CN108229302A - 特征提取方法、装置、计算机程序、存储介质和电子设备 - Google Patents

特征提取方法、装置、计算机程序、存储介质和电子设备 Download PDF

Info

Publication number
CN108229302A
CN108229302A CN201711106178.4A CN201711106178A CN108229302A CN 108229302 A CN108229302 A CN 108229302A CN 201711106178 A CN201711106178 A CN 201711106178A CN 108229302 A CN108229302 A CN 108229302A
Authority
CN
China
Prior art keywords
information
global
feature data
data
local
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
Application number
CN201711106178.4A
Other languages
English (en)
Inventor
朱允全
旷章辉
张伟
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN201711106178.4A priority Critical patent/CN108229302A/zh
Publication of CN108229302A publication Critical patent/CN108229302A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种特征提取方法、装置、计算机程序、存储介质和电子设备。所述特征提取方法包括：对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；获取所述待处理图像的全局特征数据；根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。采用本发明的技术方案，可以使融合特征数据同时携带图像的全局信息以及目标对象整体信息和局部信息，从而突出目标对象所在区域的信息在图像处理中的重要性，提高图像处理精确度。

Description

特征提取方法、装置、计算机程序、存储介质和电子设备
技术领域
本发明实施例涉及计算机视觉技术领域，尤其涉及一种特征提取方法、装置、计算机程序、存储介质和电子设备。
背景技术
对象检测技术通常考虑整张图像的信息，忽略了图像中局部区域的信息的重要性，虽然检测到的目标对象信息的准确度能够满足部分图像处理的需求，但是目前的对象检测技术检测到的目标对象信息的准确度不能够适应很多应用场景。例如，在网络直播或社交软件的色情检测处理中，图像中的人物的性别、裸露部位、裸露程度等因素的差别，都直接影响检测准确度。而目前的对象检测技术进行的色情检测，没有考虑图像个别区域的信息的重要性，检测精确度较低。
发明内容
本发明实施例提供了一种特征提取方案。
根据本发明实施例的第一方面，提供了一种特征提取方法，包括：对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；获取所述待处理图像的全局特征数据；根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。
可选地，所述对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息，包括：通过用于目标检测的第一神经网络模型对待处理图像进行目标检测，获取待处理图像中包括所述目标对象的整体区域的信息，以及至少一个包括所述目标对象的局部区域的信息。
可选地，所述第一神经网络模型包括卷积层和全连接层，所述全局特征数据从所述卷积层获取，所述整体区域信息以及所述至少一个局部区域信息从所述全连接层获取。
可选地，所述整体区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的整体区域的位置信息、尺寸信息、边界框信息；所述局部区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的局部区域的位置信息、尺寸信息、边界框信息。
可选地，所述目标对象为人体，所述局部区域所述人体的上身区域和/或下身区域，所述整体区域为所述人体的全身区域。
可选地，在所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合之前，还包括：对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理；所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，包括：将经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合。
可选地，所述对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理，包括：通过第二神经网络模型对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行池化操作，来对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理。
可选地，所述将经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，包括：获取经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据在相应序列位置中特征点的特征值中的最大值；将各个序列位置中最大值的特征点作为融合特征数据在相应序列位置中的特征点。
可选地，所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，包括：对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据中的至少一个进行卷积处理；将经过所述卷积处理或未经过卷积处理的所述整体特征数据、所述全局特征数据和所述至少一个局部特征数据进行融合。
可选地，在所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据之后，还包括：通过敏感图像识别网络，根据所述融合特征数据判断所述待处理图像是否包含敏感图像，所述敏感图像识别网络的训练样本包括：目标对象的局部区域为敏感图像的图像样本，和/或目标对象的全身区域为敏感图像的图像样本。
可选地，在所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据之后，还包括：根据所述融合特征数据对所述待处理图像进行应用处理，所述应用处理包括目标分类、动作识别、行为分析中的至少一个。
根据本发明实施例的第二方面，提供了一种特征提取装置，包括：第一获取模块，用于对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；第二获取模块，用于获取所述待处理图像的全局特征数据；第三获取模块，用于根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；融合模块，用于将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。
可选地，所述第一获取模块用于通过用于目标检测的第一神经网络模型对待处理图像进行目标检测，获取待处理图像中包括所述目标对象的整体区域的信息，以及至少一个包括所述目标对象的局部区域的信息。
可选地，所述第一神经网络模型包括卷积层和全连接层，所述全局特征数据从所述卷积层获取，所述整体区域信息以及所述至少一个局部区域信息从所述全连接层获取。
可选地，所述整体区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的整体区域的位置信息、尺寸信息、边界框信息；所述局部区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的局部区域的位置信息、尺寸信息、边界框信息。
可选地，所述目标对象为人体，所述局部区域所述人体的上身区域和/或下身区域，所述整体区域为所述人体的全身区域。
可选地，所述装置还包括：维度统一模块，用于对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理；所述融合模块用于将经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合。
可选地，所述维度统一模块用于通过第二神经网络模型对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行池化操作，来对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理。
可选地，所述融合模块包括：获取单元，用于获取经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据在相应序列位置中特征点的特征值中的最大值；融合单元，用于将各个序列位置中最大值的特征点作为融合特征数据在相应序列位置中的特征点。
可选地，所述装置还包括：卷积模块，用于对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据中的至少一个进行卷积处理；所述融合模块用于将经过所述卷积处理或未经过卷积处理的所述整体特征数据、所述全局特征数据和所述至少一个局部特征数据进行融合。
可选地，所述装置还包括：敏感图像识别模块，用于通过敏感图像识别网络，根据所述融合特征数据判断所述待处理图像是否包含敏感图像，所述敏感图像识别网络的训练样本包括：目标对象的局部区域为敏感图像的图像样本，和/或目标对象的全身区域为敏感图像的图像样本。
可选地，所述装置还包括：应用处理模块，用于根据所述融合特征数据对所述待处理图像进行应用处理，所述应用处理包括目标分类、动作识别、行为分析中的至少一个。
根据本发明实施例的第三方面，提供了一种计算机程序，其包括有计算机程序指令，所述程序指令被处理器执行时用于实现本发明实施例提供的任一特征提取方法对应的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述程序指令被处理器执行时用于实现本发明实施例提供的任一特征提取方法对应的步骤。
根据本发明实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信元件和通信总线，所述处理器、所述存储器和所述通信元件通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行本发明实施例提供的任一特征提取方法对应的步骤。
根据本发明实施例的特征提取方案，通过对待处理图像进行目标检测，获取待处理图像中的目标对象的整体区域信息和局部区域信息，并获取待处理图像的全局特征数据，从而获取目标对象的整体特征数据和局部特征数据；以及，通过将待处理图像的全局特征数据与目标对象的整体特征数据和局部特征数据进行融合，来获得目标对象的融合特征数据，使得融合后的特征数据同时携带图像整体信息，以及包括目标对象的整体区域和局部区域的图像局部信息，从而能够在根据融合后的特征数据进行的图像处理中，突出目标对象所在区域在整体图像中的重要性，提高图像处理精确度。
附图说明
图1是根据本发明实施例一的一种特征提取方法的步骤流程图；
图2是根据本发明实施例二的一种特征提取方法的步骤流程图；
图3是根据本发明实施例三的一种特征提取装置的结构框图；
图4是根据本发明实施例三的一种特征提取装置的结构框图；
图5是根据本发明实施例四的一种电子设备的结构示意图。
具体实施方式
下面结合附图(若干附图中相同的标号表示相同的元素)和实施例，对本发明实施例的具体实施方式作进一步详细说明。以下实施例用于说明本发明，但不用来限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
实施例一
参照图1，示出了根据本发明实施例一的一种特征提取方法的步骤流程图。
本实施例的特征提取方法包括以下步骤：
步骤S102：对待处理图像进行目标检测，获取目标对象在待处理图像中整体区域信息以及至少一个局部区域信息。
其中，待处理图像可以为拍摄、绘制或截取的任意场景下的图像。待处理图像中包含目标对象，目标对象可以为人、动物、车辆等任意对象。目标对象在待处理图像中的整体区域信息为待处理图像中包含目标对象的整体区域的位置、尺寸等信息，局部区域信息为待处理图像中包含目标对象的至少一个局部区域位置、尺寸等信息。
根据本发明实施例的特征提取方法，在任意图像应用处理场景中，在获取待处理图像之后，可以通过神经网络模型来对待处理图像进行目标检测，来获取目标对象在待处理图像中的整体区域信息和至少一个局部区域的信息。
步骤S104：获取待处理图像的全局特征数据。
可选地，在前述对待处理图像进行目标检测的过程中，对待处理图像进行特征提取操作，获取待处理图像的整体图像的特征数据。当然，也可以采用其他特征识别和提取的方法对待处理图像进行分析处理，来获取待处理图像的全局特征数据。
在这里说明，在实际的应用场景中，执行本步骤获取全局特征数据，与执行前述步骤S102获取整体区域信息以及局部区域信息之间没有必然的时序信息。例如，在对待处理图像进行目标检测的过程中，可以先目标对象的获取整体区域信息和局部区域信息，后获取待处理图像的全局特征数据；也可以先获取全局特征数据，后获取整体区域信息和局部区域信息。
步骤S106：根据整体区域信息和至少一个局部区域的信息获取目标对象的整体特征数据和至少一个局部特征数据。
其中，整体特征数据为待处理图像中包含目标对象的整体区域的特征数据，局部特征数据为待处理图像中包含目标对象的局部区域的特征数据。
在一种可行的实施方式中，根据待处理图像的全局特征数据以及目标对象在待处理图像中的整体区域信息和局部区域信息，分别获取目标对象的整体特征数据和局部特征数据。
步骤S108：将全局特征数据、整体特征数据和至少一个局部特征数据进行融合，获得融合特征数据。
将获取的全局特征数据、整体特征数据和局部特征数据进行融合，来获取的融合特征数据，作为提取的目标对象的特征数据，以方便根据该融合特征数据对待处理图像进行相应的应用处理。
其中，全局特征数据反应待处理图像的整体图像的信息，包括整体的图像背景的信息及图像中的目标对象的信息；整体特征数据和局部特征数据分别反应待处理图像中的目标对象的整体信息和局部信息。将全局特征数据、整体特征数据和局部特征数据进行融合，使得融合后的特征数据同时携带了待处理图像的整体信息，目标对象的整体信息和局部信息，从而使得根据融合特征数据进行的图像应用处理既考虑了图像整体信息，又考虑了图像局部信息(包括目标对象的整体信息和局部信息)，能够突出目标对象的信息在图像应用处理中的权重。根据融合特征数据对待处理图像的目标对象进行目标分类、动作识别或者行为分析等应用处理，可以有效地突出目标对象所在区域在整体图像中的重要性，从而提高图像处理的精确度。
根据本发明实施例的特征提取方法，通过对待处理图像进行目标检测，获取待处理图像中的目标对象的整体区域信息和局部区域信息，并获取待处理图像的全局特征数据，从而获取目标对象的整体特征数据和局部特征数据；以及，通过将待处理图像的全局特征数据与目标对象的整体特征数据和局部特征数据进行融合，来获得目标对象的融合特征数据，使得融合后的特征数据同时携带图像整体信息，以及包括目标对象的整体区域和局部区域的图像局部信息，从而能够在根据融合后的特征数据进行的图像处理中，突出目标对象所在区域在整体图像中的重要性，提高图像处理精确度。
本实施例的特征提取方法可以由任意适当的具有相应的图像或数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本发明实施例提供的任一种特征提取方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本发明实施例提及的任一种特征提取方法。下文不再赘述。
实施例二
参照图2，示出了根据本发明实施例二的一种特征提取方法的步骤流程图。
本实施例的特征提取方法包括以下步骤：
步骤S202：通过用于目标检测的第一神经网络模型对待处理图像进行目标检测，获取目标对象在待处理图像中的整体区域信息以及至少一个局部区域信息。
本实施例中，在获取待处理图像之后，将待处理图像输入用于目标检测的第一神经网络模型，通过第一神经网络模型对待处理图像进行目标检测，以获取目标对象在待处理图像中的整体区域信息，以及至少一个局部区域信息。
步骤S204：获取待处理图像的全局特征数据。
在前述第一神经网络模型对待处理图像进行目标检测的过程中，执行特征提取操作，获取待处理图像的全局特征数据。
一种可选的实施方式中，第一神经网络模型包括第一卷积层和全连接层，第一卷积层(Convolution，Conv)可用于对待处理图像进行卷积处理，用于实现全局特征数据的特征提取，从而可以获取第一卷积层输出的全局特征数据；全连接层可用于获取整体区域信息和局部区域信息。其中，全局特征数据包括整体的待处理图像中目标对象的特征信息，可以为整体的待处理图像的特征图(Feature Map)。整体区域信息可以包括目标对象的整体区域的位置信息(例如整体区域的中心点的位置数据)、尺寸信息和/或整体区域的边界框信息；局部区域信息可以包括局部区域位置信息(例如局部区域的中心点的位置数据)、以及尺寸信息和/或局部区域的边界框信息。
在这里说明，第一神经网络模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型，包括但不限于卷积神经网络模型、增强学习神经网络模型、对抗神经网络模型中的生成网络等等。
步骤S206：根据全局特征数据、整体区域信息和至少一个局部区域信息获取目标对象的整体特征数据和至少一个局部特征数据。
可选地，根据整体区域信息、局部区域信息分别获取整体区域和局部区域的位置、尺寸等信息，以在全局特征数据中获取相应区域内的特征数据，从而得到整体特征数据和局部特征数据。
本实施例中，获取的局部特征数据包括目标对象的一部分，整体特征数据包括全部的目标对象。例如，待处理图像中的目标对象为人体，目标对象的局部区域可以人体的上身区域和/或下身区域，目标对象的整体区域为人体的全身区域；相应地，局部特征数据包括人体的上身特征数据和/或下身特征数据，整体特征数据为人体的全身特征数据。
步骤S208：对全局特征数据、整体特征数据和至少一个局部特征数据进行维度统一处理和/或卷积处理。
其中，维度统一处理用于将维度不一致全局特征数据、整体特征数据和局部特征数据的维度进行统一处理，经过维度统一处理的全局特征数据、整体特征数据和局部特征数具有相同的维度。例如待处理图像的全局特征图，以及目标对象的整体特征图和局部特征图的大小一致。
可选地，通过第二神经网络模型对全局特征数据、整体特征数据和至少一个局部特征数据进行池化操作(ROIPooling)，来对全局特征数据、整体特征数据和至少一个局部特征数据进行维度统一处理。在实际应用中，也可以将第二神经网络模型与第一神经网络模型合并为一个神经网络系统，在神经网络系统中，第二神经网络模型的上述功能可通过池化层来实现。
卷积处理可用于对全局特征数据、整体特征数据和局部特征数进行的更深层次的特征提取，以进一步提取出更加抽象、高级的特征，从而保证卷积处理后的全局特征数据、整体特征数据和局部特征数的准确度和有效性。
可选地，分别通过卷积神经网络模型对全局特征数据、整体特征数据和至少一个局部特征数据中的至少一个进行第二特征提取操作。此外，在前述实际应用场景中的神经网络系统中，可以设置并行的多个第二卷积层，用于分别对全局特征数据、整体特征数据和至少一个局部特征数据中的一个或多个进行特征提取。其中，每个全局特征数据、整体特征数据或局部特征数据分别对应一个第二卷积层。
应当理解，在执行步骤S202至S206之后，如果获取的全局特征数据、整体特征数据和局部特征数的大小一致，在本步骤中可以相应地不执行维度统一处理；如果获取的全局特征数据、整体特征数据和局部特征数无需进行更深层次的特征提取，在本步骤中可以相应地不执行第二特征处理。当然，如果这两个条件均满足，也可以不执行本步骤。
步骤S210：将经过维度统一处理和/或卷积处理的全局特征数据、整体特征数据和至少一个局部特征数据进行融合，获得融合特征数据。
本实施例中，将维度(大小)一致且准确度较高的全局特征数据、整体特征数据和局部特征数进行融合，以将获取的融合特征数据作为提取的目标对象的特征数据，从而可以利用同时携带了待处理图像的整体信息，以及目标对象的整体信息和局部信息的融合特征数据，在对待处理图像进行的应用处理中，突出目标对象所载的图像局部区域的信息在图像应用处理中的权重。
可选地，获取全局特征数据、整体特征数据和至少一个局部特征数据在相应序列位置中特征点的特征值中的最大值，将各序列位置中最大值的特征点作为融合特征数据在相应序列位置中的特征点。
其中，全局特征数据、整体特征数据和至少一个局部特征数据在进行维度统一处理之后，特征点数相同，且特征点的序列位置一一对应。
例如，经过维度统一处理后的全局特征数据、整体特征数据和至少一个(例如两个)局部特征数据均包括m个特征点，在对特征数据进行融合时，可分别获取全局特征数据、整体特征数据和两个局部特征数据的第一特征点至第m特征点中对应序列位置的最大值对应的特征点，作为融合特征数据的第一特征点至第m特征点。其中，针对第n(1≤n≤m)特征点，可在确定全局特征数据、整体特征数据和两个局部特征数据的第n特征点(共4个第n特征点)中，选取一个第n特征点作为融合特征数据的第n特征点，并将确定的特征点(该特征点可以为全局特征数据的第n特征点，也可以为整体特征数据的第n特征点，还可以为两个局部特征数据中的一个的第n特征点)作为融合特征数据的第n特征点。
步骤S212：通过敏感图像识别网络，根据融合特征数据判断待处理图像是否包含敏感图像。
其中，敏感图像识别网络的训练样本包括：目标对象的局部区域为敏感图像的图像样本，和/或目标对象的全身区域为敏感图像的图像样本。也即，敏感图像识别网络用于对待处理图像进行敏感图像检测，以识别出待处理图像中的目标对象是否包含敏感信息。在根据融合特征数据对待处理图像中的目标对象进行敏感图像检测中，目标对象在整个待处理图像中的权重较大，可以有效地检测出待处理图像中是否包含敏感图像。
例如，在针对目前较为流行的网络直播或社交软件进行的色情检测处理中，可以采用本实施例的特征提取方法来对直播视频或社交视频中的视频帧图像进行特征提取，以获取包括视频帧图像的全局特征信息，以及视频图像中的人体的整体特征信息和局部特征信息的融合特征数据，从而在根据融合特征数据进行色情分类检测中，凸显人体的整体特征信息和局部特征信息的权重，以准确地检测出人体的性别、裸露程度等信息，提高色情分类检测的准确度，有助于网络直播或社交软件的绿色健康发展。
应当理解，本实施例仅以步骤S212为例，说明根据融合特征数据对待处理图像进行应用处理的一种可选的实施方式。在其他实施例中，还可以根据融合特征数据，对待处理图像进行其他的应用处理。例如，在获取融合特征数据之后，根据融合特征数据对待处理图像进行目标分类、动作识别或者行为分析等应用处理，以提高图像应用处理的精确度
根据本发明实施例的特征提取方法，通过对待处理图像进行目标检测，获取待处理图像中的目标对象整体区域和局部区域的位置和尺寸等信息，以及获取待处理图像的全局特征数据，根据全局特征数据和目标对象的整体区域信息和局部区域的信息，来获取目标对象的整体特征数据和局部特征数据；并通过将经过维度统一处理和用于进一步特征提取的卷积处理后的全局特征数据、整体特征数据和局部特征数据进行融合，来获得有效且准确的目标对象的融合特征数据，使得融合后的特征数据同时携带图像整体信息以及包括目标对象的整体信息和局部信息的图像局部信息，从而能够在根据融合后的特征数据进行的图像处理中，突出目标对象所在区域在整体图像中的重要性，提高图像处理精确度。
实施例三
参照图3，示出了根据本发明实施例三的一种特征提取装置的结构框图。
本发明实施例的特征提取装置包括：第一获取模块302，用于对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；第二获取模块304，用于获取所述待处理图像的全局特征数据；第三获取模块306，用于根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；融合模块308，用于将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。
可选地，所述第一获取模块302用于通过用于目标检测的第一神经网络模型对待处理图像进行目标检测，获取待处理图像中包括所述目标对象的整体区域的信息，以及至少一个包括所述目标对象的局部区域的信息。
可选地，所述第一神经网络模型包括卷积层和全连接层，所述全局特征数据从所述卷积层获取，所述整体区域信息以及所述至少一个局部区域信息从所述全连接层获取。
可选地，所述整体区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的整体区域的位置信息、尺寸信息、边界框信息；所述局部区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的局部区域的位置信息、尺寸信息、边界框信息。
可选地，所述目标对象为人体，所述局部区域所述人体的上身区域和/或下身区域，所述整体区域为所述人体的全身区域。
可选地，如图4所示，在图3所示装置的基础上，本实施例的特征提取装置还包括：维度统一模块310，用于对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理；所述融合模块308用于将经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合。
可选地，所述维度统一模块310用于通过第二神经网络模型对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行池化操作，来对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理。
可选地，所述融合模块308包括：获取单元3082，用于获取经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据在相应序列位置中特征点的特征值中的最大值；融合单元3084，用于将各个序列位置中最大值的特征点作为融合特征数据在相应序列位置中的特征点。
可选地，本实施例的特征提取装置还包括：卷积模块312，用于对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据中的至少一个进行卷积处理；所述融合模块308用于将经过所述卷积处理或未经过卷积处理的所述整体特征数据、所述全局特征数据和所述至少一个局部特征数据进行融合。
可选地，本实施例的特征提取装置还包括：敏感图像识别模块314，用于通过敏感图像识别网络，根据所述融合特征数据判断所述待处理图像是否包含敏感图像，所述敏感图像识别网络的训练样本包括：目标对象的局部区域为敏感图像的图像样本，和/或目标对象的全身区域为敏感图像的图像样本。
可选地，本实施例的特征提取装置还包括：应用处理模块(图中未示出)，用于根据所述融合特征数据对所述待处理图像进行应用处理，所述应用处理包括目标分类、动作识别、行为分析中的至少一个。
本实施例的特征提取装置用于实现前述方法实施例中相应的特征提取方法，并具有相应的方法实施例的有益效果，在此不再赘述。
本实施例还提供一种计算机程序，其包括有计算机程序指令，所述程序指令被处理器执行时用于实现本发明实施例提供的任一特征提取方法的步骤。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本发明实施例提供的任一特征提取方法的步骤。
实施例四
本发明实施例四提供了一种电子设备，例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图5，其示出了适于用来实现本发明实施例的终端设备或服务器的电子设备500的结构示意图：如图5所示，电子设备500包括一个或多个处理器、通信元件等，所述一个或多个处理器例如：一个或多个中央处理单元(CPU)501，和/或一个或多个图像处理器(GPU)513等，处理器可以根据存储在只读存储器(ROM)502中的可执行指令或者从存储部分508加载到随机访问存储器(RAM)503中的可执行指令而执行各种适当的动作和处理。通信元件包括通信组件512和/或通信接口509。其中，通信组件512可包括但不限于网卡，所述网卡可包括但不限于IB(Infiniband)网卡，通信接口509包括诸如LAN卡、调制解调器等的网络接口卡的通信接口，通信接口509经由诸如因特网的网络执行通信处理。
处理器可与只读存储器502和/或随机访问存储器503中通信以执行可执行指令，通过通信总线504与通信组件512相连、并经通信组件512与其他目标设备通信，从而完成本发明实施例提供的任一项特征提取方特对应的操作，例如，对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；获取所述待处理图像的全局特征数据；根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。
此外，在RAM 503中，还可存储有装置操作所需的各种程序和数据。CPU501或GPU513、ROM502以及RAM503通过通信总线504彼此相连。在有RAM503的情况下，ROM502为可选模块。RAM503存储可执行指令，或在运行时向ROM502中写入可执行指令，可执行指令使处理器执行上述通信方法对应的操作。输入/输出(I/O)接口505也连接至通信总线504。通信组件512可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在通信总线链接上。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信接口509。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
需要说明的，如图5所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图5的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如GPU和CPU可分离设置或者可将GPU集成在CPU上，通信元件可分离设置，也可集成设置在CPU或GPU上，等等。这些可替换的实施方式均落入本发明的保护范围。
特别地，根据本发明实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码，程序代码可包括对应执行本发明实施例提供的特征提取方法步骤对应的指令，例如，对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；获取所述待处理图像的全局特征数据；根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。在这样的实施例中，该计算机程序可以通过通信元件从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器执行时，执行本发明实施例的方法中限定的上述功能。
需要指出，根据实施的需要，可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例，而并非对本发明实施例的限制，有关技术领域的普通技术人员，在不脱离本发明实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明实施例的范畴，本发明实施例的专利保护范围应由权利要求限定。

Claims (10)

1.一种特征提取方法，包括：
对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；
获取所述待处理图像的全局特征数据；
根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；
将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。
2.根据权利要求1所述的方法，其中，所述对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息，包括：
通过用于目标检测的第一神经网络模型对待处理图像进行目标检测，获取待处理图像中包括所述目标对象的整体区域的信息，以及至少一个包括所述目标对象的局部区域的信息。
3.根据权利要求2所述的方法，其中，所述第一神经网络模型包括卷积层和全连接层，所述全局特征数据从所述卷积层获取，所述整体区域信息以及所述至少一个局部区域信息从所述全连接层获取。
4.根据权利要求1所述的方法，其中，所述整体区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的整体区域的位置信息、尺寸信息、边界框信息；
所述局部区域信息包括以下信息的至少一种：所述目标对象在所述待处理图像中的局部区域的位置信息、尺寸信息、边界框信息。
5.根据权利要求1至4中任一项所述的方法，其中，所述目标对象为人体，所述局部区域所述人体的上身区域和/或下身区域，所述整体区域为所述人体的全身区域。
6.根据权利要求1至5中任一项所述的方法，其中，在所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合之前，还包括：
对所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行维度统一处理；
所述将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，包括：
将经过所述维度统一处理的所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合。
7.一种特征提取装置，包括：
第一获取模块，用于对待处理图像进行目标检测，获取目标对象在所述待处理图像中的整体区域信息以及至少一个局部区域信息；
第二获取模块，用于获取所述待处理图像的全局特征数据；
第三获取模块，用于根据所述整体区域信息和所述至少一个局部区域信息获取所述目标对象的整体特征数据和至少一个局部特征数据；
融合模块，用于将所述全局特征数据、所述整体特征数据和所述至少一个局部特征数据进行融合，获得融合特征数据。
8.一种计算机程序，其包括有计算机程序指令，其中，所述程序指令被处理器执行时用于实现权利要求1至6中任一项所述的特征提取方法对应的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述程序指令被处理器执行时用于实现权利要求1至6中任一项所述的特征提取方法对应的步骤。
10.一种电子设备，包括：处理器、存储器、通信元件和通信总线，所述处理器、所述存储器和所述通信元件通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1至6中任一项所述特征提取方法对应的步骤。
CN201711106178.4A 2017-11-10 2017-11-10 特征提取方法、装置、计算机程序、存储介质和电子设备 Pending CN108229302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711106178.4A CN108229302A (zh) 2017-11-10 2017-11-10 特征提取方法、装置、计算机程序、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711106178.4A CN108229302A (zh) 2017-11-10 2017-11-10 特征提取方法、装置、计算机程序、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN108229302A true CN108229302A (zh) 2018-06-29

Family

ID=62655716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711106178.4A Pending CN108229302A (zh) 2017-11-10 2017-11-10 特征提取方法、装置、计算机程序、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN108229302A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921159A (zh) * 2018-07-26 2018-11-30 北京百度网讯科技有限公司 用于检测安全帽的佩戴情况的方法和装置
CN109086690A (zh) * 2018-07-13 2018-12-25 北京旷视科技有限公司 图像特征提取方法、目标识别方法及对应装置
CN109117888A (zh) * 2018-08-20 2019-01-01 北京旷视科技有限公司 目标对象识别方法及其神经网络生成方法以及装置
CN109547320A (zh) * 2018-09-29 2019-03-29 阿里巴巴集团控股有限公司 社交方法、装置及设备
CN109635141A (zh) * 2019-01-29 2019-04-16 京东方科技集团股份有限公司 用于检索图像的方法、电子设备和计算机可读存储介质
CN109886951A (zh) * 2019-02-22 2019-06-14 北京旷视科技有限公司 视频处理方法、装置及电子设备
CN110751218A (zh) * 2019-10-22 2020-02-04 Oppo广东移动通信有限公司 图像分类方法、图像分类装置及终端设备
CN110956190A (zh) * 2018-09-27 2020-04-03 深圳云天励飞技术有限公司 图像识别方法及装置、计算机装置和计算机可读存储介质
CN111191662A (zh) * 2019-12-31 2020-05-22 网易（杭州）网络有限公司 图像特征提取方法、装置、设备、介质及对象匹配方法
CN111325198A (zh) * 2018-12-13 2020-06-23 北京地平线机器人技术研发有限公司 视频对象特征提取方法和装置、视频对象匹配方法和装置
CN111340515A (zh) * 2020-03-02 2020-06-26 北京京东振世信息技术有限公司 一种特征信息生成和物品溯源方法和装置
CN112738555A (zh) * 2020-12-22 2021-04-30 上海哔哩哔哩科技有限公司 视频处理方法及装置
CN112738557A (zh) * 2020-12-22 2021-04-30 上海哔哩哔哩科技有限公司 视频处理方法及装置
CN113762121A (zh) * 2021-08-30 2021-12-07 北京金山云网络技术有限公司 一种动作识别方法及装置、电子设备及存储介质
CN116664873A (zh) * 2023-07-27 2023-08-29 腾讯科技（深圳）有限公司 图像信息处理方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140218538A1 (en) * 2013-02-04 2014-08-07 Samsung Techwin Co., Ltd. Image fusion method and apparatus using multi-spectral filter array sensor
CN104036291A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 基于人种分类的多特征性别判断方法
CN105590102A (zh) * 2015-12-30 2016-05-18 中通服公众信息产业股份有限公司 一种基于深度学习的前车车脸识别方法
CN106126579A (zh) * 2016-06-17 2016-11-16 北京市商汤科技开发有限公司 物体识别方法和装置、数据处理装置和终端设备
US20170032221A1 (en) * 2015-07-29 2017-02-02 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN106548145A (zh) * 2016-10-31 2017-03-29 北京小米移动软件有限公司 图像识别方法及装置
CN106934397A (zh) * 2017-03-13 2017-07-07 北京市商汤科技开发有限公司 图像处理方法、装置及电子设备
CN107203769A (zh) * 2017-04-27 2017-09-26 天津大学 基于dct和lbp特征融合的图像特征提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140218538A1 (en) * 2013-02-04 2014-08-07 Samsung Techwin Co., Ltd. Image fusion method and apparatus using multi-spectral filter array sensor
CN104036291A (zh) * 2014-06-11 2014-09-10 杭州巨峰科技有限公司 基于人种分类的多特征性别判断方法
US20170032221A1 (en) * 2015-07-29 2017-02-02 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN105590102A (zh) * 2015-12-30 2016-05-18 中通服公众信息产业股份有限公司 一种基于深度学习的前车车脸识别方法
CN106126579A (zh) * 2016-06-17 2016-11-16 北京市商汤科技开发有限公司 物体识别方法和装置、数据处理装置和终端设备
CN106548145A (zh) * 2016-10-31 2017-03-29 北京小米移动软件有限公司 图像识别方法及装置
CN106934397A (zh) * 2017-03-13 2017-07-07 北京市商汤科技开发有限公司 图像处理方法、装置及电子设备
CN107203769A (zh) * 2017-04-27 2017-09-26 天津大学 基于dct和lbp特征融合的图像特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周凯龙: "基于深度学习的图像识别应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086690A (zh) * 2018-07-13 2018-12-25 北京旷视科技有限公司 图像特征提取方法、目标识别方法及对应装置
CN109086690B (zh) * 2018-07-13 2021-06-22 北京旷视科技有限公司 图像特征提取方法、目标识别方法及对应装置
CN108921159A (zh) * 2018-07-26 2018-11-30 北京百度网讯科技有限公司 用于检测安全帽的佩戴情况的方法和装置
CN109117888A (zh) * 2018-08-20 2019-01-01 北京旷视科技有限公司 目标对象识别方法及其神经网络生成方法以及装置
CN110956190A (zh) * 2018-09-27 2020-04-03 深圳云天励飞技术有限公司 图像识别方法及装置、计算机装置和计算机可读存储介质
CN109547320A (zh) * 2018-09-29 2019-03-29 阿里巴巴集团控股有限公司 社交方法、装置及设备
CN109547320B (zh) * 2018-09-29 2022-08-30 创新先进技术有限公司 社交方法、装置及设备
CN111325198A (zh) * 2018-12-13 2020-06-23 北京地平线机器人技术研发有限公司 视频对象特征提取方法和装置、视频对象匹配方法和装置
US11113586B2 (en) 2019-01-29 2021-09-07 Boe Technology Group Co., Ltd. Method and electronic device for retrieving an image and computer readable storage medium
CN109635141A (zh) * 2019-01-29 2019-04-16 京东方科技集团股份有限公司 用于检索图像的方法、电子设备和计算机可读存储介质
CN109886951A (zh) * 2019-02-22 2019-06-14 北京旷视科技有限公司 视频处理方法、装置及电子设备
CN110751218A (zh) * 2019-10-22 2020-02-04 Oppo广东移动通信有限公司 图像分类方法、图像分类装置及终端设备
CN111191662A (zh) * 2019-12-31 2020-05-22 网易（杭州）网络有限公司 图像特征提取方法、装置、设备、介质及对象匹配方法
CN111191662B (zh) * 2019-12-31 2023-06-30 网易（杭州）网络有限公司 图像特征提取方法、装置、设备、介质及对象匹配方法
CN111340515A (zh) * 2020-03-02 2020-06-26 北京京东振世信息技术有限公司 一种特征信息生成和物品溯源方法和装置
CN111340515B (zh) * 2020-03-02 2023-09-26 北京京东振世信息技术有限公司 一种特征信息生成和物品溯源方法和装置
CN112738557A (zh) * 2020-12-22 2021-04-30 上海哔哩哔哩科技有限公司 视频处理方法及装置
CN112738555A (zh) * 2020-12-22 2021-04-30 上海哔哩哔哩科技有限公司 视频处理方法及装置
CN112738555B (zh) * 2020-12-22 2024-03-29 上海幻电信息科技有限公司 视频处理方法及装置
CN113762121A (zh) * 2021-08-30 2021-12-07 北京金山云网络技术有限公司 一种动作识别方法及装置、电子设备及存储介质
CN113762121B (zh) * 2021-08-30 2024-07-19 北京金山云网络技术有限公司 一种动作识别方法及装置、电子设备及存储介质
CN116664873A (zh) * 2023-07-27 2023-08-29 腾讯科技（深圳）有限公司 图像信息处理方法、装置及存储介质
CN116664873B (zh) * 2023-07-27 2024-04-26 腾讯科技（深圳）有限公司 图像信息处理方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN108229302A (zh) 特征提取方法、装置、计算机程序、存储介质和电子设备
CN107358242B (zh) 目标区域颜色识别方法、装置及监控终端
CN109508681A (zh) 生成人体关键点检测模型的方法和装置
CN108229591B (zh) 神经网络自适应训练方法和装置、设备、程序和存储介质
CN107908789A (zh) 用于生成信息的方法和装置
CN108230357A (zh) 关键点检测方法、装置、存储介质、计算机程序和电子设备
CN109308681A (zh) 图像处理方法和装置
CN110263821A (zh) 交易特征生成模型的训练、交易特征的生成方法和装置
WO2019062081A1 (zh) 业务员画像形成方法、电子装置及计算机可读存储介质
CN109285181B (zh) 用于识别图像的方法和装置
CN109492122A (zh) 商家信息的获取方法、装置、终端及计算机可读存储介质
CN108804908A (zh) 一种设备指纹生成方法、装置及计算设备
CN108171208A (zh) 信息获取方法和装置
CN110415212A (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN110135889A (zh) 智能推荐书单的方法、服务器及存储介质
CN108470179B (zh) 用于检测对象的方法和装置
CN107729928A (zh) 信息获取方法和装置
CN108491764A (zh) 一种视频人脸情绪识别方法、介质及设备
CN110348463A (zh) 用于识别车辆的方法和装置
CN109671055B (zh) 肺结节检测方法及装置
CN111311480A (zh) 图像融合方法和装置
CN109102324B (zh) 模型训练方法、基于模型的红包物料铺设预测方法及装置
CN106557770A (zh) 通过比较贝塞尔曲线来标识图像中的形状
CN110427998A (zh) 模型训练、目标检测方法及装置、电子设备、存储介质
CN115082752A (zh) 基于弱监督的目标检测模型训练方法、装置、设备及介质

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: 20180629