WIPO logo
Mobile | Deutsch | Español | Français | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Search International and National Patent Collections
World Intellectual Property Organization
Search
 
Browse
 
Translate
 
Options
 
News
 
Login
 
Help
 
Machine translation
1. (WO2018023734) SIGNIFICANCE TESTING METHOD FOR 3D IMAGE
Latest bibliographic data on file with the International Bureau    Submit observation

Pub. No.:    WO/2018/023734    International Application No.:    PCT/CN2016/093637
Publication Date: 08.02.2018 International Filing Date: 05.08.2016
IPC:
G06K 9/46 (2006.01)
Applicants: SHENZHEN UNIVERSITY [CN/CN]; Nanhai Ave. 3688, Nanshan Shenzhen, Guangdong 518060 (CN)
Inventors: WANG, Xu; (CN).
ZHANG, Qiudan; (CN).
JIANG, Jianmin; (CN).
LAI, Zhihui; (CN)
Agent: HENSEN INTELLECTUAL PROPERTY FIRM; 10H Shangbu Building No.68 Nanyuan Road, Futian Shenzhen, Guangdong 518000 (CN)
Priority Data:
Title (EN) SIGNIFICANCE TESTING METHOD FOR 3D IMAGE
(FR) PROCÉDÉ DE TEST DE SIGNIFICATION POUR IMAGE 3D
(ZH) 一种3D图像的显著性检测方法
Abstract: front page image
(EN)Disclosed is a significance testing method for a 3D image, comprising steps of: (1) respectively extracting depth characteristic vectors of a color image and a depth image on the basis of a convolutional neural network; (2) respectively generating significance maps of the depth image and the color image according to a three-layer neural network and the extracted depth characteristic vectors of the color image and the depth image; (3) linearly blending the significance maps of the color image and the depth image to obtain a significance map of a 3D image. According to the present invention, depth study characteristics of a color image and a depth image are extracted in a multi-scale area on the basis of a CNN model; a significance map of the depth image (or the color image) is generated using a trained NN model on the basis of a depth characteristic vector and a significance label of the area, the NN model being used as a classifier in this case; with the depth significance map and a color significance map as an input, a final significance map of a 3D image is generated using a linear blending method. The present testing method has advantages of small error and high precision.
(FR)L'invention concerne un procédé de test de signification pour une image 3D, comprenant : (1) l'extraction respective de vecteurs caractéristiques de profondeur d'une image couleur et d'une image de profondeur sur la base d'un réseau neuronal convolutif ; (2) la génération respective de cartes de signification de l'image de profondeur et de l'image couleur selon un réseau neuronal à trois couches et les vecteurs caractéristiques de profondeur extraits relatifs à l'image couleur et l'image de profondeur ; et (3) le mélange linéaire des cartes de signification de l'image couleur et de l'image de profondeur pour obtenir une carte de signification d'une image 3D. Selon la présente invention, des caractéristiques d'étude de profondeur d'une image couleur et d'une image de profondeur sont extraites dans une zone à échelles multiples sur la base d'un modèle de CNN. Une carte de signification de l'image de profondeur (ou de l'image couleur) est généré à l'aide d'un modèle de NN appris, sur la base d'un vecteur caractéristique de profondeur et d'une étiquette de signification de la zone, le modèle de NN servant de classificateur dans ce cas. La carte de signification de profondeur et une carte de signification de couleur faisant office d'entrée, une carte de signification finale d'une image 3D est générée au moyen d'un procédé de mélange linéaire. Ce procédé de test a pour avantages une faible erreur et une grande précision.
(ZH)本发明公开了一种3D图像的显著性检测方法,包括步骤(1)基于卷积神经网络对颜色图像和深度图像分别提取深度特征向量;(2)根据三层的神经网络以及提取的颜色图像和深度图像的深度特征向量分别生成深度图和颜色图的显著性图;(3)将颜色图像和深度图像的显著性图进行线性融合处理后获得3D图像的显著性图。本发明通过CNN模型对颜色图像和深度图像分别进行多尺度区域的深度学习特征提取;深度图像(或者颜色图像)的显著性图是通过训练后的NN模型基于深度特征向量和区域的显著性标签来生成的,NN模型在此相当于分类器的作用;并以深度显著性图和颜色显著性图为输入,采用线性融合方法生成最终的3D图像的显著性图;本检测方法具有误差小和精度高等优点。
Designated States: AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW.
African Regional Intellectual Property Organization (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Eurasian Patent Organization (AM, AZ, BY, KG, KZ, RU, TJ, TM)
European Patent Office (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
African Intellectual Property Organization (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG).
Publication Language: Chinese (ZH)
Filing Language: Chinese (ZH)