公开(公告)号：CN112329511A

公开(公告)日：2021-02-05

申请号：CN202010784216.7

申请日：2020-08-06

Applicant: 扬州大学

Inventor： 陈舒涵 ,  徐秀奇 ,  王奔

IPC: G06K9/00 ,  G06K9/34 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于残差特征金字塔的人像分割方法，实现以人像图片为输入，输出该图像的人像区域显著性图。本发明首先设计了侧输出优化单元，减少了网络参数，然后利用特征金字塔整合相邻层间人像特征图，逐步提升了人像特征的分辨率，最后引入残差学习模块从背景区域重学习并补充人像特征边缘等细节，进一步提高整个网络的模型分辨率。本发明可以得到高分辨率的人像图，同时能更好的检测复杂场景下人像细节信息。

公开(公告)号：CN109165660B

公开(公告)日：2021-11-09

申请号：CN201810634717.X

申请日：2018-06-20

Applicant: 扬州大学

Inventor： 陈舒涵 ,  谭秀莉 ,  王奔 ,  胡学龙

IPC: G06K9/62

Abstract: 本发明提出了一种基于卷积神经网络的显著物体检测方法，本发明以任意的静态图像为输入，输出该图像中显著的物体。本发明首先在卷积神经网络的最深层提取低分辨率的全局显著性图，然后设计了两个网络结构，一个是残差特征学习网络，用于提取多尺度的残差特征，在较少的模型参数下逐步提升全局显著性图的分辨率；另一个是反向注意力机制网络，通过反向权重图引导上述残差特征学习，进一步提升显著性图的分辨率。本发明检测精度高，网络模型小，适用于移动端等嵌入式设备。

公开(公告)号：CN109165660A

公开(公告)日：2019-01-08

申请号：CN201810634717.X

申请日：2018-06-20

Applicant: 扬州大学

Inventor： 陈舒涵 ,  谭秀莉 ,  王奔 ,  胡学龙

IPC: G06K9/62

Abstract: 本发明提出了一种基于卷积神经网络的显著物体检测方法，本发明以任意的静态图像为输入，输出该图像中显著的物体。本发明首先在卷积神经网络的最深层提取低分辨率的全局显著性图，然后设计了两个网络结构，一个是残差特征学习网络，用于提取多尺度的残差特征，在较少的模型参数下逐步提升全局显著性图的分辨率；另一个是反向注意力机制网络，通过反向权重图引导上述残差特征学习，进一步提升显著性图的分辨率。本发明检测精度高，网络模型小，适用于移动端等嵌入式设备。