-
公开(公告)号：CN111353505B
公开(公告)日：2020-10-16
申请号：CN202010445676.7
申请日：2020-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种可联合实现语义分割和景深估计的网络模型，包括：特征共享模块、多任务子网络，多任务子网络包括多个结构相同的任务子网络以供处理不同任务目标，包括：特征筛选模块、注意力集中模块和预测模块；特征筛选模块从共享特征筛选出与任务相关的特征；注意力集中模块提升筛选特征与任务目标的相关性；预测模块被配置为对集中注意力特征卷积后输出各任务目标的处理结果。本申请还公开了上述模型的训练方法，分别针对语义分割和景深估计进行反向传播迭代训练。本申请的模型精确性高、鲁棒性强，且模型轻量化。
-
公开(公告)号：CN111738267A
公开(公告)日：2020-10-02
申请号：CN202010473221.6
申请日：2020-05-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于线性残差学习的视觉感知方法和装置，所述方法包括以下步骤：获取实时图像；采用预先建立好的视觉感知模型对图像进行视觉感知，获取图像中的语义信息或距离参数；所述视觉感知模型通过对获取的图像进行深度卷积，并基于线性残差学习建立；所述视觉感知模型以训练集中的数据为训练样本，输入为图像的原始共享特征和任务特征，输出为语义分割图或深度图。本发明在保证计算精度的同时，大大降低模型的参数量，提升感知模型的运行效率。
-
公开(公告)号：CN111738267B
公开(公告)日：2023-04-18
申请号：CN202010473221.6
申请日：2020-05-29
Applicant: 南京邮电大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于线性残差学习的视觉感知方法和装置，所述方法包括以下步骤：获取实时图像；采用预先建立好的视觉感知模型对图像进行视觉感知，获取图像中的语义信息或距离参数；所述视觉感知模型通过对获取的图像进行深度卷积，并基于线性残差学习建立；所述视觉感知模型以训练集中的数据为训练样本，输入为图像的原始共享特征和任务特征，输出为语义分割图或深度图。本发明在保证计算精度的同时，大大降低模型的参数量，提升感知模型的运行效率。
-
公开(公告)号：CN111353505A
公开(公告)日：2020-06-30
申请号：CN202010445676.7
申请日：2020-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种可联合实现语义分割和景深估计的网络模型，包括：特征共享模块、多任务子网络，多任务子网络包括多个结构相同的任务子网络以供处理不同任务目标，包括：特征筛选模块、注意力集中模块和预测模块；特征筛选模块从共享特征筛选出与任务相关的特征；注意力集中模块提升筛选特征与任务目标的相关性；预测模块被配置为对集中注意力特征卷积后输出各任务目标的处理结果。本申请还公开了上述模型的训练方法，分别针对语义分割和景深估计进行反向传播迭代训练。本申请的模型精确性高、鲁棒性强，且模型轻量化。
-
-
-
Search Results
4
records
(took 0.016 seconds)
