CN107231520A - 相机拍摄方法、装置及相机 - Google Patents
相机拍摄方法、装置及相机 Download PDFInfo
- Publication number
- CN107231520A CN107231520A CN201710288982.2A CN201710288982A CN107231520A CN 107231520 A CN107231520 A CN 107231520A CN 201710288982 A CN201710288982 A CN 201710288982A CN 107231520 A CN107231520 A CN 107231520A
- Authority
- CN
- China
- Prior art keywords
- user
- camera
- characteristic
- contextual data
- data
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种相机拍摄方法、装置及相机,该方法包括:采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据;将所述至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;根据运算结果确定是否对所述当前场景进行拍摄操作。采用本发明实施例提供的相机拍摄方法,实现了对符合用户需求的场景的拍摄。
Description
技术领域
本发明涉及相机技术领域,更具体地,涉及一种相机拍摄方法、装置及相机。
背景技术
随着相机产业的发展,现在的相机拍摄的图像的分辨率可达4K,还可以拍摄帧率达240的视频,另外,还能实现慢动作摄影、延时摄影等功能,大大提高了用户的体验。
但是,由于用户拍摄的图像和视频的分辨率较高,使得相机都面临着存储空间不足的问题。以运动相机为例,用户在运动过程中,希望拍摄到用户感兴趣的场景。该运动相机开启后,就处于拍摄的状态。而相机拍摄的内容,可能有很多拍摄内容并不是用户感兴趣的内容,浪费了相机大部分的存储空间。
发明内容
本发明的一个目的是提供一种相机拍摄方法、装置及相机的新技术方案。
根据本发明的第一方面,提供了一种相机拍摄方法,包括:
采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据;
将所述至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;
根据运算结果确定是否对所述当前场景进行拍摄操作。
可选地,所述特征数据为所述场景数据对应的像素数据。
可选地,在采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据之前,所述方法还包括:
将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,其中,每个场景数据标注有符合用户需求的场景数据和/或标注有不符合用户需求的场景数据。
可选地,将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,包括:
根据反向传播算法对所述样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。
可选地,根据运算结果确定是否对所述当前场景进行拍摄操作,包括:
若所述运算结果为所述至少一个特征数据中的一个特征数据符合用户的需求,则开启拍摄功能,对所述当前场景进行拍摄操作;
若所述运算结果为所述至少一个特征数据中任一特征数据均不符合用户的需求,则拒绝开启拍摄功能。
根据本发明的第二方面,提供了一种相机拍摄装置,包括:
获取模块,用于采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据;
运算模块,用于将所述至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;
确定模块,用于根据运算结果确定是否对所述当前场景进行拍摄操作。
可选地,所述特征数据为所述场景数据对应的像素数据。
可选地,所述装置还包括:
训练模块,用于将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,其中,每个场景数据标注有符合用户需求的场景数据和/或标注有不符合用户需求的场景数据。
可选地,所述训练模块还用于:
根据反向传播算法对所述样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。
可选地,所述确定模块还用于:
若所述运算结果为所述至少一个特征数据中的一个特征数据符合用户的需求,则开启拍摄功能,对所述当前场景进行拍摄操作;
若所述运算结果为所述至少一个特征数据中任一特征数据均不符合用户的需求,则拒绝开启拍摄功能。
根据本发明的第三方面,提供了一种相机,包括存储器和处理器,其中,所述存储器存储可执行指令,当所述相机运行时,所述可执行指令控制所述处理器进行操作以执行上述任何一项所述的相机拍摄方法。
本发明实施例提供的相机拍摄方法、装置及相机,通过将获取的至少一个特征数据分别输入至符合用户需求的神经网络模型进行运算,根据运算结果确定是否对当前场景进行拍摄,实现了对符合用户需求的场景的拍摄。相对于现有技术,本发明实施例中,仅对符合用户需求的场景进行拍摄,避免了拍摄的内容是不符合用户需求的场景,浪费相机的存储空间的问题,提升了用户的体验。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1示出了根据本发明一个实施例的相机拍摄方法的处理流程图。
图2示出了根据本发明一个实施例的相机拍摄装置的结构示意图。
图3示出了根据本发明一个实施例的相机拍摄装置的另一种结构示意图。
图4示出了根据本发明一个实施例的相机的结构示意图。
图5示出了根据本发明一个实施例的相机的另一种结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例提供了一种相机拍摄方法。图1示出了根据本发明一个实施例的相机拍摄方法的处理流程图。参见图1,该方法至少包括步骤S102至步骤S106。
步骤S102,采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据;
步骤S104,将至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;
步骤S106,根据运算结果确定是否对当前场景进行拍摄操作。
本发明实施例提供的相机拍摄方法,通过将获取的至少一个特征数据分别输入至符合用户需求的神经网络模型进行运算,根据运算结果确定是否对当前场景进行拍摄,实现了对符合用户需求的场景的拍摄。相对于现有技术,本发明实施例中,仅对符合用户需求的场景进行拍摄,避免了拍摄的内容是不符合用户需求的场景,浪费相机的存储空间的问题,提升了用户的体验。
本发明实施例中,上述涉及的从场景数据中获取至少一个特征数据,该特征数据为场景数据对应的像素数据。例如,当前场景包括山、河水、树木三个场景,特征数据是场景山对应的像素数据,场景河水对应的像素数据,以及场景树木对应的像素数据。
本发明实施例中,从场景数据中获取至少一个特征数据之后,利用相机中预存特征数据库中的神经网络模型分别对获取的至少一个特征数据进行运算。神经网络模型是由大量场景数据作为样本数据训练得到。神经网络模型的训练过程可在相机端进行,或者,还可在PC端进行。神经网络模型的训练步骤至少包括:将大量场景数据作为样本数据发送至神经网络训练系统,其中,每个场景数据标注有符合用户需求的场景数据和/或标注有不符合用户需求的场景数据;利用神经网络训练系统对多个样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。
以用户想要拍摄大自然中出现的老虎为例,对老虎对应的神经网络模型的训练步骤进行具体说明。首先将多个场景数据发送至神经网络训练系统,其中,该多个场景数据包括有不同种类老虎的场景数据,还包括其他任意场景数据,例如,山、河水、树木、大象、狮子、豹等等,不同种类老虎对应的场景数据为符合用户需求的场景数据,其他未包括有老虎对应的场景数据为不符合用户需求的场景数据。然后,利用神经网络训练系统对多个场景数据进行训练,得到老虎对应的神经网络模型。
本发明实施例中,神经网络训练系统利用反向传播算法对多个样本进行训练,得到神经网络模型。反向传播算法(Backpropagation algorithm,BP算法)是一种神经网络学习的数学模型。BP算法主要由激励传播和权重更新两个环节反复循环迭代,直到网络的对输入的响应达到预定的目标范围为止。每次迭代的激励传播环节包含两步:将训练输入送入网络以获得激励响应;将激励响应输入对应的目标输出求差,从而获得隐层和输出层的响应误差。权重更新环节是对于每个突触上的权重,按照以下步骤进行更新:将激励响应和响应误差相乘,从而获得权重的梯度;将该权重的梯乘上一个预定的比例,并将该比例取反后加到该权重上。具体地,将包括有不同种类老虎的场景数据以及包括有其他任意场景数据的多个样本数据发送至神经网络训练系统,神经网络训练系统利用BP算法训练得到老虎对应的神经网络模型。
本发明实施例中,将至少一个特征数据输入至相机中预存特征数据库中的神经网络模型进行运算,若运算结果是至少一个特征数据中的一个特征数据符合用户的需求,则开启拍摄功能,对当前场景进行拍摄操作;若运算结果为至少一个特征数据中任一特征数据均不符合用户的需求,则拒绝开启拍摄功能。例如,采集到的当前场景的场景数据包括有山对应的场景数据,树木对应的场景数据,以及一只老虎对应的场景数据,然后,获取山对应的像素数据,树木对应的像素数据,以及一只老虎对应的像素数据,接着,将上述获取到的三个像素数据输入至老虎对应的神经网络模型进行运算,运算结果是获取的三个像素数据中存在一个像素数据符合用户的需求,则相机开启拍摄功能,对当前场景进行拍摄。
需要说明地是,本发明实施例提供的相机拍摄方法是一个实时进行的过程,一旦当前场景中出现符合用户需求的场景时,对当前场景进行拍摄。另外,上述涉及的相机中预存特征数据库中的神经网络模型并不限于上述列举的老虎对应的神经网络模型,还可为其他任意场景对应的神经网络模型,例如,大象对应的神经网络模型、狮子对应的神经网络模型、鸟类对应的神经网络模型。
本发明实施例中,相机完成拍摄之后,用户可对相机拍摄的内容进行筛选,筛选出符合用户需求的场景和不符合用户需求的场景,进而将不符合用户需求的场景作为样本数据发送至神经网络训练系统,进行神经网络模型的优化训练。
基于同一发明构思,本发明还提供了一种相机拍摄装置。图2示出了根据本发明一个实施例的相机拍摄装置的结构示意图。参见图2,该装置至少包括:获取模块210,用于采集当前场景的场景数据,并从场景数据中获取至少一个特征数据;运算模块220,用于将至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;确定模块230,用于根据运算结果确定是否对当前场景进行拍摄操作。
本发明实施例中,获取模块210涉及的获取的特征数据为场景数据对应的像素数据,匹配模块220涉及的神经网络模型是符合用户需求的场景数据对应的神经网络模型。
本发明实施例中,参见图3,该装置还包括:训练模块240,用于将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,其中,每个场景数据标注有符合用户需求的场景数据和/或标注有不符合用户需求的场景数据。
本发明实施例中,训练模块240还用于:根据反向传播算法对样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。
本发明实施例中,确定模块230还用于:若运算结果为至少一个特征数据中的一个特征数据符合用户的需求,则开启拍摄功能,对当前场景进行拍摄操作;若运算结果为至少一个特征数据中任一特征数据均不符合用户的需求,则拒绝开启拍摄功能。
基于同一发明构思,本发明还提供了一种相机。图4示出了根据本发明一个实施例的相机的另一种结构示意图。参见图4,相机400至少包括处理器410、存储器420、接口装置430、通信装置440等等。
处理器410例如可以是中央处理器CPU、微处理器MCU等。存储器420例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。
接口装置430例如包括USB接口等。
通信装置440例如能够进行有有线或无线通信。
图4所示的相机仅是解释性的,并且决不是为了要限制本发明、其应用或用途。
在这个实施例中,所述存储器420用于存储指令,所述指令用于控制所述处理器410进行操作以执行图1所示的相机拍摄方法。
本领域技术人员应当理解,尽管在图4中示出了多个装置,但是,本发明可以仅涉及其中的部分装置,例如,处理器410和存储器420等。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作,这是本领域公知,故在此不再详细描述。
图5示出了根据本发明一个实施例的相机的另一种结构示意图。参见图5,相机至少包括神经网络处理单元510、决策单元520、拍照控制单元530和视频/照片存储单元540。神经网络处理单元510用于利用神经网络训练系统对多个样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。决策单元520用于将采集到的当前场景的场景数据对应的至少一个特征数据输入至神经网络模型进行运算,根据运算结果确定是否发送开启拍摄指令至拍照控制单元530。拍照控制单元530用于若接收到开启拍摄指令,则控制相机进行拍摄操作。视频/照片存储单元540用于存储相机拍摄的视频/照片。
需要说明地是,本发明实施例提供的相机涉及的神经网络模型还可在PC端进行训练。若神经网络模型在PC端进行训练,则相机通过通信部件从PC端获取该神经网络模型。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (11)
1.一种相机拍摄方法,其特征在于,包括:
采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据;
将所述至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;
根据运算结果确定是否对所述当前场景进行拍摄操作。
2.根据权利要求1所述的方法,其特征在于,所述特征数据为所述场景数据对应的像素数据。
3.根据权利要求1或2所述的方法,其特征在于,在采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据之前,所述方法还包括:
将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,其中,每个场景数据标注有符合用户需求的场景数据和/或标注有不符合用户需求的场景数据。
4.根据权利要求3所述的方法,其特征在于,将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,包括:
根据反向传播算法对所述样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。
5.根据权利要求1所述的方法,其特征在于,根据运算结果确定是否对所述当前场景进行拍摄操作,包括:
若所述运算结果为所述至少一个特征数据中的一个特征数据符合用户的需求,则开启拍摄功能,对所述当前场景进行拍摄操作;
若所述运算结果为所述至少一个特征数据中任一特征数据均不符合用户的需求,则拒绝开启拍摄功能。
6.一种相机拍摄装置,其特征在于,包括:
获取模块,用于采集当前场景的场景数据,并从所述场景数据中获取至少一个特征数据;
运算模块,用于将所述至少一个特征数据分别输入至相机中预存特征数据库中的神经网络模型以进行运算;
确定模块,用于根据运算结果确定是否对所述当前场景进行拍摄操作。
7.根据权利要求6所述的装置,其特征在于,所述特征数据为所述场景数据对应的像素数据。
8.根据权利要求6或7所述的装置,其特征在于,所述装置还包括:
训练模块,用于将多个场景数据作为样本数据输入至神经网络训练系统进行训练,得到符合用户需求的场景对应的神经网络模型,其中,每个场景数据标注有符合用户需求的场景数据和/或标注有不符合用户需求的场景数据。
9.根据权利要求8所述的装置,其特征在于,所述训练模块还用于:
根据反向传播算法对所述样本数据进行训练,得到符合用户需求的场景对应的神经网络模型。
10.根据权利要求6所述的装置,其特征在于,所述确定模块还用于:
若所述运算结果为所述至少一个特征数据中的一个特征数据符合用户的需求,则开启拍摄功能,对所述当前场景进行拍摄操作;
若所述运算结果为所述至少一个特征数据中任一特征数据均不符合用户的需求,则拒绝开启拍摄功能。
11.一种相机,包括存储器和处理器,其中,所述存储器存储可执行指令,当所述相机运行时,所述可执行指令控制所述处理器进行操作以执行根据权利要求1-5中的任何一项所述的相机拍摄方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710288982.2A CN107231520A (zh) | 2017-04-27 | 2017-04-27 | 相机拍摄方法、装置及相机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710288982.2A CN107231520A (zh) | 2017-04-27 | 2017-04-27 | 相机拍摄方法、装置及相机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107231520A true CN107231520A (zh) | 2017-10-03 |
Family
ID=59934447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710288982.2A Pending CN107231520A (zh) | 2017-04-27 | 2017-04-27 | 相机拍摄方法、装置及相机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107231520A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932124A (zh) * | 2018-06-26 | 2018-12-04 | Oppo广东移动通信有限公司 | 神经网络模型压缩方法、装置、终端设备及存储介质 |
CN111247787A (zh) * | 2018-12-29 | 2020-06-05 | 深圳市大疆创新科技有限公司 | 拍照方法及拍照终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799854A (zh) * | 2011-05-23 | 2012-11-28 | 株式会社摩如富 | 图像识别装置以及图像识别方法 |
CN103986873A (zh) * | 2014-05-28 | 2014-08-13 | 广州视源电子科技股份有限公司 | 一种显示设备拍摄方法及显示设备 |
CN104427238A (zh) * | 2013-09-06 | 2015-03-18 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN106169081A (zh) * | 2016-06-29 | 2016-11-30 | 北京工业大学 | 一种基于不同照度的图像分类及处理方法 |
-
2017
- 2017-04-27 CN CN201710288982.2A patent/CN107231520A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799854A (zh) * | 2011-05-23 | 2012-11-28 | 株式会社摩如富 | 图像识别装置以及图像识别方法 |
CN104427238A (zh) * | 2013-09-06 | 2015-03-18 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN103986873A (zh) * | 2014-05-28 | 2014-08-13 | 广州视源电子科技股份有限公司 | 一种显示设备拍摄方法及显示设备 |
CN106169081A (zh) * | 2016-06-29 | 2016-11-30 | 北京工业大学 | 一种基于不同照度的图像分类及处理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932124A (zh) * | 2018-06-26 | 2018-12-04 | Oppo广东移动通信有限公司 | 神经网络模型压缩方法、装置、终端设备及存储介质 |
CN111247787A (zh) * | 2018-12-29 | 2020-06-05 | 深圳市大疆创新科技有限公司 | 拍照方法及拍照终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN108154236A (zh) | 用于评估群组层面的认知状态的技术 | |
CN110073369B (zh) | 时间差分模型的无监督学习技术 | |
CN108710885A (zh) | 目标对象的检测方法和装置 | |
CN108027827A (zh) | 基于图像分析的协调通信和/或存储 | |
CN110334245A (zh) | 一种基于时序属性的图神经网络的短视频推荐方法及装置 | |
CN109543112A (zh) | 一种基于循环卷积神经网络的序列推荐方法及装置 | |
CN110309923A (zh) | 横向联邦学习方法、装置、设备及计算机存储介质 | |
CN112749608A (zh) | 视频审核方法、装置、计算机设备和存储介质 | |
CN113095346A (zh) | 数据标注的方法以及数据标注的装置 | |
JP2022520000A (ja) | データ処理方法、データ処理装置、コンピュータプログラム及び電子装置 | |
US11436470B2 (en) | Generating simulated image training data | |
CN115713715B (zh) | 一种基于深度学习的人体行为识别方法及识别系统 | |
CN112862828A (zh) | 一种语义分割方法、模型训练方法及装置 | |
CN107526831A (zh) | 一种自然语言处理方法和装置 | |
CN112395504B (zh) | 一种基于序列胶囊网络的短视频点击率预测方法 | |
CN111222557A (zh) | 图像分类方法、装置、存储介质及电子设备 | |
CN107231520A (zh) | 相机拍摄方法、装置及相机 | |
CN113767420A (zh) | 学习方法及装置、程序、学习完毕模型以及文本生成装置 | |
CN111488887B (zh) | 基于人工智能的图像处理方法、装置 | |
CN117237756A (zh) | 一种训练目标分割模型的方法、目标分割方法及相关装置 | |
CN116309997A (zh) | 一种数字人动作生成方法、装置及设备 | |
CN112766481B (zh) | 神经网络模型的训练方法、装置及图像检测的方法 | |
Portelli et al. | Image signal processor parameter tuning with surrogate-assisted particle swarm optimization | |
Li et al. | D‐Cloth: Skinning‐based Cloth Dynamic Prediction with a Three‐stage Network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171003 |