首页
科创库
科创路演
试点城市(园区)
科创圈
科创微视
科创前沿
我的交易
我的会议
我报名的路演会议
我的资讯
我的消息
我的动态
个人资料编辑
退出登录
登录
|
注册
科创中国
需求发布
成果发布
科创案例库
揭榜挂帅
技术路演
会议展览
科创联合体
项目申报
前沿动态
科技政策
院士开讲
青托工程
科技服务团
学术资源
试点城市(园区)
双创活动周
协作站点
学会服务
搜索
问题库
项目库
开源库
English
我的交易
我的会议
我报名的路演会议
我的资讯
我的消息
我的动态
我的需求
我的成果
我的
个人资料编辑
退出登录
登录/注册
组织入驻
您所在的位置:
首页
项目库
一种基于双学习网络的立体图像视觉显著提取方法
科技成果综合评价报告详情
科技成果综合评价报告
*
成果名称
*
分类
*
所属单位
*
联系人
*
联系电话
*
成果简介
本发明公开了一种基于双学习网络的立体图像视觉显著提取方法,其将人类注视图、立体图像的左视点彩色图像和左视差图像构成训练集;然后在训练集的基础上利用VGG网络模型中的特征提取技术构建深度学习模型;接着以训练集中的人类注视图为监督,以训练集中的左视点彩色图像和左视差图像为输入参数,对深度学习模型进行训练;再将待视觉显著提取的立体图像的左视点彩色图像和左视差图像作为输入参数,输入到训练得到的模型中,得到待视觉显著提取的立体图像的视觉显著图像;优点是其能够快速的运行检测,并且具有较强的鲁棒性和预测准确性。
*
创新水平
关键共性技术
前沿引领技术
现在工程技术
颠覆性技术
其他
*
技术进度
新设备或新装置
样机原理
工程样机
中试原型机
产业化
新材料或新技术
实验室阶段
工程化阶段
产业化阶段
技术成果
专利
奖项
*
产品方向
有多个应用方向
有一个应用方向
没有应用方向
无法判断
*
市场空间
需求前景巨大
需求前景较大
需求前景一般
无法判断
*
成本竞争
优势明显
优势一般
没有优势
无法判断
*
政策影响
政策鼓励
政策限制
政策淘汰
无法判断
*
市场周期
进入期
成长期
饱和期
衰退期
无法判断
*
转化周期
近期可控(1年内)
周期较长(2年内)
很难转化(3年起)
无法判断
*
科技成果的创新基因评价
周武杰,1983年9月出生,副教授/博士后,硕士生导师,浙江省电子学会理事,IEEE成员,CCF成员,中国人工智能学会会员,浙江省“计算机科学与技术”一流学科B类方向负责人。2012年入选"青年骨干教师",2015年入选"优秀青年教师资助计划",2016年入选"科大青年英才",2022年入选斯坦福大学发布的全球前2%顶尖科学家榜单。浙江大学信息与通信工程专业博士后,国家留学基金委公派新加坡南洋理工大学访问学者。主要从事人工智能与深度学习、机器视觉与模式识别、图像处理等方面的研究;近几年以第一作者在AAAI、TIP、TNNLS、TCSVT、TMM、TITS、TSTSP、TSMC、TBC、TGRS、TCI、MIS、TCDS、TETCI、TIV、PR和中国科学等国际权威SCI期刊或核心期刊上发表学术论文50多篇
不少于150字
*
科技成果的技术亮点评价
选择一个包含有人类注视图及其对应的立体图像的数据库;然后将数据库中的每幅人类注视图缩放至80×60尺寸,将数据库中的每幅人类注视图对应的立体图像的左视点彩色图像和对应的立体图像的左视差图像均缩放至640×480尺寸;再将所有 80×60尺寸的人类注视图、所有640×480尺寸的左视点彩色图像、所有640×480尺寸的左视差图像构成训练集,将训练集中的第k幅80×60尺寸的人类注视图记为 将训练集中的第k幅左视点彩色图像记为 将训练集中的第k 幅左视差图像记;其中,k为正整数,1≤k≤K,K表示数据库中包含的人类注视图的总幅数,也为数据库中包含的立体图像的总幅数,K≥50, 表示 中坐标位置为(x80,y60) 的像素点的像素值,表示 中坐标位置为(x640,y480)的像素点的像素值, 表示中坐标位置为(x640,y480)的像素点的像素值,1≤x80≤80,1≤y60≤60,1≤x640≤640,1≤y480≤480
不少于150字
*
科技成果的应用市场评价
该成果构建的深度学习模型具有用于进行位置偏好学习的网络块和用于进行卷积学习的网络块,这两类网络块组成了相对独立的两个特征学习网络部分,称为双学习网络,因此该深度学习模型减少了过拟合的风险,有利于对带有人类注视图的立体图像数据库的特征学习,尤其是对于立体图像数量小于200幅的小数据库。在构建深度学习模型的过程中利用了深度学习的算法,大量使用卷积层与最大池化层的运算,这些运算可以进行并行运算,相较于传统的视觉显著提取方法显著性检测的速度更快。应用前景广阔。
不少于150字
*
评价专家组综合意见
该成果构建的深度学习模型具有用于彩色特征提取的网络块组成的彩色特征提取部分与用于视差特征提取的网络块组成的视差特征提取部分,该深度学习模型综合考虑了视差信息,相较于平面显著性检测算法准确性更高、鲁棒性更强。该项目技术思路方向很好,未来市场空间大,有利于当前政策要求,转化成熟度很高,值得支持推广。建议强化相应产品开发,加大产业链开发力度。
评价专家署名
*
评价专家姓名
*
评价专家联系方式
*
评价专家职务
*
评价专家所在单位
关闭