-
公开(公告)号：CN111191674B
公开(公告)日：2024-08-06
申请号：CN201911208300.8
申请日：2019-11-30
Applicant: 北京林业大学
IPC: G06V10/77 , G06N3/0464 , G06V10/82 , G06T7/10 , G06T9/00
Abstract: 本发明属于图像信息处理技术领域，公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法，初级特征解码器由多个不同卷积核的反卷积层组成，输出的特征图由多个反卷积层进行处理；特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；特征还原器由多个不同卷积核的反卷积层组成。本发明以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构，能够同时获得带孔卷积和DenseNet的优势，既保留了传统神经网络的优点，又能够捕获更多的稠密特征，提升图像语义信息的利用率，而实现真正意义上的端到端的图像语义分割。
-
公开(公告)号：CN111191674A
公开(公告)日：2020-05-22
申请号：CN201911208300.8
申请日：2019-11-30
Applicant: 北京林业大学
Abstract: 本发明属于图像信息处理技术领域，公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法，初级特征解码器由多个不同卷积核的反卷积层组成，输出的特征图由多个反卷积层进行处理；特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；特征还原器由多个不同卷积核的反卷积层组成。本发明以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构，能够同时获得带孔卷积和DenseNet的优势，既保留了传统神经网络的优点，又能够捕获更多的稠密特征，提升图像语义信息的利用率，而实现真正意义上的端到端的图像语义分割。
-
公开(公告)号：CN111275775A
公开(公告)日：2020-06-12
申请号：CN201911208315.4
申请日：2019-11-30
Applicant: 北京林业大学
Abstract: 本发明属于语义图像分割技术领域，公开了一种基于密集连接全局平均带孔金字塔池化模型的再编码器，包括：第一卷积层、第二卷积层、第一特征图处理模块、第一密集连接全局平均带孔金字塔池化模块、第二特征图处理模块、第三特征图处理模块、第二密集连接全局平均带孔金字塔池化模块、第三密集连接全局平均带孔金字塔池化模块、第四特征图处理模块、特征结合层。本发明局部特征和全局特征的利用率更为合理；可以较好的降低网络参数、降低通道数，减少模型参数大小和计算量；再编码器有助于优化粗糙分割结果的边界曲线，提高ISS的分割准确率，降低网络模型运算量和避免卷积退化现象。
-
-
Search Results
3
records
(took 0.031 seconds)
