本发明使用类别一致性单元去学习类层次的一致性特征。这两个单元极大地提高了现有基于全卷积的场景分割模型的性能。

    基于一致性特征的场景分割方法和系统

    公开(公告)号:CN110472493A

    公开(公告)日:2019-11-19

    申请号:CN201910604601.6

    申请日:2019-07-05

    Abstract: 本发明提出一种基于一致性特征(ConsensusFeatures)的场景分割方法和系统,包括对特征提取器学习到的特征进行实例一致性变换和类别一致性变换,将变换后的特征输入到场景分割子网络,得到原始图像的场景分割结果。本发明提出了一种通过实例一致性变换单元去学习实例层次的一致性特征。另一方面,由于在场景图像中存在着多个同类实例,本发明使用类别一致性单元去学习类层次的一致性特征。这两个单元极大地提高了现有基于全卷积的场景分割模型的性能。

    基于上下文信息指导的场景分割方法和系统

    公开(公告)号:CN109657538A

    公开(公告)日:2019-04-19

    申请号:CN201811309249.5

    申请日:2018-11-05

    Abstract: 本发明涉及一种基于上下文信息指导的场景分割方法,包括:以残差结构网络构建基于上下文信息的指导模块;以原始图像为输入,通过多个3×3卷积层输出初级特征图;以该初级特征图为输入,通过多个该指导模块输出中级特征图;以该中级特征图为输入,通过多个该指导模块输出高级特征图;以该高级特征图为输入,通过场景分割子网络,获得该原始图像的场景分割结果。本发明设计的分割网络的参数量小,并且在特征提取时,利用全局特征提取器进一步去修正局部特征和对应的周围上下文特征组合成的联合特征,这使得模型更有利于去学习分割的特征,极大的提高了现有移动端场景分割网络的性能。

Patent Agency Ranking