龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
摘要：基于局部特征提取和语义分割的RGB‑DSOD方法，属于图像显著性检测技术领域，为了解决现有的显著性提取方法精度较低的问题，该方法包括：步骤1，构建网络模型：整个网络基于编码器‑解码器结构模型的框架设计；步骤2，准备数据集：选择常用的RGB‑D图片构建数据集；步骤3，训练网络模型：将步骤2中准备好的数据集输入到步骤1构建好的网络模型中进行训练；步骤4，选择最小化损失函数值和最优评估指标；步骤5，保存模型：将最终确定的模型参数进行固化；如果进行RGB‑D图像显著性检测操作时，直接将彩色图和深度图输入到网络中即可得到最终的显著图。本发明精度更高可以很好地应用到机器人技术中去，通用性更强。
主权项：1.基于局部特征提取和语义分割的RGB-DSOD方法，其特征是，该方法包括如下步骤：步骤1，构建网络模型：整个网络基于Encoder-Decoder结构模型的框架设计；编码器部分的图片预处理模块加载了双PVTv2的预训练权重骨干网络，分别对输入的多模态图像的彩色图和深度图进行基础特征提取，整个融合在四个尺度上进行；其中，对于深度图再增加一个ConvNeXt模块进行局部特征处理，而对于彩色图，则不通过ConvNeXt模块处理；然后，将经过PVTv2+ConvNeXt处理的深度图特征传入CSA模块，将结果和PVTv2处理的彩色图特征相加；最后，将相加结果传入ConvNeXt模块进行一次局部特征提取，再经过卷积模块进行一次卷积，完成整个RGB-D的融合；步骤2，准备数据集：选择常用的RGB-D图片构建数据集；步骤3，训练网络模型：将步骤2中准备好的数据集输入到步骤1构建好的网络模型中进行训练；步骤4，选择最小化损失函数值和最优评估指标：通过最小化网络输出图像与标签的损失函数，直到训练次数达到设定阈值并且损失值趋于收敛即可认为模型参数已预训练完成，保存模型参数；同时选择最优评估指标来衡量算法的精度，评估系统的性能；步骤5，保存模型：将最终确定的模型参数进行固化；如果进行RGB-D图像显著性检测操作时，直接将彩色图和深度图输入到网络中即可得到最终的显著图。
全文数据：
权利要求：
百度查询： 宁波大学科学技术学院 基于局部特征提取和语义分割的RGB-D SOD方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号