-
公开(公告)号：CN111723822B
公开(公告)日：2022-06-14
申请号：CN202010570806.X
申请日：2020-06-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于多层次融合的RGBD图像显著性检测方法及系统，包括：步骤S1：进行数据增强，同时对彩色图像以及对应的深度图和人工标注图进行处理；步骤S2：设计多层次卷积神经网络结构，提取并融合深度图与彩色图像特征，融合多层次的特征，得到各个层次预测的显著性图Sk；步骤S3：设计一个融合优化模块,然后融合各个层次的显著性图Sk，得到最终的显著性图Sfinal；步骤S4：通过求解最小化损失函数，学习到RGBD图像显著性检测模型的最优参数，得到训练好的RGBD图像显著性检测模型；步骤S5：最后，将RGBD图像输入训练好的模型，计算得到输入图像的显著性检测结果，即显著性图。本发明解决了RGBD图像显著性检测边缘粗糙问题，能显著提升RGBD图像显著性检测的性能。
-
公开(公告)号：CN111723822A
公开(公告)日：2020-09-29
申请号：CN202010570806.X
申请日：2020-06-20
Applicant: 福州大学
Abstract: 本发明涉及一种基于多层次融合的RGBD图像显著性检测方法及系统，包括：步骤S1：进行数据增强，同时对彩色图像以及对应的深度图和人工标注图进行处理；步骤S2：设计多层次卷积神经网络结构，提取并融合深度图与彩色图像特征，融合多层次的特征，得到各个层次预测的显著性图Sk；步骤S3：设计一个融合优化模块,然后融合各个层次的显著性图Sk，得到最终的显著性图Sfinal；步骤S4：通过求解最小化损失函数，学习到RGBD图像显著性检测模型的最优参数，得到训练好的RGBD图像显著性检测模型；步骤S5：最后，将RGBD图像输入训练好的模型，计算得到输入图像的显著性检测结果，即显著性图。本发明解决了RGBD图像显著性检测边缘粗糙问题，能显著提升RGBD图像显著性检测的性能。
-
公开(公告)号：CN109635882B
公开(公告)日：2022-05-13
申请号：CN201910062293.9
申请日：2019-01-23
Applicant: 福州大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种基于多尺度卷积特征提取和融合的显著物体检测方法，首先进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；接着提取多尺度特征，并进行通道压缩来优化网络的计算效率；然后融合多尺度的特征，得到预测的显著图；最后通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。本发明能显著提高显著物体检测精度。
-
公开(公告)号：CN109635882A
公开(公告)日：2019-04-16
申请号：CN201910062293.9
申请日：2019-01-23
Applicant: 福州大学
CPC classification number: G06K9/629 , G06K9/6256 , G06N3/0454 , G06N3/0481
Abstract: 本发明涉及一种基于多尺度卷积特征提取和融合的显著物体检测方法，首先进行数据增强，同时对彩色图像以及对应的人工标注图进行处理，增加训练数据集的数据量；接着提取多尺度特征，并进行通道压缩来优化网络的计算效率；然后融合多尺度的特征，得到预测的显著图；最后通过求解最小化交叉熵损失，学习到模型的最优参数；最终利用训练好的模型网络来预测图像中的显著物体。本发明能显著提高显著物体检测精度。
-
-
-
Search Results
4
records
(took 0.023 seconds)
