项目名称: 基于深度学习的多尺度本质图像提取方法

项目编号: No.61502388

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 计算机科学学科

项目作者: 蒋晓悦

作者单位: 西北工业大学

项目金额: 20万元

中文摘要: 图像成像过程受多种因素影响,使得图像中物体表象也随之变化。而提取物体本身固有形状、颜色、纹理等本质信息,可有效消除环境影响,实现对图像的准确理解。本课题旨在探索一种基于深度学习的多尺度本质图像分析方法,实现在多尺度上详细分析本质信息的目标。通过多尺度分析与重构框架,实现对图像的自由分解与无损重构。为实现对各尺度分量中本质信息的准确提取,分别基于图像亮度与形状、颜色、纹理关系构建全局特征;同时,基于多尺度深度学习网络构建局部特征。并利用相关性特征结合全局与局部特征,实现对各分量的准确分析。最后,对各分量中提取的本质信息通过重构框架实现无损重构。. 主要创新点在于摒弃了现有算法在单一尺度下通过求解能量优化问题估计本质图像的思路,而提出了多尺度下利用特征评价直接分析本质图像的方法。并针对各分量特点,构建了基于相关性的全局特征以及多尺度联合的局部特征,实现对本质图像的准确提取。

中文关键词: 图像理解;特征提取;局部特征

英文摘要: Multiple factors influence the appearance of an object in an image. However, extracting the intrinsic images from the observer image can eliminate the environmental impact effectively and make the image understanding more accurately. The intrinsic images represent the inherent shape, colour and texture information of the object. In this proposal, we aim to explore a method of multi-scale intrinsic image extraction based on deep learning. . Based on the framework of multi-scale analysis and reconstruction, an image can be decomposed into multi-scale and multi-orientation. In order to extract the intrinsic information from those components, we proposed to build a series of global and local features. The global features are based on the correlation between image intensity and shape, colour, texture, respectively. The local feature is constructed based on multi-scale deep learning methods, which can extract the multi-scale colour and texture information. Based on correlation features, the global and local features are combined to extract intrinsic information from multi-scale components. Consequently, the intrinsic images are reconstructed from those extracted information with the multi-scale analysis framework. . The main contribution of the proposal is the introduction of multi-scale analysis to intrinsic image extraction with the measurement of features, where most current intrinsic image extraction methods are based on solving optimization problems for the observed image directly. At the same time, we proposed to build global and local features based on the characteristics of each scale component.

英文关键词: Image Understanding;Feature Extraction;Local Feature

成为VIP会员查看完整内容
4

相关内容

【博士论文】基于深度学习的单目场景深度估计方法研究
细粒度图像分类的深度学习方法
专知会员服务
40+阅读 · 2021年10月18日
专知会员服务
42+阅读 · 2021年8月30日
基于深度学习的视频目标检测综述
专知会员服务
79+阅读 · 2021年5月19日
专知会员服务
117+阅读 · 2021年4月29日
专知会员服务
58+阅读 · 2021年3月25日
专知会员服务
76+阅读 · 2020年12月6日
深度学习目标检测方法综述
专知会员服务
260+阅读 · 2020年8月1日
基于深度学习的表面缺陷检测方法综述
专知会员服务
84+阅读 · 2020年5月31日
基于深度学习的图像目标检测算法综述
专知
1+阅读 · 2022年4月16日
计算机视觉中的传统特征提取方法总结
极市平台
1+阅读 · 2021年12月9日
基于深度学习的小目标检测方法综述
专知
1+阅读 · 2021年4月29日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月14日
Arxiv
13+阅读 · 2021年5月25日
小贴士
相关VIP内容
【博士论文】基于深度学习的单目场景深度估计方法研究
细粒度图像分类的深度学习方法
专知会员服务
40+阅读 · 2021年10月18日
专知会员服务
42+阅读 · 2021年8月30日
基于深度学习的视频目标检测综述
专知会员服务
79+阅读 · 2021年5月19日
专知会员服务
117+阅读 · 2021年4月29日
专知会员服务
58+阅读 · 2021年3月25日
专知会员服务
76+阅读 · 2020年12月6日
深度学习目标检测方法综述
专知会员服务
260+阅读 · 2020年8月1日
基于深度学习的表面缺陷检测方法综述
专知会员服务
84+阅读 · 2020年5月31日
相关资讯
基于深度学习的图像目标检测算法综述
专知
1+阅读 · 2022年4月16日
计算机视觉中的传统特征提取方法总结
极市平台
1+阅读 · 2021年12月9日
基于深度学习的小目标检测方法综述
专知
1+阅读 · 2021年4月29日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员