-
公开(公告)号：CN113011336B
公开(公告)日：2022-05-27
申请号：CN202110297170.0
申请日：2021-03-19
Applicant: 厦门大学
Abstract: 一种基于深度多分支聚合的实时街景图像语义分割方法，涉及计算机视觉技术。采用流行的编码器‑解码器结构；首先采用轻量级的图像分类网络作为基础，将其改造作为编码器；然后将编码器分为不同的子网络，并将各子网络中的特征分别送入设计的多分支特征聚合网络中和全局上下文模块；接着在多分支特征聚合网络中利用格型增强残差模块和特征变换模块对需要聚合的特征进行空间细节和语义信息上的增强；最后按照特征图的大小，从小到大逐级聚合全局上下文模块的输出特征图和多分支特征聚合网络的输出特征图，以得到最终的语义分割结果图。在处理较大分辨率的街景图像的同时，保持较高的街景图像语义分割精度和实时的预测速度。
-
Patent Agency Ranking
公开(公告)号：CN113011336A
公开(公告)日：2021-06-22
申请号：CN202110297170.0
申请日：2021-03-19
Applicant: 厦门大学
Abstract: 一种基于深度多分支聚合的实时街景图像语义分割方法，涉及计算机视觉技术。采用流行的编码器‑解码器结构；首先采用轻量级的图像分类网络作为基础，将其改造作为编码器；然后将编码器分为不同的子网络，并将各子网络中的特征分别送入设计的多分支特征聚合网络中和全局上下文模块；接着在多分支特征聚合网络中利用格型增强残差模块和特征变换模块对需要聚合的特征进行空间细节和语义信息上的增强；最后按照特征图的大小，从小到大逐级聚合全局上下文模块的输出特征图和多分支特征聚合网络的输出特征图，以得到最终的语义分割结果图。在处理较大分辨率的街景图像的同时，保持较高的街景图像语义分割精度和实时的预测速度。
-
公开(公告)号：CN111666948B
公开(公告)日：2023-05-30
申请号：CN202010458635.1
申请日：2020-05-27
Applicant: 厦门大学
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
-
公开(公告)号：CN113011429B
公开(公告)日：2023-07-25
申请号：CN202110295657.5
申请日：2021-03-19
Applicant: 厦门大学
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06V20/10 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 一种基于阶段性特征语义对齐的实时街景图像语义分割方法，涉及计算机视觉技术。首先利用轻量级图像分类网络ResNet‑18和高效空间‑通道注意力模块构建编码器，并使用多个不同设计的特征对齐模块模块与全局平均池化层构建解码器。接着，利用上述得到的编码器与解码器，构成基于编码器‑解码器网络结构的语义分割网络模型。最后将编码器中的特征与解码器的输出特征进行聚合并送入语义分割结果生成模块中，以得到最终的语义分割结果。在维持高分辨率的输入图像且不降低图像分辨率的情况下，能够以实时的速率高效地产生对应的分割结果。比起现有的实时语义分割方法，能够取得更加优秀的分割精度，在速度和精度之间取得更好的平衡。
-
公开(公告)号：CN113011429A
公开(公告)日：2021-06-22
申请号：CN202110295657.5
申请日：2021-03-19
Applicant: 厦门大学
Abstract: 一种基于阶段性特征语义对齐的实时街景图像语义分割方法，涉及计算机视觉技术。首先利用轻量级图像分类网络ResNet‑18和高效空间‑通道注意力模块构建编码器，并使用多个不同设计的特征对齐模块模块与全局平均池化层构建解码器。接着，利用上述得到的编码器与解码器，构成基于编码器‑解码器网络结构的语义分割网络模型。最后将编码器中的特征与解码器的输出特征进行聚合并送入语义分割结果生成模块中，以得到最终的语义分割结果。在维持高分辨率的输入图像且不降低图像分辨率的情况下，能够以实时的速率高效地产生对应的分割结果。比起现有的实时语义分割方法，能够取得更加优秀的分割精度，在速度和精度之间取得更好的平衡。
-
公开(公告)号：CN111666948A
公开(公告)日：2020-09-15
申请号：CN202010458635.1
申请日：2020-05-27
Applicant: 厦门大学
Abstract: 一种基于多路聚合的实时高性能语义分割方法和装置，所述方法包括：准备语义分割图像训练集和测试数据集；对数据集图像进行下采样；将现有的轻量级分类网络改造为语义分割的基础特征提取网络；将基础特征提取网络所提取的特征图按大小分为4个尺度，取较小的三个尺度的特征图输入到不同分支路径中进行处理以构成多路网络；并用全局上下文模块处理最小尺度的特征图；利用特征变换模块对特征图进行变换，并按尺度的从低至高逐级聚合前两个步骤中得到的特征图形成预测结果；将预测结果与训练集提供的像素级标注图像进行对比，并使用反向传播算法进行训练以得到实时高性能语义分割网络模型；把测试数据集的图像输入至训练好的模型中得到分割结果。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
