申请/专利权人：浙江工业大学

申请日：2020-08-31

公开（公告）日：2024-03-12

公开（公告）号：CN112085028B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/44;G06V10/774;G06N3/0464;G06N3/08;G06T5/73;G06T7/11;G06T7/13;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2021.01.01#实质审查的生效;2020.12.15#公开

摘要：本发明公开了基于特征图扰动以及边界监督的牙齿全景片语义分割方法，在获取牙齿全景片后，将牙齿全景片通过锐化操作，获得牙齿边界更清晰的牙齿全景片，然后将牙齿全景片训练完成的扰动特征图提取网络进行特征提取，得到深层扰动特征图；最后将深层扰动特征图分别输入至训练完成的掩码网络及边界网络，得到牙齿区域分割结果和牙齿轮廓分割结果。本发明使得网络的泛化能力大大增强，使训练好的模型在遇到比较特殊的情况时仍能利用特殊情况中常见的部分特征得出较为合理的分割结果。

主权项：1.一种基于特征图扰动以及边界监督的牙齿全景片语义分割方法，其特征在于，所述基于特征图扰动以及边界监督的牙齿全景片语义分割方法，包括：获取牙齿全景片，将牙齿全景片通过锐化操作，获得牙齿边界更清晰的牙齿全景片I；将牙齿全景片I输入至训练完成的扰动特征图提取网络进行特征提取，得到深层扰动特征图Fdeep；将深层扰动特征图Fdeep分别输入至训练完成的掩码网络及边界网络，得到牙齿区域分割结果和牙齿轮廓分割结果；其中，所述将牙齿全景片I输入至训练完成的扰动特征图提取网络进行特征提取，得到深层扰动特征图Fdeep，包括：步骤2.1、将牙齿全景片I输入至卷积核大小为3*3的简单特征提取模块，得到输出特征图F1，其维度为C1×H1×W1；步骤2.2、将特征图F1池化后输入至卷积核大小为3*3的扰动特征提取模块，得到特征图F2，其维度为C2×H2×W2；步骤2.3、将特征图F2池化后输入至卷积核大小为3*3的扰动特征提取模块，得到特征图F3，其维度为C3×H3×W3；步骤2.4、将特征图F3池化后输入至卷积核大小为3*3的扰动特征提取模块，得到特征图F4，其维度为C4×H4×W4；步骤2.5、将特征图F4池化后输入至卷积核大小为3*3的扰动特征提取模块，得到深层扰动特征图Fdeep，其维度为C5×H5×W5；其中，所述将深层扰动特征图Fdeep分别输入至训练完成的掩码网络及边界网络，得到牙齿区域分割结果和牙齿轮廓分割结果，包括，步骤3.1、在掩码网络中，将深度扰动特征图Fdeep进行上采样后和F4一起输入通道融合模块，得到按通道组合后的特征图，通道数为C5+C4，输入简单特征提取模块后得到特征图UP4，其维度为C4×H4×W4；步骤3.2、将特征图UP4进行上采样后和F3一起输入通道融合模块，得到按通道组合后的特征图，通道数为C4+C3，输入简单特征提取模块后得到特征图UP3，其维度为C3×H3×W3；步骤3.3、将特征图UP3进行上采样后和F2一起输入通道融合模块，得到按通道组合后的特征图，通道数为C3+C2，输入简单特征提取模块后得到特征图UP2，其维度为C2×H2×W2；步骤3.4、将特征图UP2进行上采样后和F1一起输入通道融合模块，得到按通道组合后的特征图，通道数为C2+C1，输入简单特征提取模块后得到特征图UP1，其维度为C1×H1×W1；步骤3.5、将特征图UP1输入1*1卷积块得到特征图UP0，维度为32×H1×W1，其中32代表32颗不同的牙齿，将UP0的每一通道均用如下公式进行激活，得到UP0上每个像素点属于牙齿区域的概率，将其乘以255得到最终32颗牙齿的分割结果； 步骤3.6、在边界网络中同样采取步骤3.1-步骤3.5的操作，最终输出牙齿轮廓分割结果。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于特征图扰动以及边界监督的牙齿全景片语义分割方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD