-
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：CN109766918B
公开(公告)日：2021-04-30
申请号：CN201811547592.3
申请日：2018-12-18
Applicant: 南开大学
Abstract: 一种基于多层次上下文信息融合的显著性物体检测的方法。该方法的目的是构造并利用多层级的上下文特征进行图像显著性检测。该方法设计了一种新的卷积神经网络架构，这种新的卷积神经网络架构以由高层卷积至底层卷积的方式进行优化，从而为图像提取不同尺度上的上下文信息，将这些上下文信息进行融合可以获得高质量的图像显著性图。使用该方法检测出的显著性区域，可以用来辅助其他视觉任务。
-
公开(公告)号：CN112365512A
公开(公告)日：2021-02-12
申请号：CN202011299408.5
申请日：2020-11-18
Applicant: 南开大学
Abstract: 本发明提供了一种训练图像分割模型的方法、图像分割的方法及其装置。所述图像分割模型包括知识矩阵，所述训练图像分割模型的方法包括：获取待训练图像的特征图；对所述特征图与所述知识矩阵进行特征融合，得到目标特征图，所述知识矩阵用于区分所述待训练图像中的目标区域；基于所述目标特征图进行图像分割，得到图像分割结果，所述图像分割结果用于指示所述待训练图像中的所述目标区域；根据所述图像分割结果调整所述知识矩阵。根据本发明中的方法训练所述图像分割模型，并使用所述图像分割模型进行图像分割，可以提高图像分割的准确率。
-
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：CN111428805A
公开(公告)日：2020-07-17
申请号：CN202010251865.0
申请日：2020-04-01
Applicant: 南开大学
Abstract: 本发明提供了一种显著性物体的检测方法、检测装置、计算机可读存储介质以及电子设备，通过编码操作和解码操作以获取待检测图像中的显著性物体的位置信息和轮廓信息，其中，编码操作包括N层级第一卷积操作，解码操作包括与第一卷积操作对应的N层级第二卷积操作，下一层级第二卷积操作包括对上一层级第二卷积操作的输出图像和该上一层级第二卷积操作对应的第一卷积操作的输出图像进行的第一融合操作，在解码操作中融合对应编码操作的输出图像，可以结合编码操作得到的信息，从而提高检测精度；并且部分第二卷积操作包括多个具有不同空洞率且并行的空洞卷积操作，可以从多个尺度去学习得到多个尺度的信息，从而进一步提高检测精度。
-
Patent Agency Ranking
公开(公告)号：CN109766918A
公开(公告)日：2019-05-17
申请号：CN201811547592.3
申请日：2018-12-18
Applicant: 南开大学
Abstract: 一种基于多层次上下文信息融合的显著性物体检测的方法。该方法的目的是构造并利用多层级的上下文特征进行图像显著性检测。该方法设计了一种新的卷积神经网络架构，这种新的卷积神经网络架构以由高层卷积至底层卷积的方式进行优化，从而为图像提取不同尺度上的上下文信息，将这些上下文信息进行融合可以获得高质量的图像显著性图。使用该方法检测出的显著性区域，可以用来辅助其他视觉任务。
-
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。
-
公开(公告)号：CN111523119A
公开(公告)日：2020-08-11
申请号：CN202010339042.3
申请日：2020-04-26
Applicant: 南开大学
Abstract: 本申请公开了一种漏洞检测的方法和装置、电子设备及计算机可读存储介质，所述方法包括：根据待测系统的系统特征向量，通过第一分类器，得到所述待测系统的脚本类别标签向量；根据所述待测系统的脚本类别标签向量，通过第二分类器，得到所述待测系统的脚本代码的结构数据；基于所述待测系统的脚本代码的结构数据进行漏洞检测，能够在不断增长变化的网络环境中进行准确度高，且全面的漏洞检测。
-
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：CN107871321A
公开(公告)日：2018-04-03
申请号：CN201610850223.6
申请日：2016-09-23
IPC: G06T7/11
Abstract: 本发明提供一种图像分割方法及装置，该方法包括：A、获取待分割图像对应的第一分割图像；B、确定当前第一分割图像所需要提取的特征；C、对当前第一分割图像中的每两个相邻区域进行所需要提取的特征的特征值计算，并按照预设算法获取当前第一分割图像中的每两个相邻区域的特征向量；D、根据当前第一分割图像中的每两个相邻区域的特征向量以及预设的特征权值，构造无向图；E、遍历所述无向图中的边，合并无向图，根据所述合并后的无向图得到区域合并后的新的第一分割图像；F、循环执行B-E共N次，其中，N为大于等于2的预设值。该方法能够极大提升图像分割的精度以及速度。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.026 seconds)
