内容提供者
一种基于深度图像的人头分割方法.pdf
2023-10-13
10金币
1.6MB
10页
努力****星驰
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
在线预览结束，喜欢就下载吧，查找使用更方便
相关资料
一种基于深度图像的人头分割方法.pdf
本发明提出一种基于深度图像的人头分割方法。该方法对采用双目摄像机以俯视角度采集到的图像使用运动目标检测的方法提取出图像中的运动区域；然后对图像中的运动区域进行快速立体匹配获得运动区域的视差图，在快速立体匹配过程中使用视差验证；将运动区域的视差图转换为深度图并运用深度分割的方法得到包含有人头信息的深度层，使用数学形态学操作获取到人头轮廓。本发明方法精度高、计算速度快，有很好的鲁棒性和实时性。
2023-10-13
10
1.6MB
一种基于深度学习的图像分割方法.pdf
本发明公开一种基于深度学习的图像分割方法,首先,构建语义分割模型;该语义分割模型由骨干网络、XY网络和全卷积解码网络组成;骨干网络的输入形成语义分割模型的输入,骨干网络的输出连接XY网络的输入,XY网络的输出连接全卷积解码网络的输入,全卷积解码网络的输出语义分割模型的输出;然后,利用已分割好的样本图像集对步骤1所构建的语义分割模型进行训练,得到训练好的语义分割模型;最后,将待分割的图像送入到步骤2所得到的训练好的语义分割模型中,训练好的语义分割模型输出分割好的图片。本发明的XYNet在鲁棒性,评价指标,推
2023-05-09
10
508KB
一种基于深度学习的MRI图像分割方法.pdf
本发明公开一种基于深度学习的MRI图像分割方法。本发明先利用图像数据增强、提取技术，对数据进行扩容，利用形态学的方法，得到前列腺边缘的标签。然后在U‑Net网络基础上加入IBN模块，把maxpool层改成strideconv层，采用2D和3D卷积结合的方法，作为编码部分；在解码部分中，采用两个解码器，其中一个解码器进行前列腺整体的分割预测，另一个解码器进行单独的前列腺边缘的预测。本发明采用了IN和BN相结合的策略，使得模型泛化能力得到加强。同时，把原本下采样的maxpool层改成strideconv层
2023-11-10
10
507KB
一种基于深度学习的图像实例分割方法.pdf
本发明公开了一种基于深度学习的图像实例分割方法,其方法为:第一步、获取图像样本,构建训练集;第二步、图像实例分割模型的构建,具体过程为:步骤1、将待训练的图像集中每个图像划分为S*S小网格,根据实际应用进行选取;步骤2、通过ResNet?101网络提取图像特征;步骤3、通过基于加权BiFPN构建的特征网络层,将图像特征进行多尺度融合提取;步骤4、构建联合注意力筛选模块;步骤5、得到实例的掩码信息;步骤6、得到图像实例分割模型;第三步、将待分割的图像,利用上述第二步中得到的图像实例分割模型实现实例分割。有益
2023-05-16
10
597KB
一种基于光流与图像分割的深度表示方法.pdf
本发明公开了一种基于光流与图像分割的深度表示方法，包括如下步骤：(1)对原始二维视频中的每一帧图像，参考其在时间方向上相邻的后一帧图像，进行光流分析，得到当前图像的光流图；(2)对原始二维视频中的每一帧图像进行图像分割，得到分割图；(3)结合原始二维视频中每一帧图像对应的光流图与分割图，得到深度图，用于三维视频的表达。本发明利用光流分析的方法提取二维视频中的运动信息，与窗口匹配的方法相比更精确；同时结合图像分割的方法，产生用于三维视频表达的深度图，有效地平滑了噪声，修饰了物体边缘轮廓。
2023-10-22
10
4.2MB