公开(公告)号：CN110322445B

公开(公告)日：2021-06-22

申请号：CN201910505928.8

申请日：2019-06-12

Applicant: 浙江大学

Inventor： 赵帅 ,  蔡登 ,  武伯熹

IPC: G06T7/10 ,  G06N3/04

Abstract: 本发明公开了一种基于最大化预测和标签间相关性损失函数的语义分割方法，包括：(1)将真实场景图片输入分割模型，获得预测图片；(2)用一个高斯核函数在预测图片和标签图片上进行滑动卷积，获得局部统计特征；(3)根据得到的局部统计特征，计算预测图片和标签图片中对应区域间的线性相关性强弱；(4)将线性相关性强弱的指标作为权重，调整图片中像素点的交叉熵损失的值并进行困难样本挖掘；(5)根据获得的损失值更新分割模型中的权重参数；(6)重复上述步骤直到训练结束，并进行语义分割的应用。利用本发明，可以使得分割模型在训练过程中，更多的关注那些导致预测和标签间低相关性的点，从而提升分割模型的图像分割效果。

公开(公告)号：CN110322445A

公开(公告)日：2019-10-11

申请号：CN201910505928.8

申请日：2019-06-12

Applicant: 浙江大学

Inventor： 赵帅 ,  蔡登 ,  武伯熹

IPC: G06T7/10 ,  G06N3/04

Abstract: 本发明公开了一种基于最大化预测和标签间相关性损失函数的语义分割方法，包括：(1)将真实场景图片输入分割模型，获得预测图片；(2)用一个高斯核函数在预测图片和标签图片上进行滑动卷积，获得局部统计特征；(3)根据得到的局部统计特征，计算预测图片和标签图片中对应区域间的线性相关性强弱；(4)将线性相关性强弱的指标作为权重，调整图片中像素点的交叉熵损失的值并进行困难样本挖掘；(5)根据获得的损失值更新分割模型中的权重参数；(6)重复上述步骤直到训练结束，并进行语义分割的应用。利用本发明，可以使得分割模型在训练过程中，更多的关注那些导致预测和标签间低相关性的点，从而提升分割模型的图像分割效果。

公开(公告)号：CN116702267A

公开(公告)日：2023-09-05

申请号：CN202310445101.9

申请日：2023-04-24

Applicant: 浙江大学

Inventor： 高沁诚 ,  武伯熹 ,  王闻箫 ,  林彬彬 ,  蔡登 ,  何晓飞

IPC: G06F30/13 ,  G06F30/20 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于无规则多边形检测的飞机跑道检测方法，包括以下步骤：(1)获取飞行模拟软件生成虚拟跑道图像以及对应的标注数据，作为主要训练数据；(2)获取现实飞行环境中拍摄的跑道图像，标注后作为次要训练数据；(3)构建预训练好的深度神经网络模型，将模型中的顶层loss设置为跑道所在四边形的四个顶点位置；(4)将主要训练数据和次要训练数据按比例混合后对深度神经网络模型进行训练，直到模型的损失函数收敛；(5)利用训练后的深度神经网络模型对待测跑道图片进行分析，预测图像中跑道的四个顶点的位置。本发明采用四个自由度的输出预测代替矩形框，更贴近跑道轮廓，提高了识别的精准度和效率。

公开(公告)号：CN110443805B

公开(公告)日：2021-08-17

申请号：CN201910614753.4

申请日：2019-07-09

Applicant: 浙江大学

Inventor： 武伯熹 ,  蔡登 ,  赵帅 ,  储文青

IPC: G06T7/10 ,  G06N3/08

Abstract: 本发明公开了一种基于像素密切度的语义分割方法，包括以下步骤：(1)将深度神经网络在目标分类任务上进行预训练；(2)在深度神经网络上加入ASPP结构和Decoder结构；(3)在最顶层的高维特征向量上加入额外的像素密切度分支；(4)从语义分割的标注数据中得出像素密切度的标签并用于训练；(5)训练结束后，在应用过程中使用一个密切度传播后处理函数结合两种输出信息，产生优化过后的语义分割结果。利用本发明，可以对现有的全卷积网络解决方案进行优化，提升语义分割的精准度和稳定性。

公开(公告)号：CN111882563A

公开(公告)日：2020-11-03

申请号：CN202010669134.8

申请日：2020-07-13

Applicant: 浙江大学

Inventor： 武伯熹 ,  蔡登

IPC: G06T7/11 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于方向性卷积网络的语义分割方法，包括：(1)构建一个方向性卷积的全卷积网络；(2)将构建的方向性全卷积网络的顶层加入池化层和全连接层网络，构成第一深度模型，并在在大型数据集上进行预训练；(3)提取预训练好的第一深度模型中的全卷积部分，使用全卷积层初始化方向性全卷积网络的参数，并在其后加入新的全连接层，构成第二深度模型；(4)使用图片语义分割的数据集训练第二深度模型，直到模型收敛；(5)利用训练后的第二深度模型对待测图片进行分析，预测图像中每个像素所属的类别，形成图像语义分割图输出。本发明的方法能够促进语义分割学习感知野和中心像素的联系，提升训练模型的鲁棒性。