-
公开(公告)号：CN110245659B
公开(公告)日：2021-08-13
申请号：CN201910423491.3
申请日：2019-05-21
Applicant: 北京航空航天大学
Abstract: 本发明实施例提供一种基于前背景相互关系的图像显著对象分割方法及装置，该方法包括：基于卷积神经骨干网络，获取训练图像对应的特征图，根据训练图像对应的特征图，得到前背景初始特征响应；根据前背景初始特征响应得到相互关注权重矩阵，根据相互关注权重矩阵更新前背景初始特征响应，得到前景特征图和背景特征图；基于交叉熵损失函数和合作损失函数，根据前景特征图和背景特征图对卷积神经骨干网络进行训练，得到前背景分割卷积神经网络模型；将待分割图像输入前背景分割卷积神经网络模型，得到前景预测结果和背景预测结果。本发明实施例从前景背景相互合作的角度来进行显著对象的分割，提高显著对象的分割效果。
-
公开(公告)号：CN109741331A
公开(公告)日：2019-05-10
申请号：CN201811578893.2
申请日：2018-12-24
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种图像前景物体分割方法，针对图像前景物体不同区域的特征，构建基于边界关注的图像前景物体分割卷积神经网络，该网络首先利用特征提取骨干网络进行图像特征提取，然后利用边界定位子网络得到边界特征和选择性置信图，同时利用内部感知子网络得到内部特征及不变性置信图，利用过渡补充子网络得到前景物体边界和内部之间的过渡补充特征，三路子网络的输出通过边界关注的特征马赛克选择方式得到前景物体分割结果；接下来，对基于边界关注的图像前景物体分割卷积神经网络进行训练，将图像输入已训练的上述卷积神经网络中，实现图像前景物体分割。本发明能够有效将前景物体分割为一个整体，同时对边缘细节处理得很好，且处理图像速度快。
-
公开(公告)号：CN111860518B
公开(公告)日：2022-10-04
申请号：CN202010614266.0
申请日：2020-06-30
Applicant: 北京航空航天大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本公开的实施例公开了用于分割图像的方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将该通用特征添加到该特定任务特征上，得到目标任务特征；对该特定任务特征进行解码操作，得到融合特征；利用渐进网络对该目标任务特征和该融合特征进行集成，得到该输入图像的分割图。该实施方式实现了基于特定任务特征对图像进行分割。
-
公开(公告)号：CN106952269B
公开(公告)日：2019-09-20
申请号：CN201710104243.3
申请日：2017-02-24
Applicant: 北京航空航天大学
Abstract: 本发明提供一种近邻可逆的视频前景物体序列检测分割方法及系统，其中，方法包括：将视频的每一视频帧划分为超像素块；利用视觉关注属性特征表征每一个超像素块；构建并训练深度神经网络，预测每一个超像素块在空域上的初始前景度值；利用视觉关注属性特征在不同视频帧之间构建近邻可逆矩阵；利用近邻可逆矩阵传播超像素块的初始前景度值，构建迭代优化问题，求解超像素块在时空域上的最终前景度值；将超像素块的最终前景度值进行像素级转化；采用形态学平滑操作对像素的最终前景度值进行优化处理；根据像素的最终前景度值判定所述像素是否属于视频前景物体序列。本发明处理视频无需设置先验假定条件，尤其适用于包含复杂场景的大数据集。
-
公开(公告)号：CN104778704B
公开(公告)日：2017-07-21
申请号：CN201510185348.7
申请日：2015-04-20
Applicant: 北京航空航天大学
IPC: G06T7/10
Abstract: 本发明涉及一种基于随机扫视图稀疏信号重构的图像关注区域检测方法，首先对每一张图像生成一系列的随机扫视图，并且每一次扫视端点的圆形区域可以实际被记录到。随后，将圆形区域内的视觉刺激传递到我们的大脑进行编码并且使用预先训练好的稀疏基元进行信号重构。在这个过程中，人眼视点一直被锁定在观测区域内，直到该观测区域内的视觉刺激被充分认知。停留时间可以通过稀疏基元的激活代价和稀疏重构误差来计算。在经过每一次扫视之后图像的显著度可以由图像的每一个图像块内观测区域视点的停留时间来衡量，综合每一次扫视之后的图像显著度即可得到最终的图像显著图。本发明引入了稀疏编码，图像显著性检测过程更符合人类视觉系统观测图像。
-
Patent Agency Ranking
公开(公告)号：CN113780241A
公开(公告)日：2021-12-10
申请号：CN202111150096.6
申请日：2021-09-29
Abstract: 本公开的实施例公开了一种显著物体检测的加速方法。该方法的一具体实施方式包括：利用摄像机采集待检测图像；将待检测图像输入至编码器进行图像编码，得到编码图像特征；将编码图像特征输入至预先训练的互补三边解码器，得到解码图像；将解码图像发送至显示终端以供显示。该实施方式在参数量更少、速度更快的情况下仍然取得了具有竞争性的性能。这证明了本公开的优越性和高效性，在效率和性能之间取得了很好的平衡。
-
-
公开(公告)号：CN106327469A
公开(公告)日：2017-01-11
申请号：CN201510368762.1
申请日：2015-06-29
Applicant: 北京航空航天大学
IPC: G06T7/00
CPC classification number: G06K9/4604 , G06K9/3233 , G06K9/48 , G06K2209/21 , G06T7/12 , G06T7/162 , G06T7/168 , G06T2207/10016 , G06T2207/20132
Abstract: 本发明提供一种语义标签引导的视频对象分割方法，包括：根据对象所属的语义类别标签，依次利用对象包围盒检测器和对象轮廓检测器对输入视频的每一帧进行检测，得到该输入视频每一帧的候选对象包围盒集合和候选对象轮廓集合；建立包含候选对象包围盒集合与候选对象轮廓集合的联合分配模型，求出该输入视频中所述对象对应的初始分割序列，并对该初始分割序列进行处理，估算出所述对象的形状概率分布；结合该形状概率分布，依次利用图割算法对每一个包含所述对象的序列进行优化处理，得到所述对象对应的最优分割序列。本发明的技术方案，解决了现有视频对象分割方法不精确以及无法适用于单个输入视频的语义类别对象分割的问题。
-
公开(公告)号：CN105205504A
公开(公告)日：2015-12-30
申请号：CN201510642743.3
申请日：2015-10-04
Applicant: 北京航空航天大学
IPC: G06K9/66
CPC classification number: G06K9/66
Abstract: 本发明涉及一种基于数据驱动的图像关注区域质量评价指标学习方法。现存的评价指标，大都是通过启发式设计而来，在进行图像关注区域质量评价的时候，常常会得到有冲突的结论。因此，选择何种指标将新得到的模型与已有模型进行性能比较，常常会让人很困惑。为了解决这个问题，本发明首先进行大量的主观测试，通过人眼来做图像的显著性观测；基于此测试，得到大量的用户评测数据，然后本发明提出一个基于数据驱动的图像关注区域质量评价指标学习方法，并首次使用卷积神经网络设计得到评价指标，指标性能与人眼观测性能具有很高的一致性。
-
公开(公告)号：CN113780241B
公开(公告)日：2024-02-06
申请号：CN202111150096.6
申请日：2021-09-29
IPC: G06V10/25 , G06T9/00 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本公开的实施例公开了一种显著物体检测的加速方法。该方法的一具体实施方式包括：利用摄像机采集待检测图像；将待检测图像输入至编码器进行图像编码，得到编码图像特征；将编码图像特征输入至预先训练的互补三边解码器，得到解码图像；将解码图像发送至显示终端以供显示。该实施方式在参数量更少、速度更快的情况下仍然取得了具有竞争性的性能。这证明了本公开的优越性和高效性，在效率和性能之间取得了很好的平衡。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.022 seconds)
