-
公开(公告)号：CN110111340B
公开(公告)日：2021-05-14
申请号：CN201910347532.5
申请日：2019-04-28
Applicant: 南开大学
Abstract: 一种基于多路割的弱监督实例分割方法。该方法仅使用图像级别的标注数据来训练用于实例分割的卷积神经网络。具体来说，给定一个只带有图像级别标注的训练集，用拟物性采样算法对每张图像计算出若干个类别无关的物体推荐区域；然后以图像和对应的物体推荐区域作为输入，以标注的图像类别作为学习目标，通过多实例学习框架计算出每个物体推荐区域的类别概率分布和语义特征。将整个数据集中的物体推荐区域作为结点建立一个大规模的图模型，将所述图模型看作一个多路割问题，分割结果对每个物体推荐区域赋予一个类别标记作为结果；或作为训练集来训练任何的用于实例分割的卷积神经网络。实验表明，该方法明显优于已有的弱监督实例分割方法。
-
公开(公告)号：CN112528900B
公开(公告)日：2022-09-16
申请号：CN202011500724.4
申请日：2020-12-17
Applicant: 南开大学
Abstract: 本申请公开了基于极致下采样的图像显著性物体检测方法及系统，包括：获取待检测的目标图像；将待检测的目标图像，输入到训练后的基于极致下采样的神经网络模型中，输出目标图像中的显著性物体。基于本申请的新极致下采样技术设计了一个极致下采样模块，通过逐渐地更深层次地下采样，使得下采样后提取的特征变得更小和全局化，特征的空间大小逐渐变小直至变成特征向量，从而得到对整个自然图像的显著性物体的全局建模，也使得深度卷积神经网络可以更好地定位显著性物体的位置，从而不易漏检显著性物体，并在此基础上大大提升显著性物体检测的精度。
-
公开(公告)号：CN111598841A
公开(公告)日：2020-08-28
申请号：CN202010328784.6
申请日：2020-04-23
Applicant: 南开大学
Abstract: 一种基于正则化稠密连接特征金字塔的实例显著性检测的方法。该方法的目的是构造稠密连接的特征金字塔来进行图像实例级显著性检测。该方法设计了一种新的卷积神经网络模型，这种新的卷积神经网络模型通过构建该发明提出的正则化的稠密连接在原有特征金字塔的基础上构造一个新的特征金字塔。稠密连接为构建新特征金字塔提供了更多的低层级特征，而正则化操作在稠密连接提供更多低层级特征的情况内更好地提取其中的有用信息而刨除无用信息。此外，利用多级RoIAlign方法进行特征聚合可以更精确地对实例进行分割。使用该方法检测出的显著性实例，可以用于重要目标分割、自适应图像压缩、图像检索等应用领域。
-
公开(公告)号：CN112528900A
公开(公告)日：2021-03-19
申请号：CN202011500724.4
申请日：2020-12-17
Applicant: 南开大学
Abstract: 本申请公开了基于极致下采样的图像显著性物体检测方法及系统，包括：获取待检测的目标图像；将待检测的目标图像，输入到训练后的基于极致下采样的神经网络模型中，输出目标图像中的显著性物体。基于本申请的新极致下采样技术设计了一个极致下采样模块，通过逐渐地更深层次地下采样，使得下采样后提取的特征变得更小和全局化，特征的空间大小逐渐变小直至变成特征向量，从而得到对整个自然图像的显著性物体的全局建模，也使得深度卷积神经网络可以更好地定位显著性物体的位置，从而不易漏检显著性物体，并在此基础上大大提升显著性物体检测的精度。
-
公开(公告)号：CN112528899B
公开(公告)日：2022-04-12
申请号：CN202011500709.X
申请日：2020-12-17
Applicant: 南开大学
Abstract: 本申请公开了基于隐含深度信息恢复的图像显著性物体检测方法及系统，获取目标图像和目标图像对应的图像深度信息；将目标图像和目标图像对应的图像深度信息，同时输入到训练后的基于隐含深度信息恢复的神经网络模型中；基于隐含深度信息恢复的神经网络模型分别实现对目标图像进行特征提取和对图像深度信息的特征提取；将两个特征提取各自得到的特征进行跨模态特征融合；将跨模态特征融合得到的特征，与基于隐含深度信息恢复的神经网络模型对目标图像进行特征提取得到的各个特征，依次进行特征融合得到最终的融合特征；将最终的融合特征进行预测，得到预测的显著性物体图像。
-
Patent Agency Ranking
公开(公告)号：CN110111340A
公开(公告)日：2019-08-09
申请号：CN201910347532.5
申请日：2019-04-28
Applicant: 南开大学
Abstract: 一种基于多路割的弱监督实例分割方法。该方法仅使用图像级别的标注数据来训练用于实例分割的卷积神经网络。具体来说，给定一个只带有图像级别标注的训练集，用拟物性采样算法对每张图像计算出若干个类别无关的物体推荐区域；然后以图像和对应的物体推荐区域作为输入，以标注的图像类别作为学习目标，通过多实例学习框架计算出每个物体推荐区域的类别概率分布和语义特征。将整个数据集中的物体推荐区域作为结点建立一个大规模的图模型，将所述图模型看作一个多路割问题，分割结果对每个物体推荐区域赋予一个类别标记作为结果；或作为训练集来训练任何的用于实例分割的卷积神经网络。实验表明，该方法明显优于已有的弱监督实例分割方法。
-
公开(公告)号：CN111598841B
公开(公告)日：2022-04-15
申请号：CN202010328784.6
申请日：2020-04-23
Applicant: 南开大学
Abstract: 一种基于正则化稠密连接特征金字塔的实例显著性检测的方法。该方法的目的是构造稠密连接的特征金字塔来进行图像实例级显著性检测。该方法设计了一种新的卷积神经网络模型，这种新的卷积神经网络模型通过构建该发明提出的正则化的稠密连接在原有特征金字塔的基础上构造一个新的特征金字塔。稠密连接为构建新特征金字塔提供了更多的低层级特征，而正则化操作在稠密连接提供更多低层级特征的情况内更好地提取其中的有用信息而刨除无用信息。此外，利用多级RoIAlign方法进行特征聚合可以更精确地对实例进行分割。使用该方法检测出的显著性实例，可以用于重要目标分割、自适应图像压缩、图像检索等应用领域。
-
公开(公告)号：CN108416768B
公开(公告)日：2021-05-25
申请号：CN201810171102.8
申请日：2018-03-01
Applicant: 南开大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于二进制的前景图相似度评测方法，属于图像处理技术领域，该方法包含如下步骤：a.求对齐矩阵：利用前景图中每个像素点的值减去前景图均值得到对齐矩阵；b.求相似度矩阵：相似度的度量是在预测的前景图与真实人工标注的前景图之间进行的，通过计算预测前景图和真实前景图的对齐矩阵，然后将两个矩阵对应元素的乘积作为其相似度矩阵；c.矩阵归一化：对相似度矩阵的元素逐一归一化，使矩阵中的元素值介于‑1和1之间；d.矩阵元素拉伸：对归一化后的相似度矩阵值进行非线性拉伸；e.求相似度：对拉伸后的相似度矩阵求平均值就是最终的前景图相似度。本方法能够得到更加准确的前景图相似度评测结果。
-
公开(公告)号：CN112528899A
公开(公告)日：2021-03-19
申请号：CN202011500709.X
申请日：2020-12-17
Applicant: 南开大学
Abstract: 本申请公开了基于隐含深度信息恢复的图像显著性物体检测方法及系统，获取目标图像和目标图像对应的图像深度信息；将目标图像和目标图像对应的图像深度信息，同时输入到训练后的基于隐含深度信息恢复的神经网络模型中；基于隐含深度信息恢复的神经网络模型分别实现对目标图像进行特征提取和对图像深度信息的特征提取；将两个特征提取各自得到的特征进行跨模态特征融合；将跨模态特征融合得到的特征，与基于隐含深度信息恢复的神经网络模型对目标图像进行特征提取得到的各个特征，依次进行特征融合得到最终的融合特征；将最终的融合特征进行预测，得到预测的显著性物体图像。
-
公开(公告)号：CN108416768A
公开(公告)日：2018-08-17
申请号：CN201810171102.8
申请日：2018-03-01
Applicant: 南开大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于二进制的前景图相似度评测方法，属于图像处理技术领域，该方法包含如下步骤：a.求对齐矩阵：利用前景图中每个像素点的值减去前景图均值得到对齐矩阵；b.求相似度矩阵：相似度的度量是在预测的前景图与真实人工标注的前景图之间进行的，通过计算预测前景图和真实前景图的对齐矩阵，然后将两个矩阵对应元素的乘积作为其相似度矩阵；c.矩阵归一化：对相似度矩阵的元素逐一归一化，使矩阵中的元素值介于-1和1之间；d.矩阵元素拉伸：对归一化后的相似度矩阵值进行非线性拉伸；e.求相似度：对拉伸后的相似度矩阵求平均值就是最终的前景图相似度。本方法能够得到更加准确的前景图相似度评测结果。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
