-
公开(公告)号：CN116310396A
公开(公告)日：2023-06-23
申请号：CN202310201765.0
申请日：2023-02-28
Applicant: 安徽理工大学
IPC: G06V10/46 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明属于计算机视觉领域，提供了一种基于深度质量加权的RGB‑D显著性目标检测方法，包括以下步骤：1)获取训练和测试该任务的RGB‑D数据集，并定义本发明的算法目标；2)构建用于提取RGB图像特征RGB编码器和深度(Depth)图像特征Depth编码器；3)构建跨模态加权融合模块，通过加权式引导的深度质量评估机制指导提取的RGB图像特征和Depth图像特征进行加权融合；4)构建用于多尺度特征提取融合的双向尺度相关卷积机制，以增强多模态特征的高级语义信息；5)建立解码器以生成显著图Pest；6)预测的显著图Pest与人工标注的显著目标分割图PGT计算损失；7)对测试数据集进行测试，生成显著图Pest，并使用评价指标进行性能评估。本发明可有效整合来自不同模态图像的互补信息，提升复杂场景下显著性目标预测的准确度。
-
公开(公告)号：CN114332491B
公开(公告)日：2024-08-09
申请号：CN202111463853.5
申请日：2021-12-03
Applicant: 安徽理工大学
Abstract: 本发明属于显著性目标检测领域，提供了一种基于特征重构的显著性目标检测方法，包括以下步骤：1)首先输入原始RGB图像利用预训练好的ResNet‑50网络进行多层次特征提取；2)然后，使用残差特征重构模块，提取局部和全局上下文信息，聚合上下文信息增强特征中目标的显著性，优化多层次特征；3)随后，引入残差短连接聚合优化后的多层次特征交互多种信息生成具有丰富显著性目标信息的特征表示；4)最后，将特征表示进行降维并激活，使用多次监督策略进行模型训练。通过大量的与现存显著性目标检测方法相比较，本发明基于特征重构的显著性目标检测方法，通过利用精心设计的卷积、空洞卷积以及特征重构操作可以准确预测和分割的显著性目标。
-
公开(公告)号：CN116958736A
公开(公告)日：2023-10-27
申请号：CN202310708088.1
申请日：2023-06-14
Applicant: 安徽理工大学
IPC: G06V10/774 , G06V10/80 , G06V10/764 , G06N3/048 , G06N3/08
Abstract: 本发明属于计算机视觉领域，提供了一种基于跨模态边缘引导的RGB‑D显著性目标检测方法，包括以下步骤：1)获取训练和测试该任务的RGB‑D数据集；2)分别建立用于提取RGB图像特征和Depth图像特征的显著性目标检测模型网络；3)建立用于跨模态注意力融合的网络结构；4)建立用于边缘感知的网络结构；5)构建用于边缘指导融合解码器，从高到低解码多尺度融合特征并和边缘特征拼接融合，获取显著图。本发明可有效整合来自不同模态图像的互补信息，提升复杂场景下显著性目标预测的准确度。
-
公开(公告)号：CN114332491A
公开(公告)日：2022-04-12
申请号：CN202111463853.5
申请日：2021-12-03
Applicant: 安徽理工大学
Abstract: 本发明属于显著性目标检测领域，提供了一种基于特征重构的显著性目标检测算法，包括以下步骤：1)首先输入原始RGB图像利用预训练好的ResNet‑50网络进行多层次特征提取；2)然后，使用残差特征重构模块，提取局部和全局上下文信息，聚合上下文信息增强特征中目标的显著性，优化多层次特征。3)随后，引入残差短连接聚合优化后的多层次特征交互多种信息生成具有丰富显著性目标信息的特征表示。4)最后，将特征表示进行降维并激活，使用多次监督策略进行模型训练。通过大量的与现存显著性目标检测方法相比较，本发明基于特征重构的显著性目标检测算法，通过利用精心设计的卷积、空洞卷积以及特征重构操作可以准确预测和分割的显著性目标。
-
-
-
Search Results
4
records
(took 0.019 seconds)
