[发明专利]一种基于深度学习的运动边界估计方法在审
申请号: | 201711294387.6 | 申请日: | 2017-12-08 |
公开(公告)号: | CN107909602A | 公开(公告)日: | 2018-04-13 |
发明(设计)人: | 张智福;余思洋;陈捷 | 申请(专利权)人: | 长沙全度影像科技有限公司 |
主分类号: | G06T7/269 | 分类号: | G06T7/269;G06N99/00 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 410205 湖南省长沙市高新开发*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 运动 边界 估计 方法 | ||
1.一种基于深度学习的运动边界估计方法,其特征在于,包括以下步骤:
步骤一:构建运动边界估计的数据集;
步骤二:构建用于运动边界估计的深度学习模型;
步骤三:利用运动边界估计的数据集对深度学习模型进行训练,得到训练完成的深度学习模型;
步骤四:直接将待估计运动边界的图像输入训练完成的深度学习模型,快速估计出运动边界。
2.根据权利要求1所述的基于深度学习的运动边界估计方法,其特征在于:所述步骤一中运动边界估计数据集中的样本数量不少于20000,其中每个样本包含运动视频中两帧相邻图像和这两帧图像所对应的运动边界图像。
3.根据权利要求1所述的基于深度学习的运动边界估计方法,其特征在于:所述步骤二中用于运动边界估计的深度学习模型的输入是运动视频中两帧相邻的图像,该深度学习模型共包括12层,其中前6层是编码部分,为6个卷积层,后6层是解码部分,为6个反卷积层,每个反卷积层在具体计算时需要调用对应卷积层的图像特征,输出为运动边界图像。
4.根据权利要求1所述的语义分割信息指导的深度学习鱼眼图像校正方法,其特征在于:所述步骤三中训练深度学习模型使用Caffe框架。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于长沙全度影像科技有限公司,未经长沙全度影像科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201711294387.6/1.html,转载请声明来源钻瓜专利网。