-
公开(公告)号：CN109118459A
公开(公告)日：2019-01-01
申请号：CN201710488970.4
申请日：2017-06-23
Abstract: 本申请提供了一种图像显著性物体检测方法与装置。该方法包括：分别对待处理图像进行至少两个卷积层对应的卷积处理，得到待处理图像的至少两个第一特征图，至少两个第一特征图的分辨率小于待处理图像的分辨率，至少两个第一特征图中的任意两个第一特征图的分辨率不同；对至少两个集合中的叠加集合中包含的至少两个第一特征图进行叠加处理，从而得到待处理图像的至少两个第二特征图，其中，至少两个集合分别对应不同的分辨率，至少两个集合与至少两个第二特征图一一对应，叠加集合中包含的第一特征图的分辨率小于等于叠加集合对应的第二特征图的分辨率；对至少两个第二特征图拼接，得到显著性图。本申请能提高显著性物体检测的效果。
-
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。
-
公开(公告)号：CN109118459B
公开(公告)日：2022-07-19
申请号：CN201710488970.4
申请日：2017-06-23
Abstract: 本申请提供了一种图像显著性物体检测方法与装置。该方法包括：分别对待处理图像进行至少两个卷积层对应的卷积处理，得到待处理图像的至少两个第一特征图，至少两个第一特征图的分辨率小于待处理图像的分辨率，至少两个第一特征图中的任意两个第一特征图的分辨率不同；对至少两个集合中的叠加集合中包含的至少两个第一特征图进行叠加处理，从而得到待处理图像的至少两个第二特征图，其中，至少两个集合分别对应不同的分辨率，至少两个集合与至少两个第二特征图一一对应，叠加集合中包含的第一特征图的分辨率小于等于叠加集合对应的第二特征图的分辨率；对至少两个第二特征图拼接，得到显著性图。本申请能提高显著性物体检测的效果。
-
公开(公告)号：CN107871321B
公开(公告)日：2021-08-27
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。
-
公开(公告)号：CN117917672A
公开(公告)日：2024-04-23
申请号：CN202211277119.4
申请日：2022-10-18
Applicant: 华为技术有限公司
IPC: G06N3/045 , G06N3/0464 , G06N3/084 , G06N5/04 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/26 , G06V20/70 , G06N3/048
Abstract: 本申请公开了一种基于神经网络的数据处理方法及设备，该神经网络包括至少一个差分加法算子，差分加法算子包括第一加法算子和第二加法算子，可应用人工智能领域，包括：接收待处理数据并预处理，得到第一特征映射，使用差分加法算子对第一特征映射进行特征提取操作，即分别使用第一加法算子和第二加法算子对第一特征映射提取特征，各自得到第一分支输出和第二分支输出，并对第一分支输出和第二分支输出进行融合，并基于融合后的第二特征映射得到输出结果。本申请提出的差分加法算子通过两个加法算子的分支独立学习再进行融合以调整输出的特征映射，解决加法算子特征表征能力弱的问题；基于差分加法算子构建的ANN也解决了传统CNN计算能耗过高的问题。
-
Patent Agency Ranking
公开(公告)号：CN113807496A
公开(公告)日：2021-12-17
申请号：CN202110604360.2
申请日：2021-05-31
Abstract: 本公开的实施例提供了用于构建神经网络模型的方法、设备、装置、存储介质和程序产品，涉及人工智能领域。在构建神经网络模型的方法中，首先构建包括多个层级的超网络，并训练超网络，以在多个层级中的每个层级处确定经训练的多个类型的神经网络层的参数。通过针对多个层级中的每个层级从经训练的多个类型的神经网络层中选择一个类型的神经网络层，生成多个候选神经网络模型。基于多个候选神经网络模型分别执行预定NLP任务的性能，确定用于NLP的目标神经网络模型。这样，本公开的实施例能够降低构建目标神经网络模型所需的成本并且获得性能更优的目标神经网络模型。
-
公开(公告)号：CN116843707A
公开(公告)日：2023-10-03
申请号：CN202310652333.1
申请日：2023-06-02
Applicant: 南开大学
IPC: G06T7/12 , G06T7/13 , G06T7/155 , G06T7/194 , G06N3/0455
Abstract: 本发明公开了基于边缘细化注意力机制的息肉分割方法及系统；其中方法，包括：获取待处理的肠道内窥镜图像；将待处理的肠道内窥镜图像，输入到训练后的息肉分割模型中，输出息肉分割结果；其中，训练后的息肉分割模型，包括：依次连接的编码器、解码器和边缘细化器；所述编码器用于对肠道内窥镜图像进行编码，输出提取的特征；所述解码器用于对提取的特征进行解码，生成粗略分割图；所述边缘细化器用于对粗略分割图进行细化，生成细化分割图。
-
公开(公告)号：CN116740348A
公开(公告)日：2023-09-12
申请号：CN202310626321.1
申请日：2023-05-30
Applicant: 南开大学
IPC: G06V10/26 , G06V10/77 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 本发明提出了一种指向性伪装物体分割方法及系统，设计了双分支网络结构，利用参考分支网络获取来参考图像中某类指向性物体的共性信息，分割分支网络则在所得到的共性信息指导下确认并分割包含该指向性伪装物体的目标图像。通过将共性信息和目标图像的视觉特征进行交互融合的方式突出目标图像中的指向性伪装物体。本发明方法受其他物体的干扰较小，进而能够更加准确地分割出期望的物体，而且利用参考图像的共性信息来突出目标图像中的指向性伪装物体的方式，适合小样本所收集的参考信息对某类物体进行指向性的分割。
-
公开(公告)号：CN110458221B
公开(公告)日：2021-03-16
申请号：CN201910715341.X
申请日：2019-08-05
Applicant: 南开大学
Abstract: 本发明公开了一种基于在线注意力累积的挖掘目标物体区域的方法。该方法的目的是以弱监督的方式高效地找到图像的目标物体区域，这种区域可以为弱监督语义分割任务提供监督。基于训练过程中注意力不停地在目标物体上变化的观察，该方法在训练过程中为每一个目标物体维护了一张存储图。通过不断的将每一次迭代中生成的注意力图融合到存储图中，这个在线注意力累积过程可以将注意力在目标物体上出现过的所有位置记录下来，帮助找到整个目标物体区域。另外，该方法在更新存储图的过程中，通过改进的交叉熵损失函数对存储图中学习到的知识进行监督，从而得到更加完整的物体区域。
-
公开(公告)号：CN114913321B
公开(公告)日：2024-07-26
申请号：CN202210324744.3
申请日：2022-03-30
Applicant: 南开大学
IPC: G06V10/25 , G06V10/26 , G06V10/774
Abstract: 本发明属于图像处理技术领域，提供了基于局部到全局知识迁移的物体注意力挖掘方法及系统，本发明通过置了局部和全局两个模型，其中局部模型用于提取局部图像块中的注意力区域，而全局模型通过从局部模型中学习细节知识来提取较为完整的物体注意力图像。通过生成多视角下的注意力图像，能够发掘更多图像中的非显著性区域，通过设计了一种知识迁移损失函数，保证了在局部视角下的注意力信息能被有效迁移到全局模型上，生成的物体注意力区域能够在各种弱监督语义分割任务上发挥作用。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.024 seconds)
