申请/专利权人：燕山大学

申请日：2024-02-01

公开（公告）日：2024-04-19

公开（公告）号：CN117911905A

主分类号：G06V20/17

分类号：G06V20/17;G06V10/764;G06V10/26;G06V10/774;G06V10/82;G06V20/70;G06N3/094;G06N3/0475;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了基于条件生成对抗和平均教师模型的草图语义分割方法，属于计算机视觉领域，包括数据集选取；基于笔画的连续性，设计伪笔画搜索算法，依据伪笔画信息，使用增强型局部特征聚集模块，提取手绘草图的局部特征；建立关系‑图卷积神经网络，设计语义分割模型；建立条件生成对抗模型，利用重复训练过程，使用无语义分割标注的手绘草图改善语义分割模型性能；基于平均教师模型，构建手绘草图的语义分类网络，通过使用无语义分类标注的手绘草图提升语义分类效果；将条件生成对抗模型输出的语义分割结果与平均教师模型输出的语义类型相结合，生成最终的语义分割图。本发明在不依赖笔画时序信息的情况下，具有较大的性能优势。

主权项：1.一种基于条件生成对抗和平均教师模型的草图语义分割方法，其特征在于，包括：基于笔画的连续性，设计伪笔画搜索算法，依据伪笔画信息，使用增强型局部特征聚集模块，提取手绘草图的局部特征；基于多种最近邻关系和伪笔画连续性关系，建立关系-图卷积神经网络，并基于关系-图卷积神经网络，设计语义分割模型；基于生成对抗思想和所设计的语义分割模型，以伪笔画信息、原始手绘草图和生成的手绘草图语义分割预测为条件信息，建立条件生成对抗模型，利用重复训练过程，使用无语义分割标注的手绘草图改善语义分割模型性能；基于平均教师模型，利用增强型局部特征聚集模块和多层感知机构建手绘草图的语义分类模型，通过使用无语义分类标注的手绘草图提升语义分类效果；将条件生成对抗模型输出的语义分割结果与平均教师模型输出的语义类型相结合，生成最终的语义分割图。

全文数据：

权利要求：

百度查询： 燕山大学 基于条件生成对抗和平均教师模型的草图语义分割方法

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