一种基于残差网络和深度信息融合的显著性检测方法

发明专利有效专利

申请号：
CN201910444775.0
IPC分类号：G06K9/62;G06N3/04;G06N3/08
申请日期：
2019-05-27
申请人：
浙江科技学院

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于残差网络和深度信息融合的显著性检测方法
申请号	CN201910444775.0	申请日期	2019-05-27
法律状态	授权	申报国家	中国
公开/公告日	2019-09-20	公开/公告号	CN110263813A
优先权	暂无	优先权号	暂无
主分类号	G06K9/62 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06K 数据识别；数据表示；记录载体；记录载体的处理（印刷本身入B41J） G06K9/00 用于阅读或识别印刷或书写字符或者用于识别图形，例如，指纹的方法或装置（用于图表阅读或者将诸如力或现状态的机械参量的图形转换为电信号的方法或装置入G06K 11/00；语音识别入G10L 15/00）〔1，7〕 G06K9/62 应用电子设备进行识别的方法或装置〔3〕	IPC分类号	G;0;6;K;9;/;6;2;;;G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8查看分类表>
申请人	浙江科技学院	申请人地址	浙江省杭州市西湖区留和路318号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	浙江科技学院	当前权利人	浙江科技学院
发明人	周武杰;吴君委;雷景生;何成;钱亚冠;王海江;张伟
代理机构	宁波奥圣专利代理事务所（普通合伙）	代理人	周珏

摘要

本发明公开了一种基于残差网络和深度信息融合的显著性检测方法，其在训练阶段构建卷积神经网络，输入层包括RGB图输入层和深度图输入层，隐层包括5个RGB图神经网络块、4个RGB图最大池化层、5个深度图神经网络块、4个深度图最大池化层、5个级联层、5个融合神经网络块、4个反卷积层，输出层包括5个子输出层；将训练集中的彩色真实物体图像和深度图像输入到卷积神经网络中进行训练，得到显著性检测预测图；通过计算显著性检测预测图与真实显著性检测标签图像之间的损失函数值，得到卷积神经网络训练模型；在测试阶段利用卷积神经网络训练模型对待显著性检测的彩色真实物体图像进行预测，得到预测显著性检测图像；优点是显著性检测准确率高。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供