CN106650795B - 酒店房型图像的排序方法 - Google Patents

酒店房型图像的排序方法 Download PDF

Info

Publication number
CN106650795B
CN106650795B CN201611093151.1A CN201611093151A CN106650795B CN 106650795 B CN106650795 B CN 106650795B CN 201611093151 A CN201611093151 A CN 201611093151A CN 106650795 B CN106650795 B CN 106650795B
Authority
CN
China
Prior art keywords
image
hotel room
room type
images
quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611093151.1A
Other languages
English (en)
Other versions
CN106650795A (zh
Inventor
李翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ctrip Computer Technology Shanghai Co Ltd
Original Assignee
Ctrip Computer Technology Shanghai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ctrip Computer Technology Shanghai Co Ltd filed Critical Ctrip Computer Technology Shanghai Co Ltd
Priority to CN201611093151.1A priority Critical patent/CN106650795B/zh
Publication of CN106650795A publication Critical patent/CN106650795A/zh
Application granted granted Critical
Publication of CN106650795B publication Critical patent/CN106650795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种酒店房型图像的排序方法，包括以下步骤：S1、建立酒店房型图像的内容分类模型；S2、建立酒店房型图像的质量量化模型；S3、结合所述内容分类模型及所述质量量化模型对酒店房型图像进行排序。本发明融合内容分类模型和质量量化模型实现图像排序，使图像内容和图像质量两方面的影响都被考虑，使内容和质量俱佳的酒店房型图像能够被优先展示给用户，保证了酒店房型图像排序的效果。

Description

酒店房型图像的排序方法
技术领域
本发明涉及一种图像处理领域，特别是涉及一种酒店房型图像的排序方法。
背景技术
当前，通过互联网对酒店的房型进行售卖已经成为了常用的手段。在网上售卖时，售卖方一般会提供房型图像给用户，从而直观地展示酒店房型的信息。售卖方在展示房型图像前，需要对图像进行排序，优先展示吸引用户的图像，以提升用户的体验和下单率。随着互联网的飞速发展，售卖方每天都会利用用户上传、爬虫下载等诸多途径获取大量酒店房型的图像，数量已远远超过人工排序的限度。因此，利用计算机读取房型图像信息，自动对其进行排序成为了迫切的需求。现阶段，对酒店房型图像排序的研究尚未深入展开，鲜有有效的酒店房型图像排序技术，实现酒店房型图像的合理排序是一项具有挑战性的任务。
发明内容
本发明要解决的技术问题是为了克服现有技术中无法对酒店房型图像进行精准排序的缺陷，提供一种实用性强、排序效果好的酒店房型图像的排序方法。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供了一种酒店房型图像的排序方法，其特点在于，包括以下步骤：
S1、建立酒店房型图像的内容分类模型；
S2、建立酒店房型图像的质量量化模型；
S3、结合所述内容分类模型及所述质量量化模型对酒店房型图像进行排序。
较佳地，步骤S1包括：
S11、收集多个图像，并生成第一图像训练集；
S12、利用所述第一图像训练集训练基于深度神经网络的图像特征提取器；
S13、收集酒店房型图像，并生成第二图像训练集；
S14、利用所述第二图像训练集训练酒店房型图像的内容分类模型。
较佳地，步骤S12中所训练的深度神经网络为19层的VGG网络，包括16个卷积层和3个全连接层。
较佳地，步骤S12中所述图像特征提取器提取每张图像在所述VGG网络中特定层的输出值作为该张图像的特征。
较佳地，步骤S14包括：
S141、将通过步骤S13生成的所述第二图像训练集中的所有图像，利用步骤S12训练得到的所述图像特征提取器进行特征提取；
S142、利用通过步骤S141提取到的所述第二图像训练集中的图像对应的图像特征和图像的类别，训练得到最优分类超平面，以对酒店房型图像的内容进行自动分类。
较佳地，步骤S2包括：
S21、量化酒店房型图像的清晰度，获取图像的清晰度分数；
S22、量化酒店房型图像的色彩丰富度；
S23、结合所述清晰度分数及所述色彩丰富度得到酒店房型图像的质量分数。
较佳地，步骤S21、包括：
S211、对酒店房型图像进行高斯滤波得到滤波后的目标图像；
S212、分别对所述酒店房型图像和所述目标图像进行拉普拉斯滤波；
S213、计算所述酒店房型图像经过拉普拉斯滤波后图像的第一像素值方差，并计算所述目标图像经过拉普拉斯滤波后图像的第二像素值方差；
S214、计算所述酒店房型图像的清晰度分数，计算公式为C＝(Var1-Var2)/Var1；其中，C表示清晰度分数，Var1表示所述第一像素值方差，Var2表示所述第二像素值方差。
较佳地，在步骤S22中，所述色彩丰富度与酒店房型图像的像素值方差呈正相关。
较佳地，在步骤S23中，根据步骤S22中量化的色彩丰富度换算对应的惩罚系数，并计算酒店房型图像的质量分数，计算公式为Q＝(a*C)*100，其中Q表示质量分数，a表示惩罚系数。
较佳地，步骤S3包括：
S31、利用步骤S1建立的内容分类模型计算酒店房型图像所属的图像类别ID；
S32、利用步骤S2建立的质量量化模型计算酒店房型图像的质量分数；
S33、结合所述图像类别ID和所述图像质量分数得到图像排序分数；
重复执行步骤S31-S33，计算所有酒店房型图像的图像排序分数，根据图像排序分数对酒店房型图像进行排序。
本发明的积极进步效果在于：
1)本发明建立的酒店房型图像的内容分类模型，实现了自动获取酒店房型图像的类别；所述内容分类模型通过深度卷积神经网络获取图像特征，有效地模拟了人眼视觉处理系统，保证了图像内容类别计算的准确性，为酒店房型图像排序提供了有效的内容信息。
2)本发明建立的酒店房型图像的质量量化模型，实现自动量化酒店房型图像的质量好坏；所述质量量化模型融合了图像清晰度和色彩丰富度两方面的信息，保证了图像质量量化的准确性，为酒店房型图像排序提供了有效的质量信息。
3)本发明融合内容分类模型和质量量化模型实现图像排序，使图像内容和图像质量两方面的影响都被考虑，使内容和质量俱佳的酒店房型图像能够被优先展示给用户，保证了酒店房型图像排序的效果。
附图说明
图1为本发明的较佳实施例的酒店房型图像的排序方法的流程图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
如图1所示，本发明的酒店房型图像的排序方法包括以下步骤：
步骤101、建立酒店房型图像的内容分类模型；
步骤102、建立酒店房型图像的质量量化模型；
步骤103、结合所述内容分类模型及所述质量量化模型对酒店房型图像进行排序。
其中，步骤101具体包括以下步骤：
步骤1011、收集多个图像，并生成第一图像训练集T1；
其中，第一图像训练集T1中的图像是通过互联网批量下载得到的，下载的图像内容包括了风景、建筑、客厅等类别在内的88个类别，每个类别图像数量为10000张。
步骤1012、利用所述第一图像训练集T1训练基于深度神经网络的图像特征提取器；
其中，所训练的深度神经网络为19层的VGG网络，包含了16个卷积层和3个全连接层。其中，卷积层的卷积核大小为3×3像素，步长为1个像素，各层激活函数为修正线性函数，池化方式为max pooling。利用所述图像特征提取器提取酒店房型图像的过程具体为：将一张酒店房型图像输入VGG网络，则该张图像在VGG网络中第2个全连接层的输出值被作为其特征向量，特征向量的维度为4096。
步骤1013、收集酒店房型图像，并生成第二图像训练集T2；
其中，酒店房型图像是通过互联网批量下载并线下整理获取的，人工手动对图像的内容进行更细类别的标注，共分4个细类别：包括含床图像(类别ID：1)、不含床的房间图像(类别ID：2)、房间设施图像(类别ID：3)、卫生间图像(类别ID：4)。每个类别500张，总共2000张。
步骤1014、利用所述第二图像训练集T2训练酒店房型图像的内容分类模型。
具体地，步骤1014包括以下步骤：
步骤10141、将通过步骤1013生成的所述第二图像训练集T2中的所有图像，利用步骤1012训练得到的所述基于深度神经网络的图像特征提取器进行特征提取；
步骤10142、利用通过步骤10141提取到的所述第二图像训练集T2中的图像对应的图像特征和图像的类别ID，训练一个4分类的支持向量机分类模型，从而得到最优分类超平面，以对酒店房型图像的内容进行自动分类。其中支持向量机的核函数采用的是线性核函数，惩罚系数C取1。
步骤102具体包括以下步骤：
步骤1021、量化酒店房型图像的清晰度，获取图像的清晰度分数；
具体地，步骤1021包括：
步骤10211、对酒店房型图像进行高斯滤波得到滤波后的目标图像；其中，高斯滤波使用的卷积核大小为3*3像素；
步骤10212、分别对所述酒店房型图像和所述目标图像进行拉普拉斯滤波；其中，拉普拉斯滤波使用的卷积核大小为3*3像素；
步骤10213、计算所述酒店房型图像经过拉普拉斯滤波后图像的第一像素值方差，并计算所述目标图像经过拉普拉斯滤波后图像的第二像素值方差；
步骤10214、计算所述酒店房型图像的清晰度分数，计算公式为C＝(Var1-Var2)/Var1；其中，C表示清晰度分数，Var1表示所述第一像素值方差，Var2表示所述第二像素值方差；其中，清晰度分数越高说明图像清晰度越高。
步骤1022、量化酒店房型图像的色彩丰富度；其中，色彩丰富度的大小是通过酒店房型图像的像素值方差来量化的，二者具体呈正相关，方差越大代表色彩丰富度越大。
步骤1023、结合所述清晰度分数及所述色彩丰富度得到酒店房型图像的质量分数。首先，根据步骤1022中量化的色彩丰富度换算对应的惩罚系数，具体地，当色彩丰富度小于1000时，对应的惩罚系数为0.75；当色彩丰富度大于1000而小于2000时，对应的惩罚系数为0.85；当色彩丰富度大于2000而小于3000时，对应的惩罚系数为0.95；当色彩丰富度大于3000时，对应的惩罚系数为1。然后，计算酒店房型图像的质量分数，计算公式为Q＝(a*C)*100，其中Q表示质量分数，a表示惩罚系数。质量分数Q在0到100之间，越高表示图像质量越好。
步骤103具体包括以下步骤：
步骤1031、利用步骤101建立的内容分类模型计算酒店房型图像所属的图像类别ID；具体地，对于一张酒店房型图像，首先利用步骤1012中训练得到的基于深度卷积神经网络的图像特征提取器提取该图像的特征向量，然后将该特征向量输入利用步骤1014中训练得到的支持向量机分类模型中，计算得到该图像所属的类别ID。其中，酒店房型图像所属的类别ID属于1、2、3和4中的一个值，分别代表1：含床图像；2：不含床的房间图像；3：房间设施图像；4：卫生间图像。
步骤1032、利用步骤102建立的质量量化模型计算酒店房型图像的质量分数；
步骤1033、结合所述图像类别ID和所述图像质量分数得到图像排序分数；具体地，图像排序分数＝图像类别ID*100+(100-质量分数)，图像排序分数越小，图像排的位置越靠前；
然后，重复执行步骤1031-1033，计算所有酒店房型图像的图像排序分数，根据图像排序分数对酒店房型图像进行排序。具体顺序为：含床图像、不含床的房间图像、房间设施图像、卫生间图像；然后相同内容的图像则按照图像质量高低进行排序。
本实施例的酒店房型图像排序方法从图像的内容和质量两个角度精准地量化房型图像的排序分数，使排序的实用性和排序的效果都得到较好的保障。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (7)

1.一种酒店房型图像的排序方法，其特征在于，包括以下步骤：
S1、建立酒店房型图像的内容分类模型；
S2、建立酒店房型图像的质量量化模型；
S3、结合所述内容分类模型及所述质量量化模型对酒店房型图像进行排序；
步骤S1包括：
S11、收集多个图像，并生成第一图像训练集；
S12、利用所述第一图像训练集训练基于深度神经网络的图像特征提取器；
S13、收集酒店房型图像，并生成第二图像训练集；
其中，所述第二图像训练集中的所述酒店房型图像的内容为基于不同房型类别进行标注的内容；
S14、利用所述第二图像训练集训练酒店房型图像的内容分类模型；
步骤S2包括：
S21、量化酒店房型图像的清晰度，获取图像的清晰度分数；
S22、量化酒店房型图像的色彩丰富度；
S23、结合所述清晰度分数及所述色彩丰富度得到酒店房型图像的质量分数；
步骤S3包括：
S31、利用步骤S1建立的内容分类模型计算酒店房型图像所属的图像类别ID；
S32、利用步骤S2建立的质量量化模型计算酒店房型图像的质量分数；
S33、结合所述图像类别ID和所述图像质量分数得到图像排序分数；图像排序分数＝图像类别ID*100+(100-质量分数)；
重复执行步骤S31-S33，计算所有酒店房型图像的图像排序分数，根据图像排序分数对酒店房型图像进行排序。
2.如权利要求1所述的酒店房型图像的排序方法，其特征在于，步骤S12中所训练的深度神经网络为19层的VGG网络，包括16个卷积层和3个全连接层。
3.如权利要求2所述的酒店房型图像的排序方法，其特征在于，步骤S12中所述图像特征提取器提取每张图像在所述VGG网络中特定层的输出值作为该张图像的特征。
4.如权利要求1所述的酒店房型图像的排序方法，其特征在于，步骤S14包括：
S141、将通过步骤S13生成的所述第二图像训练集中的所有图像，利用步骤S12训练得到的所述图像特征提取器进行特征提取；
S142、利用通过步骤S141提取到的所述第二图像训练集中的图像对应的图像特征和图像的类别，训练得到最优分类超平面，以对酒店房型图像的内容进行自动分类。
5.如权利要求1所述的酒店房型图像的排序方法，其特征在于，步骤S21、包括：
S211、对酒店房型图像进行高斯滤波得到滤波后的目标图像；
S212、分别对所述酒店房型图像和所述目标图像进行拉普拉斯滤波；
S213、计算所述酒店房型图像经过拉普拉斯滤波后图像的第一像素值方差，并计算所述目标图像经过拉普拉斯滤波后图像的第二像素值方差；
S214、计算所述酒店房型图像的清晰度分数，计算公式为C＝(Var1-Var2)/Var1；其中，C表示清晰度分数，Var1表示所述第一像素值方差，Var2表示所述第二像素值方差。
6.如权利要求1所述的酒店房型图像的排序方法，其特征在于，在步骤S22中，所述色彩丰富度与酒店房型图像的像素值方差呈正相关。
7.如权利要求5所述的酒店房型图像的排序方法，其特征在于，在步骤S23中，根据步骤S22中量化的色彩丰富度换算对应的惩罚系数，并计算酒店房型图像的质量分数，计算公式为Q＝(a*C)*100，其中Q表示质量分数，a表示惩罚系数。
CN201611093151.1A 2016-12-01 2016-12-01 酒店房型图像的排序方法 Active CN106650795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611093151.1A CN106650795B (zh) 2016-12-01 2016-12-01 酒店房型图像的排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611093151.1A CN106650795B (zh) 2016-12-01 2016-12-01 酒店房型图像的排序方法

Publications (2)

Publication Number Publication Date
CN106650795A CN106650795A (zh) 2017-05-10
CN106650795B true CN106650795B (zh) 2020-06-12

Family

ID=58814971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611093151.1A Active CN106650795B (zh) 2016-12-01 2016-12-01 酒店房型图像的排序方法

Country Status (1)

Country Link
CN (1) CN106650795B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194898A (zh) * 2017-06-23 2017-09-22 携程计算机技术（上海）有限公司 酒店图像的展示方法、存储介质及酒店信息的推送方法
CN107729384A (zh) * 2017-09-18 2018-02-23 维沃移动通信有限公司 图像排序方法及移动终端
CN108304848B (zh) * 2018-01-10 2020-04-28 贝壳找房(北京)科技有限公司 户型特征的自动提取方法、系统、电子设备和存储介质
CN109190697A (zh) * 2018-08-29 2019-01-11 德比软件(上海)有限公司 一种酒店图片分类判断系统和方法
CN110084293A (zh) * 2019-04-18 2019-08-02 贝壳技术有限公司 一种全明格局房屋的确定方法和装置
WO2021102030A1 (en) * 2019-11-18 2021-05-27 Autodesk, Inc. Synthetic data generation and building information model (bim) element extraction from floor plan drawings using machine learning
CN111191054B (zh) * 2019-12-18 2024-02-13 腾讯科技（深圳）有限公司 媒体数据的推荐方法、装置
CN111353851A (zh) * 2020-02-27 2020-06-30 携程计算机技术（上海）有限公司 酒店排序推荐方法、装置、电子设备、存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593474A (zh) * 2013-11-28 2014-02-19 中国科学院自动化研究所 基于深度学习的图像检索排序方法
CN104134204A (zh) * 2014-07-09 2014-11-05 中国矿业大学 一种基于稀疏表示的图像清晰度评价方法和装置
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN104866524A (zh) * 2015-04-10 2015-08-26 大连交通大学 一种商品图像精细分类方法
CN104899610A (zh) * 2015-06-26 2015-09-09 小米科技有限责任公司 图片分类方法及装置
CN105184309A (zh) * 2015-08-12 2015-12-23 西安电子科技大学 基于cnn和svm的极化sar图像分类
CN105224921A (zh) * 2015-09-17 2016-01-06 桂林远望智能通信科技有限公司 一种人脸图像择优系统和处理方法
CN105224942A (zh) * 2015-07-09 2016-01-06 华南农业大学 一种rgb-d图像分类方法及系统
CN105612514A (zh) * 2013-08-05 2016-05-25 脸谱公司 通过将语境线索与图像关联进行图像分类的系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8724919B2 (en) * 2012-09-21 2014-05-13 Eastman Kodak Company Adjusting the sharpness of a digital image

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105612514A (zh) * 2013-08-05 2016-05-25 脸谱公司 通过将语境线索与图像关联进行图像分类的系统和方法
CN103593474A (zh) * 2013-11-28 2014-02-19 中国科学院自动化研究所 基于深度学习的图像检索排序方法
CN104134204A (zh) * 2014-07-09 2014-11-05 中国矿业大学 一种基于稀疏表示的图像清晰度评价方法和装置
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN104866524A (zh) * 2015-04-10 2015-08-26 大连交通大学 一种商品图像精细分类方法
CN104899610A (zh) * 2015-06-26 2015-09-09 小米科技有限责任公司 图片分类方法及装置
CN105224942A (zh) * 2015-07-09 2016-01-06 华南农业大学 一种rgb-d图像分类方法及系统
CN105184309A (zh) * 2015-08-12 2015-12-23 西安电子科技大学 基于cnn和svm的极化sar图像分类
CN105224921A (zh) * 2015-09-17 2016-01-06 桂林远望智能通信科技有限公司 一种人脸图像择优系统和处理方法

Also Published As

Publication number Publication date
CN106650795A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106650795B (zh) 酒店房型图像的排序方法
CN110941990B (zh) 基于骨骼关键点进行人体动作评估的方法和装置
US20190294871A1 (en) Human action data set generation in a machine learning system
DE102017010210A1 (de) Bild-Matting mittels tiefem Lernen
CN110533097A (zh) 一种图像清晰度识别方法、装置、电子设备及存储介质
CN108898579A (zh) 一种图像清晰度识别方法、装置和存储介质
CN108961245A (zh) 基于双通道深度并行卷积网络的图像质量分类方法
CN107403141A (zh) 人脸检测方法及装置、计算机可读存储介质、设备
CN108416314B (zh) 图片重要人脸检测方法
CN109117897A (zh) 基于卷积神经网络的图像处理方法、装置及可读存储介质
CN109598307B (zh) 数据筛选方法、装置、服务器及存储介质
US20180285696A1 (en) System and method for facilitating logo-recognition training of a recognition model
CN109117857B (zh) 一种生物属性的识别方法、装置及设备
CN109785400B (zh) 一种剪影图像制作方法、装置、电子设备及存储介质
DE112017006406T5 (de) Intelligentes automatisches zuschneiden von bildern
CN111143615B (zh) 一种短视频情感类别的识别装置
CN114387499A (zh) 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质
CN110070517A (zh) 基于退化成像机理和生成对抗机制的模糊图像合成方法
WO2017016886A1 (de) System und verfahren zur bereitstellung eines rezeptes
CN114399480A (zh) 蔬菜叶片病害严重程度检测方法及装置
Gonçalves et al. Carcass image segmentation using CNN-based methods
CN113111716A (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
JP2022549652A (ja) 組織セグメンテーションのための機械学習モデルの双方向トレーニング
CN104751406A (zh) 一种用于对图像进行虚化的方法和装置
CN109829364A (zh) 一种表情识别方法、装置和推荐方法、装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant