CN108830294A - 一种图像数据的增广方法 - Google Patents
一种图像数据的增广方法 Download PDFInfo
- Publication number
- CN108830294A CN108830294A CN201810438780.6A CN201810438780A CN108830294A CN 108830294 A CN108830294 A CN 108830294A CN 201810438780 A CN201810438780 A CN 201810438780A CN 108830294 A CN108830294 A CN 108830294A
- Authority
- CN
- China
- Prior art keywords
- image
- image data
- sample
- current
- date
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像数据的增广方法，其方法包括：S1000获取待筛选图像集的类别信息对应的图像数据；S2000根据预设筛选策略和所述类别信息对应的样本图像，识别所述图像数据；S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；S4000对所述图像数据集进行对抗训练得到样本数据集。本发明实现减少人工筛选样本数据集，提升筛选效率和筛选可靠性，提高神经网络的准确性。
Description
技术领域
本发明涉及数据处理领域，尤指一种图像数据的增广方法。
背景技术
近年来，随着计算机视觉技术的不断发展，特别是神经网络模型的迅速发展，人们对计算机视觉训练所需图像数据的需求特别是对标签信息准确的图像数据的需求日益增大。
神经网络模型(ConvolutionalNeuralNetworks，CNN)是深度学习算法的一种，是图像识别等领域重要的处理分析工具，近年来已经成为众多科学领域的研究热点之一。神经网络模型算法的优点在于训练模型时不需要使用任何人工标注的特征，可以自动探索输入变量所隐含的特征，同时网络的权值共享特性，大大降低了模型的复杂度，减少了权值的数量。这些优点在网络的输入是图像时表现的尤为明显，原始图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
为获取训练神经网络模型所需的大量图像样本数据集，最便捷的方式是通过网络获取，采用网络爬虫的方法，网络爬虫能够按照设定的条件将符合该条件的信息从互联网的海量信息中抓取出来。
目前的做法是，采用网络爬虫海量的爬取，随后进行人工增广和清洗。带来的问题是工作量异常巨大，增广结果主观性大，增广结果容易出错，如何提高增广的准确率是亟需解决的问题。
发明内容
本发明的目的是提供一种图像数据的增广方法，实现减少人工筛选样本数据集，提升筛选效率和筛选可靠性，提高神经网络的准确性。
本发明提供的技术方案如下：
本发明提供一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2000根据预设筛选策略和所述类别信息对应的样本图像，识别所述图像数据；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
进一步的，所述步骤S2000包括步骤：
S2100计算当前图像数据与所述样本图像之间的汉明距离；
S2200根据所述汉明距离，判断所述当前图像数据与样本图像之间的相似度是否达到预设相似度阈值；若是，执行步骤S2300；
S2300根据所述样本图像对应的类别信息标记所述当前图像数据；
S2400切换下一当前图像数据执行步骤S2100-S2400，直至所有图像数据识别标记完成。
进一步的，所述步骤S2100包括步骤：
S2110缩小所述当前图像数据的尺寸；
S2111将缩小尺寸后的当前图像数据进行灰度处理；
S2112将缩小尺寸并灰度处理后的当前图像数据等量分割为若干个图像块；
S2113计算所有图像块的灰度平均值；
S2114将每个图像块的灰度值与所述灰度平均值进行比较，得到所述当前图像数据的比较结果；
S2115根据所述当前图像数据的比较结果与所述样本图像的比较结果，计算得到所述当前图像数据与所述样本图像之间的汉明距离。
进一步的，所述步骤S2100还包括步骤：
S2120将所述当前图像数据进行灰度处理，获取各个像素点的灰度值；
S2121判断当前像素点的灰度值与目标像素点之间的灰度差值是否达到预设灰度差值；所述目标像素点为与以所述当前像素点为圆心，以预设长度为半径生成的圆周上的像素点；若是，执行步骤S2122；
S2122统计所述灰度差值大于所述预设灰度差值的像素点的数量，判断所述数量是否达到预设数目；若是，执行步骤S2123；
S2123确定所述当前像素点为特征点；
S2124根据所述当前图像数据的特征点与所述样本图像的特征点，计算得到所述当前图像数据与所述样本图像之间的汉明距离。
进一步的，所述步骤S2000还包括步骤：
S2600获取各个图像数据的关键字；所述关键字包括图像名称，图片内容图片时间中的任意一种或者多种；
S2700将每个图像数据的关键字与所述样本图像的关键字进行匹配得到识别结果。
进一步的，所述步骤S2000还包括步骤：
S2800获取各个图像数据的哈希值；
S2900将每个图像数据的哈希值与所述样本图像的哈希值进行匹配得到识别结果。
进一步的，所述S3000包括还包括步骤：
S3100根据所有识别结果筛选出噪声图像，获取所述噪声图像的哈希值；
S3200根据所述噪声图像的哈希值和各个图像数据的哈希值，对所有图像数据进行的聚类，根据聚类结果得到噪声图像集；
S3300选取所述噪声图像集中的若干个图像数据，验证是否是噪声图像，统计验证结果得到对应的验证准确率；
S3400判断所述验证准确率是否低于预设验证准确率；若是，执行步骤S3500；否则，执行步骤S3600；
S3500删除所述噪声图像集，并根据所述识别结果将各个图像数据分配至对应的图像数据集中；
S3600调整所述预设筛选策略中的预设条件，根据调整后的预设筛选策略重新进行识别。
进一步的，所述步骤S1000包括步骤：
S1100检测各个类别的图像集对应的测试准确率；
S1200判断当前图像集的测试准确率是否低于预设性能阈值；若是，执行步骤S1300；否则，执行步骤S1400；
S1300将所述当前图像集标记为所述待筛选图像集；
S1400切换下一图像集的测试准确率进行判断，直至所有图像集完成判断；
S1500获取待筛选图像集的类别信息对应的图像数据。
进一步的，所述步骤S4000之后包括步骤：
S5000根据所述样本数据集扩大神经网络模型的数据集；
S6000检测扩大后的神经网络模型的性能，判断所述性能是否达到预设性能阈值；若是，结束；否则，返回步骤S1100。
进一步的，所述步骤S4000包括步骤：
S4100对所述图像数据集中的图像数据进行像素变换，获取像素变换后的图像数据作为所述样本数据集；
S4200对所述图像数据集中的图像数据进行几何变换，获取几何变换后的图像数据作为所述样本数据集。
通过本发明提供的一种图像数据的增广方法，能够带来以下至少一种有益效果：
1)本发明通过预设筛选策略智能自动的识别分类图像数据，大幅度的降低了人工工作量，减少人工筛选识别的主观性导致的数据识别出错，对目标图像数据进行对抗训练，以引入随机变量，提高神经网络模型的鲁棒性。
2)本发明通过计算汉明距离进行判断当前图像数据与样本图像的相似度，简单快速的判断当前图像数据是否属于样本图像对应的类别，从而减少获取的图像数据的图像分类识别时间，进而提升图像数据的分类增广效率。
3)本发明通过关键字进行匹配判断，加快图像数据筛选识别的效率，简单快速的判断当前图像数据是否属于样本图像对应的类别，从而减少获取的图像数据的图像分类识别时间，进而提升图像数据的分类增广效率。
4)本发明通过哈希值进行匹配判断，加快图像数据筛选识别的效率，简单快速的判断当前图像数据是否属于样本图像对应的类别，从而减少获取的图像数据的图像分类识别时间，进而提升图像数据的分类增广效率。
5)本发明通过获取噪声图像后对聚类获取的噪声图像集中的图像数据进行删除，降低噪声图像的干扰，有效地提高了噪声图像的筛选准确率，提升神经网络的可靠性和鲁棒性。
6)本发明通过检测根据样本数据集扩大后的神经网络模型的性能，根据判断结果进行判断是否继续进行数据增广训练，从而提升神经网络模型的鲁棒性。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对一种图像数据的增广方法的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种图像数据的增广方法的一个实施例的流程图；
图2是本发明一种图像数据的增广方法的另一个实施例的流程图；
图3是本发明一种图像数据的增广方法的另一个实施例的流程图；
图4是本发明一种图像数据的增广方法的另一个实施例的流程图；
图5是本发明一种图像数据的增广方法的另一个实施例的流程图；
图6是本发明一种图像数据的增广方法的另一个实施例的流程图；
图7是本发明一种图像数据的增广方法的另一个实施例的流程图；
图8是本发明一种图像数据的增广方法的另一个实施例的流程图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
本发明的第一实施例，如图1所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2000根据预设筛选策略和所述类别信息对应的样本图像，识别所述图像数据；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例中，当处理图像识别或者图像分类或者其他机器学习任务的时候，如何能够提升神经网络模型的性能(识别率、分类准确率)，由于神经网络模型中的数据量越大，数据的相似性越高时，神经网络模型的性能就越好，现有技术为了提高神经网络模型的性能，获取到图像数据后，一般采用人工筛选的方式进行识别筛选图像数据，人工识别筛选不仅仅工作量大，而且获取的数据由于人工主观性高导致数据的相似度由用户自行判断并分类，导致神经网络模型的数据可能是错误的而影响神经网络模型的性能。本发明从神经网络模型中获取待筛选图像集，然后获取待筛选图像集的类别信息，根据类别信息获取待筛选图像集对应的样本图像，本发明获取到待筛选图像集的类别信息对应的图像数据后，根据预设筛选策略和样本图像对获取的图像数据进行识别分类，得到各个类型的图像数据集，预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种，即可以只根据上述三种预设筛选策略中的任意一种进行筛选，也可以根据上述三种预设筛选策略中的任意两种的任意组合方式，不论先后顺序进行筛选，也可以根据上述三种预设筛选策略，按照任意筛选顺序进行筛选，获取到各个图像数据集后对图像数据集进行对抗训练，以引入随机变量，提高神经网络模型的鲁棒性。本发明通过预设筛选策略智能自动的识别分类图像数据，大幅度的降低了人工工作量，减少人工筛选识别的主观性导致的数据识别出错，对目标图像数据进行对抗训练，以引入随机变量，提高神经网络模型的鲁棒性。
本发明的第二实施例，如图2所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2100计算当前图像数据与所述样本图像之间的汉明距离；
S2200根据所述汉明距离，判断所述当前图像数据与样本图像之间的相似度是否达到预设相似度阈值；若是，执行步骤S2300；
S2300根据所述样本图像对应的类别信息标记所述当前图像数据；
S2400切换下一当前图像数据执行步骤S2100-S2400，直至所有图像数据识别标记完成；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例是上述第一实施例的优选实施例，本实施例中，获取到图像数据后，计算每个图像数据与所述样本图像之间的汉明距离，计算所有图像数据与样本图像之间的汉明距离，根据每个图像数据与样本图像之间的汉明距离计算各个图像数据与样本图像的相似度，若当前图像与样本图像的相似度大于等于预设相似度阈值，则将当前图像数据标记为样本图像对应的类别信息，若当前图像与样本图像的相似度小于预设相似度阈值，则将当前图像数据标记为类别待定图像，然后切换至下一张图像数据继续进行判断识别。简单点说，汉明距离就是一组二进制数据变成另一组数据所需的步骤数，汉明距离可以衡量两张图片的差异，汉明距离越小，则代表相似度越高。本发明通过计算汉明距离进行判断当前图像数据与样本图像的相似度，简单快速的判断当前图像数据是否属于样本图像对应的类别，从而减少获取的图像数据的图像分类识别时间，进而提升图像数据的分类增广效率。
本发明的第三实施例，如图3所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2110缩小所述当前图像数据的尺寸；
S2111将缩小尺寸后的当前图像数据进行灰度处理；
S2112将缩小尺寸并灰度处理后的当前图像数据等量分割为若干个图像块；
S2113计算所有图像块的灰度平均值；
S2114将每个图像块的灰度值与所述灰度平均值进行比较，得到所述当前图像数据的比较结果；
S2115根据所述当前图像数据的比较结果与所述样本图像的比较结果，计算得到所述当前图像数据与所述样本图像之间的汉明距离；
S2200根据所述汉明距离，判断所述当前图像数据与样本图像之间的相似度是否达到预设相似度阈值；若是，执行步骤S2300；
S2300根据所述样本图像对应的类别信息标记所述当前图像数据；
S2400切换下一当前图像数据执行步骤S2100-S2400，直至所有图像数据识别标记完成；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例中，缩小当前图像数据的尺寸，将缩小尺寸后的当前图像数据进行灰度处理，将缩小尺寸并灰度处理后的图像数据等量分割为若干个图像块，然后计算每个图像块的灰度值，将所有图像块的灰度值进行平均运算得到所有图像块的灰度平均值，再将每个图像块的灰度值与灰度平均值进行比较，若当前图像块的灰度值大于或等于灰度平均值，则记为N，若当前图像块的灰度值小于灰度平均值，则记为M，对当前图像块完成比较记录后，切换至下一个图像块进行比较记录，所有的图像块进行比较并记录结果后，将比较记录结果组合在一起组成当前图像数据的第一特征值，其中组合的顺序任意组合，只要所有图像数据以及样本图像之间的组合规则一致即可，同上可以获取样本图像的比较记录记录结果从而得到对应的第二特征值，比较第一特征值和第二特征值之间不同的字节数量，该字节数量就是当前图像数据与样本图像之间的汉明距离，汉明距离越大则相似度越高，因此可以根据获取的汉明距离判断当前图像数据样本图像与样本图像是否相似，且相似度达到预设相似度阈值，若相似度大于或者等于预设相似度阈值时，则当前图像数据就是与样本图像属于同一类别的图像，反之则当前图像数据就是与样本图像不属于同一类别的图像。例如，假设预设相似度阈值为6，则将当前图像数据缩小到8x8的尺寸，去除当前图像数据的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异，将缩小尺寸并灰度化的当前图像数据等量分割为64个图像块，所有图像块总共只有64种颜色，计算所有64个图像块的像素平均值，将每个像素的像素值与像素平均值进行比较，若当前图像块的像素值大于或等于像素平均值，记为1；若当前图像块的像素值小于平均值，记为0，将比较结果，按照从左到右，从上到下的顺序依次组合在一起，就构成了一个64位的整数，64位的整数就是当前图像数据的第一特征值，同理得到样本图像的第二特征值，比较第一特征值和第二特征值之间，即两个64位的特征值之间有多少位是不一样的，不一样的字节数量就是汉明距离，如果计算得到的汉明距离小于等于6，则当前图像数据很相似，如果计算得到的汉明距离等于0，则当前图像数据就是样本图像，如果计算得到的汉明距离大于6，则当前图像数据与样本图像不相似。
本发明还可以将当前图像数据缩小到32x32的尺寸，把缩放后的图片转化为256级的灰度图，将尺寸缩小并灰度处理后的当前图像数据进行DCT变换，选取进行缩小尺寸灰度化且进行DCT变换后当前图像数据中的低频部份，也就是变换后缩小尺寸灰度化且进行DCT变换后当前图像数据的左上8x8的的目标图像块，计算8x8对应的目标图像块的像素平均值，将每个目标图像块的像素值与像素平均值进行比较，若当前目标图像块的像素值大于或等于像素平均值，记为1；若当前目标图像块的像素值小于平均值，记为0，将比较结果，按照从右到左，从下到上的顺序依次组合在一起，就构成了一个64位的整数，64位的整数就是当前图像数据的第一特征值，同理得到样本图像的第二特征值，比较第一特征值和第二特征值之间，即两个64位的特征值之间有多少位是不一样的，不一样的字节数量就是汉明距离。
本发明算法简单快速，不受图像数据的大小缩放的影响，通过计算汉明距离进行判断当前图像数据与样本图像的相似度，简单快速的判断当前图像数据是否属于样本图像对应的类别，从而减少获取的图像数据的图像分类识别时间，进而提升图像数据的分类增广效率。
本发明的第四实施例，如图4所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2120将所述当前图像数据进行灰度处理，获取各个像素点的灰度值；
S2121判断当前像素点的灰度值与目标像素点之间的灰度差值是否达到预设灰度差值；所述目标像素点为与以所述当前像素点为圆心，以预设长度为半径生成的圆周上的像素点；若是，执行步骤S2122；
S2122统计所述灰度差值大于所述预设灰度差值的像素点的数量，判断所述数量是否达到预设数目；若是，执行步骤S2123；
S2123确定所述当前像素点为特征点；
S2124根据所述当前图像数据的特征点与所述样本图像的特征点，计算得到所述当前图像数据与所述样本图像之间的汉明距离；
S2200根据所述汉明距离，获取所述当前图像数据与所述样本图像的相似度；
S2300判断所述当前图像数据与样本图像之间的相似度是否达到预设相似度阈值；若是，执行步骤S2400；
S2400根据所述样本图像对应的类别信息标记所述当前图像数据；
S2500切换下一当前图像数据执行步骤S2100-S2400，直至所有图像数据识别标记完成；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例中，特征点一般是图像中比较显著显著的点，如轮廓点，较暗区域中的亮点，较亮区域中的暗点等。判断当前像素点的灰度值与以当前像素点为圆心，以预设长度为半径生成的圆周上的目标像素点之间的灰度差值是否达到预设灰度差值，统计灰度差值大于预设灰度差值的像素点的数量，判断灰度差值大于预设灰度差值的像素点的数量是否达到预设数目，如果大于则当前像素点就是特征点。通常采用FAST(features fromaccelerated segment test)算法来检测特征点，检测候选特征点周围一圈的像素值，如果候选点周围领域内有足够多的像素点与该候选点的灰度值差别够大，则认为该候选点为一个特征点。特征点满足以下公式(1)：
其中I(x)为圆周上任意一点的灰度，I(p)为圆心的灰度，Ed为灰度值差得阈值，如果N大于给定阈值，一般为周围圆圈点的四分之三，则认为p是一个特征点。为了获得更快的结果，还采用了额外的加速办法。如果测试了候选点周围每隔90度角的4个点，应该至少有3个和候选点的灰度值差足够大，否则则不用再计算其他点，直接认为该候选点不是特征点。候选点周围的圆的选取半径是一个很重要的参数，这里为了简单高效，采用半径为3，共有16个周边像素需要比较。为了提高比较的效率，通常只使用N个周边像素来比较，也就是大家经常说的FAST-N，常用的有FAST-9和FAST-12。同上，使用上述步骤获取样本图像的特征点，根据当前图像数据的特征点与样本图像的特征点计算当前图像数据与样本图像之间的汉明距离，由于汉明距离越大则相似度越高，因此可以根据获取的汉明距离判断当前图像数据样本图像与样本图像是否相似，且相似度达到预设相似度阈值，若相似度大于或者等于预设相似度阈值时，则当前图像数据就是与样本图像属于同一类别的图像，反之则当前图像数据就是与样本图像不属于同一类别的图像。本发明通过寻找特征点，根据计算当前图像数据的特征点和样本图像的特征点之间的汉明距离，能够简化计算流程，加快汉明距离的计算效率，从而节省验证识别各个图像数据的类型进行分类得到对应的图像数据集的时间，加快样本数据集的获取效率从而快速高效对神经网络模型进行网络训练。
本发明的第五实施例，如图5所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2600获取各个图像数据的关键字；所述关键字包括图像名称，图片内容图片时间中的任意一种或者多种；
S2700将每个图像数据的关键字与所述样本图像的关键字进行匹配得到识别结果；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例中，通过关键字进行筛选识别各个图像数据与对应的样本图像是否相似，若当前图像数据的关键字与样本图像的关键字的重合率达到预设关键字重合率阈值，则当前图像数据与样本图像相似，反之，当前图像数据与样本图像不相似。本发明通过关键字进行匹配判断，加快图像数据筛选识别的效率，简单快速的判断当前图像数据是否属于样本图像对应的类别，从而减少获取的图像数据的图像分类识别时间，进而提升图像数据的分类增广效率。只根据关键字进行筛选识别，虽然识别结果可能准确性和可靠性可能不高，但是可以根据上述第三实施例或者第四实施例的方案进行结合判断，提升识别的准确性，提升神经网络的鲁棒性。
本发明的第六实施例，如图6所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2800获取各个图像数据的哈希值；
S2900将每个图像数据的哈希值与所述样本图像的哈希值进行匹配得到识别结果；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例中，每张图像数据都有对应的哈希值，不同的图像数据哈希值不同，通过哈希值进行筛选识别各个图像数据与对应的样本图像是否相似，若当前图像数据的哈希值与样本图像的哈希值重合率大于预设哈希值重合率阈值，则当前图像数据与样本图像相似，反之，当前图像数据与样本图像不相似。本发明通过哈希值进行匹配判断，虽然由于图像数据上覆盖有水印或者新增了标记，导致实质上相似的两张图像数据根据哈希值识别出两张图像数据不相似，为了避免这种准确性和可靠性不高的情况，可以根据上述第三实施例或者第四实施例或者第五实施例的方案进行结合判断，提升识别的准确性，提升神经网络的鲁棒性。可以先根据哈希值或者相似度进行粗略识别，然后根据关键字进行细致的判断，从而避免由于哈希值判断的结果不准确而误判，影响神经网络的容错性和准确性。
本发明的第七实施例，如图7所示：
一种图像数据的增广方法，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2000根据预设筛选策略，识别所述图像数据；
S3100根据所有识别结果筛选出噪声图像，获取所述噪声图像的哈希值；
S3200根据所述噪声图像的哈希值和各个图像数据的哈希值，对所有图像数据进行的聚类，根据聚类结果得到噪声图像集；
S3300选取所述噪声图像集中的若干个图像数据，验证是否是噪声图像，统计验证结果得到对应的验证准确率；
S3400判断所述验证准确率是否低于预设验证准确率；若是，执行步骤S3500；否则，执行步骤S3600；
S3500删除所述噪声图像集，并根据所述识别结果将各个图像数据分配至对应的图像数据集中；
S3600调整所述预设筛选策略中的预设条件，根据调整后的预设筛选策略重新进行识别；
S4000对所述图像数据集进行对抗训练得到样本数据集。
具体的，本实施例中，基于上述预设筛选策略筛选识别得到的结果可能不准确或者存在误判的可能，需要根据所有识别结果筛选出待确认噪声图像，由用户输入的确认信息确认待确认噪声图像是否真的是噪声图像，如果是的话就计算该噪声图像的哈希值，根据噪声图像的哈希值和获取的待筛选图像集的类别信息对应的各个图像数据的哈希值，对所有的图像数据进行聚类，聚类方式有二叉树或者八叉树等聚类方式进行聚类，根据聚类结果得到对应噪声图像集，选取噪声图像集中任意一个或者多个图像数据，由工作人员一一识别验证是否是噪声图像，如果是则噪声图像数量加一，若不是则不加一，统计噪声图像的数量值，根据噪声图像的数量值与获取的图像数据的总数量进行计算得到对应的验证准确率，判断验证准确率是否低于预设验证准确率，如果低于则需要调整预设相似度阈值即汉明距离阈值，关键字重合率阈值和哈希值重合率阈值中的任意一种或者多种，从而调整预设筛选策略，根据调整后的预设筛选策略重新进行筛选识别。如果验证准确率高于等于预设验证准确率，则删除噪声图像数据集中的图像数据。本发明有效地提高了噪声图像的筛选准确率，降低噪声图像的干扰，提升神经网络的可靠性和鲁棒性。
本发明的第八实施例，如图8所示：
一种图像数据的增广方法，包括步骤：
S1100检测各个类别的图像集对应的测试准确率；
S1200判断当前图像集的测试准确率是否低于预设性能阈值；若是，执行步骤S1300；否则，执行步骤S1400；
S1300将所述当前图像集标记为所述待筛选图像集；
S1400切换下一图像集的测试准确率进行判断，直至所有图像集完成判断；
S1500获取待筛选图像集的类别信息对应的图像数据；
S2000根据预设筛选策略，识别所述图像数据；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集；
S5000根据所述样本数据集扩大神经网络模型的数据集；
S6000检测扩大后的神经网络模型的性能，判断所述性能是否达到预设性能阈值；若是，结束；否则，返回步骤S1100。
具体的，本实施例中，采集属于待筛选图像集的类别信息的图像数据，并且获取待筛选图像集的类别信息对应的样本图像，然后根据样本图像，判断各个图像数据是否符合预设爬虫策略，通过预设爬虫策略对图像数据进行筛选得到目标图像，比如根据预设关键字进行对应的搜索比较，根据预设摘要值进行校验比较(通过MD5算法，或者SHA1算法，CRC32算法等等摘要算法计算摘要值，将计算得到的摘要值与预设摘要值进行比较)，根据预设相似度进行匹配对比等等方式，根据比较判断结果标记各个图像数据获取所有标记为目标图像的图像数据得到待筛选图像集对应的目标图像数据集，过滤掉不需要的图像数据，从而提高了筛选处理效率，降低了人工的工作量。由于神经网络模型中的数据的相似性保持一致(此处一致为在一定的相似性范围内)时，若数据量越大神经网络模型的性能相对就越好，通过对待筛选图像集的类别信息进行针对性的数据集增广获得样本数据集，大幅度的降低了人工工作量，将获取的样本数据集加入到神经网络模型中，扩大神经网络模型的数据集，使得神经网络模型的数据得到增广，然后检测扩大后的神经网络模型的性能，如果扩大后的神经网络模型的性能达到预设性能阈值，则经过上述数据增广训练后的神经网络模型就是一个合格的神经网络模型，可以通过该合格的神经网络模型进行后续的图片识别分类。如果扩大后的神经网络模型的性能未达到预设性能阈值则重新获取待筛选图像集的类别信息，根据类别信息筛选目标图像，获得待筛选图像集对应的目标图像数据集后对目标图像数据进行对抗训练获得样本数据集。本发明通过检测根据样本数据集扩大后的神经网络模型的性能，根据判断结果进行判断是否继续进行数据增广训练，从而提升神经网络模型的鲁棒性。
优选的，所述步骤S4000包括步骤：
S4100对所述图像数据集中的图像数据进行像素变换，获取像素变换后的图像数据作为所述样本数据集；
S4200对所述图像数据集中的图像数据进行几何变换，获取几何变换后的图像数据作为所述样本数据集。
具体的，对目标图像数据进行像素变换，获取像素变换后的图像数据作为样本数据集，像素变换包括：1、增加噪声和滤波，噪声的方式包括但是不限于椒盐噪声，高斯噪声，中值滤波；2、变换通道，调整RBG三个通道的顺序；3、调整对比度、亮度和饱和度，色彩抖动。
对目标图像数据进行几何变换，获取几何变换后的图像数据作为样本数据集，几何变换包括：1、翻转，例如：水平翻转，竖直翻转，根据实际情况来翻转，比如，关于人脸，上下翻转了就变成倒的人脸了，翻转没有了实际意义；2、平移，模拟现实生活中的图片不居中的情况，发生位置的变换；3、旋转；4、置黑，模拟被部分遮挡的数据样本；5、裁剪；6、缩放。
本发明可以根据上述像素变换的任意一种或者多种组合进行数据增广引入随机变量，也可以根据上述几何变换的任意一种或者多种组合进行数据增广引入随机变量，还可以结合像素变换和几何变换结合进行数据增广引入随机变量，，能够在不改变图像类别的情况下，增加数据量，能提高神经网络模型的泛化能力，通过对目标图像数据进行像素变换，对样本做了对抗处理即对数据集引入了随机变量，能够提高神经网络的鲁棒性，准确率，容错性。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种图像数据的增广方法，其特征在于，包括步骤：
S1000获取待筛选图像集的类别信息对应的图像数据；
S2000根据预设筛选策略和所述类别信息对应的样本图像，识别所述图像数据；
S3000根据识别结果将所述图像数据进行归类得到图像数据集；所述预设筛选策略包括相似度筛选，哈希值筛选和关键字筛选中的任意一种或者多种；
S4000对所述图像数据集进行对抗训练得到样本数据集。
2.根据权利要求1所述的图像数据的增广方法，其特征在于，所述步骤S2000包括步骤：
S2100计算当前图像数据与所述样本图像之间的汉明距离；
S2200根据所述汉明距离，判断所述当前图像数据与样本图像之间的相似度是否达到预设相似度阈值；若是，执行步骤S2300；
S2300根据所述样本图像对应的类别信息标记所述当前图像数据；
S2400切换下一当前图像数据执行步骤S2100-S2400，直至所有图像数据识别标记完成。
3.根据权利要求2所述的图像数据的增广方法，其特征在于，所述步骤S2100包括步骤：
S2110缩小所述当前图像数据的尺寸；
S2111将缩小尺寸后的当前图像数据进行灰度处理；
S2112将缩小尺寸并灰度处理后的当前图像数据等量分割为若干个图像块；
S2113计算所有图像块的灰度平均值；
S2114将每个图像块的灰度值与所述灰度平均值进行比较，得到所述当前图像数据的比较结果；
S2115根据所述当前图像数据的比较结果与所述样本图像的比较结果，计算得到所述当前图像数据与所述样本图像之间的汉明距离。
4.根据权利要求2所述的图像数据的增广方法，其特征在于，所述步骤S2100还包括步骤：
S2120将所述当前图像数据进行灰度处理，获取各个像素点的灰度值；
S2121判断当前像素点的灰度值与目标像素点之间的灰度差值是否达到预设灰度差值；所述目标像素点为与以所述当前像素点为圆心，以预设长度为半径生成的圆周上的像素点；若是，执行步骤S2122；
S2122统计所述灰度差值大于所述预设灰度差值的像素点的数量，判断所述数量是否达到预设数目；若是，执行步骤S2123；
S2123确定所述当前像素点为特征点；
S2124根据所述当前图像数据的特征点与所述样本图像的特征点，计算得到所述当前图像数据与所述样本图像之间的汉明距离。
5.根据权利要求1所述的图像数据的增广方法，其特征在于，所述步骤S2000还包括步骤：
S2600获取各个图像数据的关键字；所述关键字包括图像名称，图片内容图片时间中的任意一种或者多种；
S2700将每个图像数据的关键字与所述样本图像的关键字进行匹配得到识别结果。
6.根据权利要求1所述的图像数据的增广方法，其特征在于，所述步骤S2000还包括步骤：
S2800获取各个图像数据的哈希值；
S2900将每个图像数据的哈希值与所述样本图像的哈希值进行匹配得到识别结果。
7.根据权利要求1-6任一项所述的图像数据的增广方法，其特征在于，所述S3000包括还包括步骤：
S3100根据所有识别结果筛选出噪声图像，获取所述噪声图像的哈希值；
S3200根据所述噪声图像的哈希值和各个图像数据的哈希值，对所有图像数据进行的聚类，根据聚类结果得到噪声图像集；
S3300选取所述噪声图像集中的若干个图像数据，验证是否是噪声图像，统计验证结果得到对应的验证准确率；
S3400判断所述验证准确率是否低于预设验证准确率；若是，执行步骤S3500；否则，执行步骤S3600；
S3500删除所述噪声图像集，并根据所述识别结果将各个图像数据分配至对应的图像数据集中；
S3600调整所述预设筛选策略中的预设条件，根据调整后的预设筛选策略重新进行识别。
8.根据权利要求1所述的神经网络训练集的获取方法，其特征在于，所述步骤S1000包括步骤：
S1100检测各个类别的图像集对应的测试准确率；
S1200判断当前图像集的测试准确率是否低于预设性能阈值；若是，执行步骤S1300；否则，执行步骤S1400；
S1300将所述当前图像集标记为所述待筛选图像集；
S1400切换下一图像集的测试准确率进行判断，直至所有图像集完成判断；
S1500获取待筛选图像集的类别信息对应的图像数据。
9.根据权利要求8所述的神经网络训练集的获取方法，其特征在于，所述步骤S4000之后包括步骤：
S5000根据所述样本数据集扩大神经网络模型的数据集；
S6000检测扩大后的神经网络模型的性能，判断所述性能是否达到预设性能阈值；若是，结束；否则，返回步骤S1100。
10.根据权利要求9所述的神经网络训练集的获取方法，其特征在于，所述步骤S4000包括步骤：
S4100对所述图像数据集中的图像数据进行像素变换，获取像素变换后的图像数据作为所述样本数据集；
S4200对所述图像数据集中的图像数据进行几何变换，获取几何变换后的图像数据作为所述样本数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810438780.6A CN108830294A (zh) | 2018-05-09 | 2018-05-09 | 一种图像数据的增广方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810438780.6A CN108830294A (zh) | 2018-05-09 | 2018-05-09 | 一种图像数据的增广方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830294A true CN108830294A (zh) | 2018-11-16 |
Family
ID=64147619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810438780.6A Pending CN108830294A (zh) | 2018-05-09 | 2018-05-09 | 一种图像数据的增广方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830294A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934275A (zh) * | 2019-03-05 | 2019-06-25 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109947756A (zh) * | 2019-03-18 | 2019-06-28 | 成都好享你网络科技有限公司 | 用于增广数据的数据清洗方法、装置和设备 |
| CN110334582A (zh) * | 2019-05-09 | 2019-10-15 | 河南萱闱堂医疗信息科技有限公司 | 智能识别和记录内镜黏膜下剥离术摘除息肉视频的方法 |
| CN110334730A (zh) * | 2019-05-09 | 2019-10-15 | 河南萱闱堂医疗信息科技有限公司 | 比较和归档人工智能训练数据集中高相似图片的方法 |
| CN110490250A (zh) * | 2019-08-19 | 2019-11-22 | 广州虎牙科技有限公司 | 一种人工智能训练集的获取方法及装置 |
| CN110503146A (zh) * | 2019-08-21 | 2019-11-26 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
| CN111263241A (zh) * | 2020-02-11 | 2020-06-09 | 腾讯音乐娱乐科技（深圳）有限公司 | 媒体数据的生成方法、装置、设备及存储介质 |
| CN111899221A (zh) * | 2020-06-30 | 2020-11-06 | 哈尔滨工业大学 | 一种面向外观缺陷检测的自迁移学习方法 |
| CN112036495A (zh) * | 2020-09-02 | 2020-12-04 | 常熟理工学院 | 一种基于网络爬虫和迁移学习的服装图像分类方法 |
| CN112906817A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种智能图像标注方法 |
| CN112926610A (zh) * | 2019-12-06 | 2021-06-08 | 顺丰科技有限公司 | 车牌图像筛选模型的构建方法与车牌图像筛选方法 |
| WO2022057306A1 (zh) * | 2020-09-15 | 2022-03-24 | 平安国际智慧城市科技股份有限公司 | 医疗影像数据扩增方法、装置、计算机设备和介质 |
| CN115937773A (zh) * | 2022-12-06 | 2023-04-07 | 南京小网科技有限责任公司 | 一种基于ai识别的智能影像识别系统 |
| US11947570B2 (en) | 2019-09-03 | 2024-04-02 | International Business Machines Corporation | Data augmentation |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877064A (zh) * | 2009-04-30 | 2010-11-03 | 索尼株式会社 | 图像分类方法及图像分类装置 |
| CN106919920A (zh) * | 2017-03-06 | 2017-07-04 | 重庆邮电大学 | 基于卷积特征和空间视觉词袋模型的场景识别方法 |
| CN107220614A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像识别方法、装置及计算机可读存储介质 |
| CN107423815A (zh) * | 2017-08-07 | 2017-12-01 | 北京工业大学 | 一种基于计算机的低质量分类图像数据清洗方法 |
| CN107563493A (zh) * | 2017-07-17 | 2018-01-09 | 华南理工大学 | 一种多生成器卷积合成图像的对抗网络算法 |
| CN107609399A (zh) * | 2017-09-09 | 2018-01-19 | 北京工业大学 | 基于nin神经网络的恶意代码变种检测方法 |
-
2018
- 2018-05-09 CN CN201810438780.6A patent/CN108830294A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877064A (zh) * | 2009-04-30 | 2010-11-03 | 索尼株式会社 | 图像分类方法及图像分类装置 |
| CN106919920A (zh) * | 2017-03-06 | 2017-07-04 | 重庆邮电大学 | 基于卷积特征和空间视觉词袋模型的场景识别方法 |
| CN107220614A (zh) * | 2017-05-24 | 2017-09-29 | 北京小米移动软件有限公司 | 图像识别方法、装置及计算机可读存储介质 |
| CN107563493A (zh) * | 2017-07-17 | 2018-01-09 | 华南理工大学 | 一种多生成器卷积合成图像的对抗网络算法 |
| CN107423815A (zh) * | 2017-08-07 | 2017-12-01 | 北京工业大学 | 一种基于计算机的低质量分类图像数据清洗方法 |
| CN107609399A (zh) * | 2017-09-09 | 2018-01-19 | 北京工业大学 | 基于nin神经网络的恶意代码变种检测方法 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934275A (zh) * | 2019-03-05 | 2019-06-25 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109947756A (zh) * | 2019-03-18 | 2019-06-28 | 成都好享你网络科技有限公司 | 用于增广数据的数据清洗方法、装置和设备 |
| CN110334582B (zh) * | 2019-05-09 | 2021-11-12 | 河南萱闱堂医疗信息科技有限公司 | 智能识别和记录内镜黏膜下剥离术摘除息肉视频的方法 |
| CN110334582A (zh) * | 2019-05-09 | 2019-10-15 | 河南萱闱堂医疗信息科技有限公司 | 智能识别和记录内镜黏膜下剥离术摘除息肉视频的方法 |
| CN110334730A (zh) * | 2019-05-09 | 2019-10-15 | 河南萱闱堂医疗信息科技有限公司 | 比较和归档人工智能训练数据集中高相似图片的方法 |
| CN110334730B (zh) * | 2019-05-09 | 2022-07-29 | 河南萱闱堂医疗信息科技有限公司 | 比较和归档人工智能训练数据集中高相似图片的方法 |
| CN110490250A (zh) * | 2019-08-19 | 2019-11-22 | 广州虎牙科技有限公司 | 一种人工智能训练集的获取方法及装置 |
| CN110503146A (zh) * | 2019-08-21 | 2019-11-26 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
| CN110503146B (zh) * | 2019-08-21 | 2021-12-14 | 杭州比智科技有限公司 | 数据增强方法、装置、计算设备及计算机存储介质 |
| US11947570B2 (en) | 2019-09-03 | 2024-04-02 | International Business Machines Corporation | Data augmentation |
| CN112926610A (zh) * | 2019-12-06 | 2021-06-08 | 顺丰科技有限公司 | 车牌图像筛选模型的构建方法与车牌图像筛选方法 |
| CN111263241B (zh) * | 2020-02-11 | 2022-03-08 | 腾讯音乐娱乐科技（深圳）有限公司 | 媒体数据的生成方法、装置、设备及存储介质 |
| CN111263241A (zh) * | 2020-02-11 | 2020-06-09 | 腾讯音乐娱乐科技（深圳）有限公司 | 媒体数据的生成方法、装置、设备及存储介质 |
| CN111899221A (zh) * | 2020-06-30 | 2020-11-06 | 哈尔滨工业大学 | 一种面向外观缺陷检测的自迁移学习方法 |
| CN111899221B (zh) * | 2020-06-30 | 2022-08-09 | 哈尔滨工业大学 | 一种面向外观缺陷检测的自迁移学习方法 |
| CN112036495A (zh) * | 2020-09-02 | 2020-12-04 | 常熟理工学院 | 一种基于网络爬虫和迁移学习的服装图像分类方法 |
| WO2022057306A1 (zh) * | 2020-09-15 | 2022-03-24 | 平安国际智慧城市科技股份有限公司 | 医疗影像数据扩增方法、装置、计算机设备和介质 |
| CN112906817A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种智能图像标注方法 |
| CN115937773A (zh) * | 2022-12-06 | 2023-04-07 | 南京小网科技有限责任公司 | 一种基于ai识别的智能影像识别系统 |
| CN115937773B (zh) * | 2022-12-06 | 2023-10-24 | 南京小网科技有限责任公司 | 一种基于ai识别的智能影像识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830294A (zh) | 一种图像数据的增广方法 | |
| CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及系统 | |
| CN103577475B (zh) | 一种图片自动化分类方法、图片处理方法及其装置 | |
| CN110852160A (zh) | 以图像为基准的生物识别系统及计算机实施方法 | |
| CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
| CN106599789A (zh) | 视频类别识别方法和装置、数据处理装置和电子设备 | |
| CN110088776A (zh) | 用于训练深度神经网络的计算机设备 | |
| CN106951869B (zh) | 一种活体验证方法及设备 | |
| US20120027252A1 (en) | Hand gesture detection | |
| CN109918969A (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
| CN108121985A (zh) | 一种基于机器视觉的双指针仪表读数方法 | |
| CN110276284A (zh) | 基于视频质量评估的火焰识别方法、装置、设备及存储介质 | |
| CN109472193A (zh) | 人脸检测方法及装置 | |
| CN103353881B (zh) | 一种应用程序搜索方法及装置 | |
| CN106709453A (zh) | 一种基于深度学习的体育视频关键姿态提取方法 | |
| CN109858439A (zh) | 一种基于人脸的活体检测方法及装置 | |
| CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
| CN108596338A (zh) | 一种神经网络训练集的获取方法及其系统 | |
| CN109657612A (zh) | 一种基于人脸图像特征的质量排序系统及其使用方法 | |
| CN108876756A (zh) | 图像相似性的度量方法和装置 | |
| CN107330360A (zh) | 一种行人衣着颜色识别、行人检索方法和装置 | |
| CN109948566A (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
| CN107316029A (zh) | 一种活体验证方法及设备 | |
| CN1704966A (zh) | 一种色情图像检测方法 | |
| CN109871821A (zh) | 自适应网络的行人重识别方法、装置、设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |