CN109002843A - 图像处理方法和装置、电子设备、计算机可读存储介质 - Google Patents
图像处理方法和装置、电子设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN109002843A CN109002843A CN201810686074.3A CN201810686074A CN109002843A CN 109002843 A CN109002843 A CN 109002843A CN 201810686074 A CN201810686074 A CN 201810686074A CN 109002843 A CN109002843 A CN 109002843A
- Authority
- CN
- China
- Prior art keywords
- vector
- classification
- sample
- class
- cluster centre
- 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
- G06F18/21—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
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像处理方法和装置、电子设备、计算机可读存储介质。所述方法包括:将训练图像输入到神经网络,获取神经网络激活层输出的样本向量,根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量,检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像。上述方法中,可以根据神经网络激活层输出的样本向量筛选各个分类的训练图像,可以提高训练图像筛选效率。
Description
技术领域
本申请涉计算机技术领域,特别是涉及一种图像方法和装置、电子设备、计算机可读存储介质。
背景技术
随着计算机和深度学习技术的不断发展,采用深度学习算法对图像进行识别和分类成为图像处理的重要一部分。深度学习算法需要大量的训练图像,传统技术中,工程师通过制定筛选标准,根据筛选标准对大量的图像进行筛选得到训练图像,存在筛选训练图像效率低的问题。
发明内容
本申请实施例提供一种图像处理方法、装置、电子设备、计算机可读存储介质,可以提高筛选训练图像的效率。
一种图像处理方法,包括:
将训练图像输入到神经网络,获取神经网络激活层输出的样本向量;
根据分类数量对所述样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量;
检测所述各个分类中聚类中心与分类向量的相似度,将所述相似度大于第一阈值的分类向量对应的训练图像作为所述分类的第一类训练图像。
一种图像处理装置,包括:
向量获取模块,用于将训练图像输入到神经网络,获取神经网络激活层输出的样本向量;
聚类处理模块,用于根据分类数量对所述样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量;
图像确定模块,用于检测所述各个分类中聚类中心与分类向量的相似度,将所述相似度大于第一阈值的分类向量对应的训练图像作为所述分类的第一类训练图像。
一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
将训练图像输入到神经网络,获取神经网络激活层输出的样本向量;
根据分类数量对所述样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量;
检测所述各个分类中聚类中心与分类向量的相似度,将所述相似度大于第一阈值的分类向量对应的训练图像作为所述分类的第一类训练图像。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如下步骤:
将训练图像输入到神经网络,获取神经网络激活层输出的样本向量;
根据分类数量对所述样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量;
检测所述各个分类中聚类中心与分类向量的相似度,将所述相似度大于第一阈值的分类向量对应的训练图像作为所述分类的第一类训练图像。
上述图像处理方法和装置、电子设备、计算机可读存储介质,通过将训练图像输入到神经网络,获取神经网络激活层输出的样本向量,根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量,检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像。由于可以根据神经网络激活层输出的样本向量筛选各个分类的训练图像,可以提高训练图像筛选效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为一个实施例中图像处理方法的流程图;
图2为一个实施例中对样本向量进行聚类处理的流程图;
图3为另一个实施例中对样本向量进行聚类处理的流程图;
图4为一个实施例中样本向量进行聚类处理过程的示意图;
图5为一个实施例中图像处理方法的流程图;
图6为另一个实施例中图像处理方法的流程图;
图7为一个实施例中图像处理装置的结构框图;
图8为一个实施例中电子设备的内部结构示意图;
图9为一个实施例中图像处理电路的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一客户端称为第二客户端,且类似地,可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端,但其不是同一客户端。
图1为一个实施例中图像处理方法的流程图。如图1所示,一种图像处理方法,包括步骤102至步骤106。其中:
步骤102,将训练图像输入到神经网络,获取神经网络激活层输出的样本向量。
训练图像可以是存储在电子设备本地的图像,还可以是电子设备从网络下载的图像等。在神经网络的训练过程中,需要大量的训练图像进行训练。神经网络是指由大量的节点(神经元)之间相互联接构成的一种运算模型。具体地,神经网络可以是CNN(Convolutional Neural Network,卷积神经网络)、DNN(Deep Neural Network,深度神经网络)、RNN(Recurrent Neural Network,循环神经网络)等,不限于此。神经网络一般包括输入层、隐层和输出层;输入层用于接收图像的输入;隐层用于对接收到的图像进行处理;输出层用于输出对图像处理的处理结果。神经网络的隐层可以包括卷积层、激活层、池化层和全连接层。样本向量是指训练图像输入神经网络后,由神经网络激活层输出的特征图中的特征值按预设规则组成的向量。
电子设备可以将训练图像输入到神经网络中,电子设备可以根据神经网络中激活层输出的特征图获取由特征图中的特征值按规则组成的样本向量。
步骤104,根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量。
分类数量是指训练的神经网络可用于识别的场景分类的数量。分类数量也可以指训练图像中场景分类的数量。在一个实施例中,分类可以是风景、海滩、蓝天、绿草、雪景、夜景、黑暗、背光、日出/日落、烟火、聚光灯、室内、微距、文本文档、人像、婴儿、猫、狗、美食等,不限于此。聚类是指训练图像分成由类似的场景分类组成的多个分类的过程。具体地,电子设备可以采用划分法如K-MEANS(硬聚类)算法或K-MEDOIDS(中心点)算法等、层次法如BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies,基于层次的平衡迭代减少与聚类)算法等、图论聚类法等算法对训练图像进行聚类处理。聚类中心是指各个分类的中心向量,分类中的聚类中心距离该分类中的分类向量距离最小。分类向量是指各个分类对应的样本向量。例如,存在样本向量A、B、C、D,若分类为M和N两个分类,电子设备对样本向量进行聚类处理后样本向量A和B组成分类M,样本向量C和D组成分类N,则分类M对应的分类向量为A和B,分类N对应的分类向量为C和D。
电子设备根据需要的分类数量对样本向量进行聚类处理,可以得到各个分类对应的分类向量和聚类中心。
步骤106,检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像。
电子设备检测聚类中心与分类向量的相似度的方法可以有多种。在一个实施例中,电子设备可以通过计算聚类中心与分类向量之间的距离确定聚类中心与分类向量的相似度;距离越大,则分类向量与该分类的聚类中心的相似度越小,距离越小,则分类向量与该分类的聚类中心的相似度越大。电子设备可以预先为不同的距离值设定对应的相似度,通过检测得到聚类中心与分类向量的距离值,根据该距离值获取对应的相似度作为聚类中心与分类向量的相似度。第一阈值可以根据实际应用的需求进行设定。例如,第一阈值可以是70%、80%、90%等不限于此。第一类训练图像是指具有相同分类的,可用于训练可实现对该分类进行识别的神经网络的训练图像,即第一类训练图像可以作为神经网络训练中的正样本。
电子设备可以获取各个分类的聚类中心及分类中的分类向量,检测分类中的各个分类向量与该分类的聚类中心的相似度,获取相似度大于第一阈值的分类向量对应的训练图像,将该训练图像作为该分类中的第一类训练图像。
本申请提供的实施例中,通过将训练图像输入到神经网络,获取神经网络激活层输出的样本向量,根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量,检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像,可以提高训练图像筛选效率。
在一个实施例中,提供的图像处理方法中获取神经网络激活层输出的样本向量的过程包括:获取神经网络中倒数第二个激活层输出的样本向量。
神经网络的激活层是用于根据激活函数对经过卷积层得到的特征图进行函数变化的层。电子设备可以获取神经网络中激活层输出的样本向量。在一个实施例中,电子设备可以获取神经网络中倒数第二个激活层输出的样本向量。例如,当训练图像E输入神经网络时,神经网络中每个激活层的输出为out(1),out(2),...,out(k),k为神经网络中激活层的数量,则电子设备可以获取神经网络中倒数第二个激活层输出的向量即out(k-1)作为训练图像E对应的样本向量。
电子设备获取神经网络中倒数第二个激活层输出的样本向量,可以提高样本向量的维度,便于区分不同的训练图像,根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量,检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像,可以提高训练图像筛选效率。
如图2所示,在一个实施例中,提供的图像处理方法中根据分类数量对样本向量进行聚类处理的过程包括步骤202至步骤206。其中:
步骤202,根据分类数量配置分类数量个中心向量。
电子设备根据分类数量配置分类数量个中心向量,则每一个分类都对应一个中心向量。具体地,电子设备可以根据分类数量随机选择分类数量个中心向量。在一个实施例中,电子设备也可以获取预先设定的分类数量个中心向量。
步骤204,根据样本向量与各个中心向量的距离调整各个中心向量。
样本向量与各个中心向量的距离可以采用距离公式进行检测。具体地,距离公式可以是曼哈顿距离公式、欧式距离公式、相对熵公式等,不限于此。电子设备可以根据距离公式检测样本向量与各个中心向量之间的距离,将与样本向量距离最小的中心向量对应的分类作为样本向量的分类,并根据分类中各样本向量与中心向量的距离对中心向量进行调整。
步骤206,获取调整后的中心向量作为分类的聚类中心。
电子设备获取调整后的中心向量作为分类的聚类中心,则样本向量中,与分类的聚类中心距离最小的样本向量为该分类中的分类向量。
电子设备根据分类数量配置分类数量个中心向量,根据样本向量与各个中心向量的距离调整各个中心向量,获取调整后的中心向量作为分类的聚类中心,可以获取各个分类对应的聚类中心。
如图3所示,在一个实施例中,根据所述样本向量与各个中心向量的距离调整所述各个中心向量的过程包括步骤302至步骤310。其中:
步骤302,根据分类数量配置分类数量个中心向量。
步骤304,将与样本向量距离最小的中心向量所对应的分类作为样本向量的分类。
电子设备检测样本向量与各个中心向量的距离之后,将与中心向量的距离最小的样本向量归为一个分类,则该分类中所有样本向量与该中心向量的距离最下。
步骤306,根据分类中各个样本向量与中心向量的距离调整中心向量。
电子设备对中心向量进行调整,使得分类中所有样本向量与中心向量的距离最小。具体地,电子设备可以采用平方误差构建目标函数,目标函数为分类中所有样本向量到分类的聚类中心的距离的平方差之和,电子设备对中心向量进行调整使得分类中所有样本向量与中心向量的距离最小,则目标函数需要更小,电子设备可以对目标函数求取偏导数,得到中心向量的更新函数,根据更新函数和分类中各个样本向量与中心向量的距离调整中心向量。
步骤308,根据调整后的中心向量重复执行将与样本向量距离最小的中心向量作为所述样本向量的分类,根据分类中各个向量与中心向量的距离调整中心向量的步骤。
调整后的中心向量发生了改变,因此各个样本向量与调整后的中心向量的距离也发生了改变。电子设备将调整后的中心向量作为各个分类的新的中心向量,重新检测各个样本向量与中心向量的距离,将与样本向量距离最小的中心向量对应的分类作为该样本向量的新的分类,并根据分类中各个样本向量与中心向量的距离调整中心向量。
步骤310,当调整次数超过预设次数时,获取最终的中心向量作为分类的聚类中心。
预设次数可以根据实际应用中的需求进行设定,在此不做限定。电子设备可以在中心向量的调整次数超过预设次数时,获取得到的中心向量作为各个分类的聚类中心,则样本向量中,与分类的聚类中心距离最小的样本向量为该分类中的分类向量。电子设备也可以在调整后的中心向量与上一次调整的中心向量的距离值小于第一距离值时,获取该调整后的中心向量作为分类的聚类中心。在一个实施例中,电子设备还可以在分类中所有样本向量与中心向量的距离小于第二距离值时,获取该中心向量作为分类的聚类中心。
如图4所示为一个实施例中样本向量进行聚类处理过程的示意图。如图4中的(a)所示,向量F、G、H、I、J分别为训练图像F、G、H、I、J对应的样本向量;如图4中的(b)所示,当分类数量为2时,电子设备可以随机配置两个中心向量X和Y;电子设备可以检测各个样本向量F、G、H、I、J与中心向量X和Y的距离,如图4中的(c)所示,样本向量F、G、H与中心向量X的距离均小于与中心向量Y的距离,样本向量I、J与中心向量X的距离均大于与中心向量Y的距离,则将样本向量F、G、H归为中心向量X对应的分类,将样本向量I、J归为中心向量Y对应的分类;如图4中的(d)所示,分类完成后,电子设备根据样本向量F、G、H对中心向量X进行调整,得到调整后的中心向量为X1,根据样本向量I、J对中心向量进行调整,得到调整后的中心向量为Y1,则电子设备需重新检测样本向量F、G、H、I、J与中心向量X1、Y1之间的距离,如图4中的(e)所示,样本向量H与中心向量Y1的距离小于与中心向量X1的距离,则将样本向量H重新归为中心向量Y1对应的分类中;在聚类过程中,电子设备可以不断重复运算图4中的(c)和图4中的(d)的过程对中心向量进行调整直到调整次数超过预设次数。如图4中的(f)所示,中心向量Xn与Yn分别为调整n次后得到的中心向量,当n大于预设次数时,电子设备可以获取Xn与Yn分别作为分类的聚类中心。
电子设备根据将与样本向量距离最小的中心向量所对应的分类作为样本向量的分类,根据分类中各个样本向量与中心向量的距离调整中心向量,并根据调整后的中心向量重新对中心向量进行调整,当调整次数超过预设次数时,获取最终的中心向量作为分类的聚类中心,可以获取各个分类对应的聚类中心。
如图5所示,在一个实施例中,根据所述样本向量与各个中心向量的距离调整所述各个中心向量的过程包括步骤502至步骤504。其中:
步骤502,检测各个分类的聚类中心与样本向量的相似度。
电子设备可以通过计算聚类中心与分类向量之间的距离确定聚类中心与分类向量的相似度;距离越大,则分类向量与该分类的聚类中心的相似度越小,距离越小,则分类向量与该分类的聚类中心的相似度越大;电子设备可以为预先为不同的距离值设定相似度。
步骤504,将与聚类中心的相似度小于第二阈值的样本向量对应的训练图像作为分类的第二类训练图像。
第二阈值可以根据实际应用的需求进行设定,例如可以是10%、20%、30%等不限于此。电子设备检测分类中的各个分类向量与该分类的聚类中心的相似度,获取相似度小于第二阈值的分类向量对应的训练图像,将该训练图像作为该分类中的第二类训练图像。第二类训练图像可以是用于降低训练的可实现对该分类进行识别的神经网络的错误率的训练图像,即第二类训练图像可以作为神经网络训练中的负样本。
电子设备检测各个分类的聚类中心与样本向量的相似度,将与聚类中心的相似度小于第二阈值的样本向量对应的训练图像作为分类的第二类训练图像,可以提高训练图像筛选效率。
如图6所示,在一个实施例中,根据所述样本向量与各个中心向量的距离调整所述各个中心向量的过程包括步骤602至步骤604。其中:
步骤602,检测各个分类中聚类中心与分类向量的距离。
距离计算公式可以是欧式距离计算公式、标准欧式距离计算公式、曼哈顿距离计算公式、余弦距离计算公式等不限于此。电子设备可以根据距离计算公式检测各个分类中聚类中心与分类向量的距离。距离越大,则分类向量与该分类的聚类中心的相似度越小,距离越小,则分类向量与该分类的聚类中心的相似度越大。
在一个实施例中,提供的图像处理方法中检测各个分类中聚类中心与分类向量的距离的过程还包括:采用欧式距离计算公式检测各个分类中聚类中心与分类向量的距离。
电子设备可以获取欧式距离计算公式为其中,dij表示向量i与向量j之间的距离。xik表示向量i中的第k个特征值,xjk表示向量j中的第k个特征值,n表示向量中特征值的个数。电子设备可以获取分类中的聚类中心与该分类的分类向量,通过上述欧式距离计算公式将聚类中心与分类向量中的各个特征值对应的代入距离计算公式中,获取聚类中心与分类向量的距离。
步骤604,将距离小于预设距离的分类向量对应的训练图像作为分类中的第一类训练图像。
预设距离可以根据实际应用需求进行设定,在此不做限定。电子设备通过各个分类中聚类中心与分类向量,将距离小于预设距离的分类向量对应的训练图像作为分类中的第一类训练图像。
通过检测各个分类中聚类中心与分类向量的距离,将距离小于预设距离的分类向量对应的训练图像作为分类中的第一类训练图像,则电子设备可以从大量的训练图像获取各个分类对应的第一类训练图像,可以提高训练图像的筛选效率。
在一个实施例中,提供了一种图像处理方法,实现该方法的具体步骤如下所述:
首先,电子设备将训练图像输入到神经网络,获取神经网络激活层输出的样本向量。神经网络可是卷积神经网络、深度神经网络、循环神经网络等。神经网络一般包括输入层、隐层和输出层;输入层用于接收图像的输入;隐层用于对接收到的图像进行处理;输出层用于输出对图像处理的处理结果。神经网络的隐层可以包括卷积层、激活层、池化层和全连接层。电子设备可以将训练图像输入到神经网络中,电子设备可以根据神经网络中激活层输出的特征图获取由特征图中的特征值按规则组成的样本向量。
可选地,电子设备获取神经网络中倒数第二个激活层输出的样本向量。例如,当训练图像E输入神经网络时,神经网络中每个激活层的输出为out(1),out(2),...,out(k),k为神经网络中激活层的数量,则电子设备可以获取神经网络中倒数第二个激活层输出的向量即out(k-1)作为训练图像E对应的样本向量。电子设备获取神经网络中倒数第二个激活层输出的样本向量,可以提高样本向量的维度,便于区分不同的训练图像
接着,电子设备根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量。分类数量是指训练的神经网络可用于识别的场景分类的数量。场景分类可以是风景、海滩、蓝天、绿草、雪景、夜景、黑暗、背光、日出/日落、烟火、聚光灯、室内、微距、文本文档、人像、婴儿、猫、狗、美食等不限于此。电子设备根据需要的分类数量对样本向量进行聚类处理,可以得到各个分类对应的分类向量和聚类中心。
可选地,电子设备根据分类数量配置分类数量个中心向量,根据样本向量与各个中心向量的距离调整各个中心向量,获取调整后的中心向量作为分类的聚类中心。电子设备根据分类数量配置分类数量个中心向量,则每一个分类都对应一个中心向量。具体地,电子设备可以根据分类数量随机选择分类数量个中心向量。样本向量与各个中心向量的距离可以采用距离公式进行检测。具体地,距离公式可以是曼哈顿距离公式、欧式距离公式、相对熵公式等,不限于此。电子设备获取调整后的中心向量作为分类的聚类中心,则样本向量中,与分类的聚类中心距离最小的样本向量为该分类中的分类向量。
可选地,电子设备根据分类数量配置分类数量个中心向量;将与样本向量距离最小的中心向量所对应的分类作为样本向量的分类;根据分类中各个样本向量与中心向量的距离调整中心向量;根据调整后的中心向量重复执行将与样本向量距离最小的中心向量作为所述样本向量的分类,根据分类中各个向量与中心向量的距离调整中心向量的步骤;当调整次数超过预设次数时,获取最终的中心向量作为分类的聚类中心。电子设备也可以在调整后的中心向量与上一次调整的中心向量的距离值小于第一距离值时,获取该调整后的中心向量作为分类的聚类中心。在一个实施例中,电子设备还可以在分类中所有样本向量与中心向量的距离小于第二距离值时,获取该中心向量作为分类的聚类中心。
接着,电子设备检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像。电子设备可以获取各个分类的聚类中心及分类中的分类向量,检测分类中的各个分类向量与该分类的聚类中心的相似度,获取相似度大于第一阈值的分类向量对应的训练图像,将该训练图像作为该分类中的第一类训练图像。
可选地,电子设备检测各个分类中聚类中心与分类向量的距离,将距离小于预设距离的分类向量对应的训练图像作为分类中的第一类训练图像。距离计算公式可以是欧式距离计算公式、标准欧式距离计算公式、曼哈顿距离计算公式、余弦距离计算公式等不限于此。预设距离可以根据实际应用需求进行设定。电子设备通过各个分类中聚类中心与分类向量,将距离小于预设距离的分类向量对应的训练图像作为分类中的第一类训练图像。
可选地,电子设备检测各个分类的聚类中心与样本向量的相似度,将与聚类中心的相似度小于第二阈值的样本向量对应的训练图像作为分类的第二类训练图像。第二阈值可以根据实际应用的需求进行设定。电子设备检测分类中的各个分类向量与该分类的聚类中心的相似度,获取相似度小于第二阈值的分类向量对应的训练图像,将该训练图像作为该分类中的第二类训练图像。
可选地,电子设备采用欧式距离计算公式检测各个分类中聚类中心与分类向量的距离。电子设备可以获取欧式距离计算公式,并获取分类中的聚类中心与该分类的分类向量,通过欧式距离计算公式将聚类中心与分类向量中的各个特征值对应的代入距离计算公式中,获取聚类中心与分类向量的距离。
应该理解的是,虽然图2、3、5、6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3、5、6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例图像处理装置的结构框图。如图7所示,一种图像处理装置包括向量获取模块720、聚类处理模块740、图像确定模块760。其中:
向量获取模块720,用于将训练图像输入到神经网络,获取神经网络激活层输出的样本向量。
聚类处理模块740,用于根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量。
图像确定模块760,用于检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像。
在一个实施例中,向量获取模块720还可以用于获取神经网络中倒数第二个激活层输出的样本向量。
在一个实施例中,聚类处理模块740还可以用于根据分类数量配置分类数量个中心向量,根据样本向量与各个中心向量的距离调整各个中心向量,获取调整后的中心向量作为分类的聚类中心。
在一个实施例中,距离处理模块740还可以用于将与样本向量距离最小的中心向量所对应的分类作为样本向量的分类,根据分类中各个样本向量与中心向量的距离调整中心向量,根据调整后的中心向量重复执行将与样本向量距离最小的中心向量作为所述样本向量的分类,根据分类中各个样本向量与中心向量的距离调整中心向量的步骤,当调整次数超过预设次数时,获取最终的中心向量作为分类的聚类中心。
在一个实施例中,图像确定模块760还可以用于检测各个分类的聚类中心与样本向量的相似度,将与聚类中心的相似度小于第二阈值的样本向量对应的训练图像作为分类的第二类训练图像。
在一个实施例中,图像确定模块760还可以用于检测各个分类中聚类中心与分类向量的距离,将距离小于预设距离的分类向量对应的训练图像作为分类中的第一类训练图像。
在一个实施例中,图像确定模块760还可以用于采用欧式距离计算公式检测各个分类中聚类中心与分类向量的距离。
本申请实施例提供的图像处理装置,通过将训练图像输入到神经网络,获取神经网络激活层输出的样本向量,根据分类数量对样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量,检测各个分类中聚类中心与分类向量的相似度,将相似度大于第一阈值的分类向量对应的训练图像作为分类的第一类训练图像,可以提高训练图像筛选效率。
上述图像处理装置中各个模块的划分仅用于举例说明,在其他实施例中,可将图像处理装置按照需要划分为不同的模块,以完成上述图像处理装置的全部或部分功能。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定,在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8为一个实施例中电子设备的内部结构示意图。如图8所示,该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器用于存储数据、程序等,存储器上存储至少一个计算机程序,该计算机程序可被处理器执行,以实现本申请实施例中提供的适用于电子设备的图像处理方法。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行,以用于实现以下各个实施例所提供的一种图像处理方法。内存储器为非易失性存储介质中的操作系统计算机程序提供高速缓存的运行环境。网络接口可以是以太网卡或无线网卡等,用于与外部的电子设备进行通信。该电子设备可以是手机、电脑、平板电脑或者个人数字助理或穿戴式设备等。
本申请实施例中提供的图像处理装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本申请实施例中所描述方法的步骤。
本申请实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质,当所述计算机可执行指令被一个或多个处理器执行时,使得所述处理器执行图像处理方法的步骤。
一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行图像处理方法。
本申请实施例还提供一种电子设备。上述电子设备中包括图像处理电路,图像处理电路可以利用硬件和/或软件组件实现,可包括定义ISP(Image Signal Processing,图像信号处理)管线的各种处理单元。图9为一个实施例中图像处理电路的示意图。如图9所示,为便于说明,仅示出与本申请实施例相关的图像处理技术的各个方面。
如图9所示,图像处理电路包括ISP处理器940和控制逻辑器950。成像设备910捕捉的图像数据首先由ISP处理器940处理,ISP处理器940对图像数据进行分析以捕捉可用于确定和/或成像设备910的一个或多个控制参数的图像统计信息。成像设备910可包括具有一个或多个透镜912和图像传感器914的照相机。图像传感器914可包括色彩滤镜阵列(如Bayer滤镜),图像传感器914可获取用图像传感器914的每个成像像素捕捉的光强度和波长信息,并提供可由ISP处理器940处理的一组原始图像数据。传感器920(如陀螺仪)可基于传感器920接口类型把采集的图像处理的参数(如防抖参数)提供给ISP处理器940。传感器920接口可以利用SMIA(Standard Mobile Imaging Architecture,标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外,图像传感器914也可将原始图像数据发送给传感器920,传感器920可基于传感器920接口类型把原始图像数据提供给ISP处理器940,或者传感器920将原始图像数据存储到图像存储器930中。
ISP处理器940按多种格式逐个像素地处理原始图像数据。例如,每个图像像素可具有9、10、12或14比特的位深度,ISP处理器940可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中,图像处理操作可按相同或不同的位深度精度进行。
ISP处理器940还可从图像存储器930接收图像数据。例如,传感器920接口将原始图像数据发送给图像存储器930,图像存储器930中的原始图像数据再提供给ISP处理器940以供处理。图像存储器930可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器,并可包括DMA(Direct Memory Access,直接直接存储器存取)特征。
当接收到来自图像传感器914接口或来自传感器920接口或来自图像存储器930的原始图像数据时,ISP处理器940可进行一个或多个图像处理操作,如时域滤波。处理后的图像数据可发送给图像存储器930,以便在被显示之前进行另外的处理。ISP处理器940从图像存储器930接收处理数据,并对所述处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。ISP处理器940处理后的图像数据可输出给显示器970,以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit,图形处理器)进一步处理。此外,ISP处理器940的输出还可发送给图像存储器930,且显示器970可从图像存储器930读取图像数据。在一个实施例中,图像存储器930可被配置为实现一个或多个帧缓冲器。此外,ISP处理器940的输出可发送给编码器/解码器960,以便编码/解码图像数据。编码的图像数据可被保存,并在显示于显示器970设备上之前解压缩。编码器/解码器960可由CPU或GPU或协处理器实现。
ISP处理器940确定的统计数据可发送给控制逻辑器950单元。例如,统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜912阴影校正等图像传感器914统计信息。控制逻辑器950可包括执行一个或多个例程(如固件)的处理器和/或微控制器,一个或多个例程可根据接收的统计数据,确定成像设备910的控制参数及ISP处理器940的控制参数。例如,成像设备910的控制参数可包括传感器920控制参数(例如增益、曝光控制的积分时间、防抖参数等)、照相机闪光控制参数、透镜912控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如,在RGB处理期间)的增益水平和色彩校正矩阵,以及透镜912阴影校正参数。
本实施例中运用图9中图像处理技术可实现上述图像处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM),它用作外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
将训练图像输入到神经网络,获取神经网络激活层输出的样本向量;
根据分类数量对所述样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量;
检测所述各个分类中聚类中心与分类向量的相似度,将所述相似度大于第一阈值的分类向量对应的训练图像作为所述分类的第一类训练图像。
2.根据权利要求1所述的方法,其特征在于,所述获取神经网络激活层输出的样本向量,包括:
获取神经网络中倒数第二个激活层输出的样本向量。
3.根据权利要求1所述的方法,其特征在于,所述根据分类数量对所述样本向量进行聚类处理,包括:
根据所述分类数量配置分类数量个中心向量;
根据所述样本向量与各个中心向量的距离调整所述各个中心向量;
获取调整后的中心向量作为分类的聚类中心。
4.根据权利要求3所述的方法,其特征在于,所述根据所述样本向量与各个中心向量的距离调整所述各个中心向量,包括:
将与所述样本向量距离最小的中心向量所对应的分类作为所述样本向量的分类;
根据所述分类中各个样本向量与所述中心向量的距离调整中心向量;
根据所述调整后的中心向量重复执行将与所述样本向量距离最小的中心向量作为所述样本向量的分类,根据所述分类中各个样本向量与所述中心向量的距离调整中心向量的步骤;
当调整次数超过预设次数时,获取最终的中心向量作为所述分类的聚类中心。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测所述各个分类的聚类中心与样本向量的相似度;
将与所述聚类中心的相似度小于第二阈值的样本向量对应的训练图像作为所述分类的第二类训练图像。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测所述各个分类中聚类中心与分类向量的距离;
将所述距离小于预设距离的分类向量对应的训练图像作为所述分类中的第一类训练图像。
7.根据权利要求6所述的方法,其特征在于,所述检测所述各个分类中聚类中心与分类向量的距离,包括:
采用欧式距离计算公式检测所述各个分类中聚类中心与分类向量的距离。
8.一种图像处理装置,其特征在于,包括:
向量获取模块,用于将训练图像输入到神经网络,获取神经网络激活层输出的样本向量;
聚类处理模块,用于根据分类数量对所述样本向量进行聚类处理,获得各个分类对应的聚类中心及分类向量;
图像确定模块,用于检测所述各个分类中聚类中心与分类向量的相似度,将所述相似度大于第一阈值的分类向量对应的训练图像作为所述分类的第一类训练图像。
9.一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的图像处理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686074.3A CN109002843A (zh) | 2018-06-28 | 2018-06-28 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
PCT/CN2019/087570 WO2020001196A1 (zh) | 2018-06-28 | 2019-05-20 | 图像处理方法、电子设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810686074.3A CN109002843A (zh) | 2018-06-28 | 2018-06-28 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002843A true CN109002843A (zh) | 2018-12-14 |
Family
ID=64600760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810686074.3A Pending CN109002843A (zh) | 2018-06-28 | 2018-06-28 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109002843A (zh) |
WO (1) | WO2020001196A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
WO2020001196A1 (zh) * | 2018-06-28 | 2020-01-02 | Oppo广东移动通信有限公司 | 图像处理方法、电子设备、计算机可读存储介质 |
CN111444366A (zh) * | 2020-04-10 | 2020-07-24 | Oppo广东移动通信有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN111598012A (zh) * | 2020-05-19 | 2020-08-28 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种图片聚类管理方法、系统、设备及介质 |
WO2021169445A1 (zh) * | 2020-02-26 | 2021-09-02 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN113408670A (zh) * | 2021-08-17 | 2021-09-17 | 深圳电通信息技术有限公司 | 图像分类方法和装置 |
CN113743535A (zh) * | 2019-05-21 | 2021-12-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
CN113920373A (zh) * | 2021-10-29 | 2022-01-11 | 平安银行股份有限公司 | 一种对象分类方法、装置、终端设备及存储介质 |
CN114494797A (zh) * | 2022-01-27 | 2022-05-13 | 北京百度网讯科技有限公司 | 用于训练图像检测模型的方法和装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668635B (zh) * | 2020-12-25 | 2022-05-27 | 浙江大华技术股份有限公司 | 图像归档方法、装置、设备及计算机存储介质 |
CN114092920B (zh) * | 2022-01-18 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、图像分类的方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494987A (zh) * | 2011-12-13 | 2012-06-13 | 天津卓朗科技发展有限公司 | 球墨铸铁中显微粒子的自动分类评级方法 |
CN103093235A (zh) * | 2012-12-30 | 2013-05-08 | 北京工业大学 | 一种基于改进距离核主成分分析的手写体数字识别方法 |
CN103473275A (zh) * | 2013-08-23 | 2013-12-25 | 中山大学 | 一种采用多特征融合的图像自动标注方法和系统 |
CN104765768A (zh) * | 2015-03-09 | 2015-07-08 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
CN106203525A (zh) * | 2016-07-18 | 2016-12-07 | 戎巍 | 电子设备及其应用的图像处理方法及系统 |
WO2017055878A1 (en) * | 2015-10-02 | 2017-04-06 | Tractable Ltd. | Semi-automatic labelling of datasets |
CN107122712A (zh) * | 2017-03-27 | 2017-09-01 | 大连大学 | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 |
CN107562742A (zh) * | 2016-06-30 | 2018-01-09 | 苏宁云商集团股份有限公司 | 一种图像数据处理方法及装置 |
CN107609541A (zh) * | 2017-10-17 | 2018-01-19 | 哈尔滨理工大学 | 一种基于可变形卷积神经网络的人体姿态估计方法 |
CN107729928A (zh) * | 2017-09-30 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN108121781A (zh) * | 2017-12-18 | 2018-06-05 | 辽宁师范大学 | 基于高效样本选取与参数优化的相关反馈图像检索方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992191B (zh) * | 2015-07-23 | 2018-01-26 | 厦门大学 | 基于深度学习的特征和最大置信路径的图像分类方法 |
CN109002843A (zh) * | 2018-06-28 | 2018-12-14 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
-
2018
- 2018-06-28 CN CN201810686074.3A patent/CN109002843A/zh active Pending
-
2019
- 2019-05-20 WO PCT/CN2019/087570 patent/WO2020001196A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494987A (zh) * | 2011-12-13 | 2012-06-13 | 天津卓朗科技发展有限公司 | 球墨铸铁中显微粒子的自动分类评级方法 |
CN103093235A (zh) * | 2012-12-30 | 2013-05-08 | 北京工业大学 | 一种基于改进距离核主成分分析的手写体数字识别方法 |
CN103473275A (zh) * | 2013-08-23 | 2013-12-25 | 中山大学 | 一种采用多特征融合的图像自动标注方法和系统 |
CN104765768A (zh) * | 2015-03-09 | 2015-07-08 | 深圳云天励飞技术有限公司 | 海量人脸库的快速准确检索方法 |
WO2017055878A1 (en) * | 2015-10-02 | 2017-04-06 | Tractable Ltd. | Semi-automatic labelling of datasets |
CN107562742A (zh) * | 2016-06-30 | 2018-01-09 | 苏宁云商集团股份有限公司 | 一种图像数据处理方法及装置 |
CN106203525A (zh) * | 2016-07-18 | 2016-12-07 | 戎巍 | 电子设备及其应用的图像处理方法及系统 |
CN107122712A (zh) * | 2017-03-27 | 2017-09-01 | 大连大学 | 基于卷积神经网络和双向局部特征聚合描述向量的掌纹图像识别方法 |
CN107729928A (zh) * | 2017-09-30 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN107609541A (zh) * | 2017-10-17 | 2018-01-19 | 哈尔滨理工大学 | 一种基于可变形卷积神经网络的人体姿态估计方法 |
CN108121781A (zh) * | 2017-12-18 | 2018-06-05 | 辽宁师范大学 | 基于高效样本选取与参数优化的相关反馈图像检索方法 |
Non-Patent Citations (1)
Title |
---|
王浩 等: "基于距离测度学习的AP聚类图像标注", 《计算机工程与应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020001196A1 (zh) * | 2018-06-28 | 2020-01-02 | Oppo广东移动通信有限公司 | 图像处理方法、电子设备、计算机可读存储介质 |
CN109948734A (zh) * | 2019-04-02 | 2019-06-28 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN109948734B (zh) * | 2019-04-02 | 2022-03-29 | 北京旷视科技有限公司 | 图像聚类方法、装置及电子设备 |
CN113743535A (zh) * | 2019-05-21 | 2021-12-03 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
CN113743535B (zh) * | 2019-05-21 | 2024-05-24 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
WO2021169445A1 (zh) * | 2020-02-26 | 2021-09-02 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备及存储介质 |
CN111444366A (zh) * | 2020-04-10 | 2020-07-24 | Oppo广东移动通信有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN111444366B (zh) * | 2020-04-10 | 2024-02-20 | Oppo广东移动通信有限公司 | 图像分类方法、装置、存储介质及电子设备 |
CN111598012A (zh) * | 2020-05-19 | 2020-08-28 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种图片聚类管理方法、系统、设备及介质 |
CN113408670A (zh) * | 2021-08-17 | 2021-09-17 | 深圳电通信息技术有限公司 | 图像分类方法和装置 |
CN113408670B (zh) * | 2021-08-17 | 2021-12-10 | 深圳电通信息技术有限公司 | 图像分类方法和装置 |
CN113920373A (zh) * | 2021-10-29 | 2022-01-11 | 平安银行股份有限公司 | 一种对象分类方法、装置、终端设备及存储介质 |
CN114494797A (zh) * | 2022-01-27 | 2022-05-13 | 北京百度网讯科技有限公司 | 用于训练图像检测模型的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020001196A1 (zh) | 2020-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002843A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
US11138478B2 (en) | Method and apparatus for training, classification model, mobile terminal, and readable storage medium | |
CN108764208B (zh) | 图像处理方法和装置、存储介质、电子设备 | |
WO2019233393A1 (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN108810418A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN108805103A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108960290A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108805265B (zh) | 神经网络模型处理方法和装置、图像处理方法、移动终端 | |
CN110580428A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108897786A (zh) | 应用程序的推荐方法、装置、存储介质及移动终端 | |
CN108717530A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108961302A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
WO2019233260A1 (zh) | 广告信息推送方法和装置、存储介质、电子设备 | |
CN108764321B (zh) | 图像识别方法和装置、电子设备、存储介质 | |
CN108875820A (zh) | 信息处理方法和装置、电子设备、计算机可读存储介质 | |
CN108419028A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN109191403A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108804658A (zh) | 图像处理方法和装置、存储介质、电子设备 | |
CN108616700A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN108764371A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108848306A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN109242794A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN108322648A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN109063562A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |
|
RJ01 | Rejection of invention patent application after publication |