CN109190504A - 汽车图像数据的处理方法、装置及可读存储介质 - Google Patents
汽车图像数据的处理方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN109190504A CN109190504A CN201810910923.9A CN201810910923A CN109190504A CN 109190504 A CN109190504 A CN 109190504A CN 201810910923 A CN201810910923 A CN 201810910923A CN 109190504 A CN109190504 A CN 109190504A
- Authority
- CN
- China
- Prior art keywords
- automobile
- automobile image
- image data
- network
- training
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供的汽车图像数据的处理方法、装置及可读存储介质,通过根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别,从而利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,扩增了数据量也降低了数据获取成本。
Description
技术领域
本发明涉及计算机技术,尤其涉及一种汽车图像数据的处理方法、装置及可读存储介质。
背景技术
随着人工智能技术的日趋完善,包括神经网络在内的机器学习模型越来越多的被运用到各行各业中。
在对汽车图像进行识别的领域,由于市面上汽车外形、汽车颜色、以及行驶环境的不同,为了准确的识别汽车图像,现有技术需要采集大量的汽车图像并人工进行标注,以获得汽车图像数据并用于对汽车图像识别模型的训练。
但是,由于汽车图像的采集和标注的成本比较高,而且可能限于场景和环境限制,其往往不能批量性的获得可用于训练汽车图像识别模型的汽车图像数据,因此如何获取更多的汽车图像数据成为问题。
发明内容
针对上述提及的由于汽车图像的采集和标注的成本比较高,而且可能限于场景和环境限制,其往往不能批量性的获得可用于训练汽车图像识别模型的汽车图像样本数据的问题,本发明提供了一种汽车图像数据的处理方法、装置及可读存储介质。
一方面,本发明提供了一种汽车图像数据的处理方法,包括:
根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;
根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
在其中一种可选的实施方式中,所述根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络,包括:
根据所述随机噪音信息和所述采集获得的汽车图像样本数据,通过所述对抗网络中的对抗生成子网络生成第一生成样本;
利用所述对抗网络中的对抗识别子网络获得第一生成样本对应的第一判别结果;
根据预设的收敛方程对所述对对抗生成子网络和所述对抗识别子网络进行训练,获得训练完毕的对抗网络。
在其中一种可选的实施方式中,所述根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络用于提取所述汽车图像样本数据的特征信息;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
在其中一种可选的实施方式中,所述随机噪音信息包括汽车颜色噪音、汽车形状噪音、和背景颜色噪音中的一种或多种。
在其中一种可选的实施方式中,当所述随机噪音信息包括汽车颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非颜色特征;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络还用于根据预设目标汽车颜色在所述汽车的非颜色特征中加入汽车颜色噪音,获得生成包括有预设汽车颜色的汽车图像数据。
在其中一种可选的实施方式中,当所述随机噪音信息包括汽车形状噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非形状特征;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络还用于根据预设目标形状在所述汽车的非形状特征中加入汽车形状噪音,获得生成包括有预设汽车形状的汽车图像数据。
在其中一种可选的实施方式中,当所述随机噪音信息包括背景颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非背景颜色特征;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络还用于根据预设目标背景颜色在所述汽车的非背景颜色特征中加入背景颜色噪音,获得生成包括有预设背景颜色的汽车图像数据。
另一方面,本发明提供了一种汽车图像数据的处理方法,包括:
构建待训练的汽车图像识别神经网络;
采用根据上述任一项所述方法获得的汽车图像数据对所述待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络。
另一方面,本发明提供了一种汽车图像数据的处理方法,包括:
采集待识别的汽车图像;
采用训练完毕的汽车图像识别神经网络对所述待识别的汽车图像进行识别,获得识别结果;其中,所述训练完毕的汽车图像识别神经网络是采用上述所述的方法获得的。
另一方面,一种汽车图像数据的处理装置,其特征在于,包括:
第一处理单元,根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;
第二处理单元,根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
在其中一种可选的实施方式中,所述第一处理单元,具体用于:
根据所述随机噪音信息和所述采集获得的汽车图像样本数据,通过所述对抗网络中的对抗生成子网络生成第一生成样本;
利用所述对抗网络中的对抗识别子网络获得第一生成样本对应的第一判别结果;
根据预设的收敛方程对所述对对抗生成子网络和所述对抗识别子网络进行训练,获得训练完毕的对抗网络。
在其中一种可选的实施方式中,所述第二处理单元,具体用于:
利用所述训练完毕的对抗网络提取所述汽车图像样本数据的特征信息;
利用所述训练完毕的对抗网络和预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
在其中一种可选的实施方式中,所述随机噪音信息包括汽车颜色噪音、汽车形状噪音、和背景颜色噪音中的一种或多种。
在其中一种可选的实施方式中,当所述随机噪音信息包括汽车颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非颜色特征;
所述第二处理单元具体用于利用所述训练完毕的对抗网络和预设目标在所述汽车的非颜色特征中加入汽车颜色噪音,获得生成包括有预设汽车颜色的汽车图像数据。
在其中一种可选的实施方式中,当所述随机噪音信息包括汽车形状噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非形状特征;
所述第二处理单元具体用于利用所述训练完毕的对抗网络和预设目标形状在所述汽车的非形状特征中加入汽车形状噪音,获得生成包括有预设汽车形状的汽车图像数据。
在其中一种可选的实施方式中,当所述随机噪音信息包括背景颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非背景颜色特征;
所述第二处理单元具体用于利用所述训练完毕的对抗网络和预设目标背景颜色在所述汽车的非背景颜色特征中加入背景颜色噪音,获得生成包括有预设背景颜色的汽车图像数据。
再一方面,本发明提供了一种汽车图像数据的处理装置,包括:
构建单元,用于构建待训练的汽车图像识别神经网络;
训练单元,用于采用根据前述任一项所述方法获得的汽车图像数据对所述待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络。
再一方面,本发明提供了一种汽车图像数据的处理装置,包括:
采集单元,用于采集待识别的汽车图像;
识别单元,用于采用训练完毕的汽车图像识别神经网络对所述待识别的汽车图像进行识别,获得识别结果;其中,所述训练完毕的汽车图像识别神经网络是采用前述方法获得的。
再一方面,一种汽车图像数据的处理装置,其特征在于,包括:存储器、与所述存储器连接的处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,
所述处理器运行所述计算机程序时执行前述任一项所述的方法。
最后一方面,一种可读存储介质,其特征在于,包括程序,当其在终端上运行时,使得终端执行前述任一项所述的方法。
本发明提供的汽车图像数据的处理方法、装置及可读存储介质,通过根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别,从而利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,扩增了数据量也降低了数据获取成本。
附图说明
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
图1为现有技术中一种网络架构示意图;
图2为本发明所基于的网络架构示意图;
图3为本发明实施例一提供的一种汽车图像数据的处理方法的流程示意图;
图4为本发明实施例二提供的一种汽车图像数据的处理方法的流程示意图;
图5为本发明实施例三提供的一种汽车图像数据的处理装置的结构示意图;
图6为本发明提实施例四提供的一种汽车图像数据的处理装置的硬件结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
随着人工智能技术的日趋完善,包括神经网络在内的机器学习模型越来越多的被运用到各行各业中。
在对汽车图像进行识别的领域,由于市面上汽车外形、汽车颜色、以及行驶环境的不同,为了准确的识别汽车图像,现有技术需要采集大量的汽车图像并人工进行标注,以获得汽车图像数据并用于对汽车图像识别模型的训练。图1为现有技术中一种网络架构示意图,如图1所示,在现有技术中,采集获得的汽车图像在经过人工标注之后形成汽车图像数据并输入至待训练的汽车图像识别神经网络中,以对其进行训练或的训练完毕的汽车图像识别神经网络,随后,利用该训练完毕的汽车图像识别神经网络对待识别的汽车图像进行识别,得到识别结果。
但是,由于汽车图像的采集和标注的成本比较高,而且可能限于场景和环境限制,其往往不能批量性的获得可用于训练汽车图像识别模型的汽车图像数据,因此如何获取更多的汽车图像数据成为问题。
针对上述提及的由于汽车图像的采集和标注的成本比较高,而且可能限于场景和环境限制,其往往不能批量性的获得可用于训练汽车图像识别模型的汽车图像样本数据的问题,本发明提供了一种汽车图像数据的处理方法、装置及可读存储介质。需要说明的是,本申请提供的汽车图像数据的处理方法、装置及可读存储介质可运用在广泛的需要使用汽车图像识别模型及汽车图像数据的场景中,这些应用场景包括但不限制为:违章车辆识别场景、夜间行驶车辆识别场景、汽车大数据处理识别场景、汽车无人驾驶场景等等。
图2为本发明所基于的网络架构示意图,与现有技术不同的是,在本申请中,采集和标注获得的汽车图像样本数据将输入对抗网络中,以获得大量的汽车图像数据,而利用这些汽车图像数据以及前述的汽车图像样本数据一并对待训练的汽车图像识别神经网络进行训练,以获得训练完毕的汽车图像识别网络,随后,利用该训练完毕的汽车图像识别神经网络对待识别的汽车图像进行识别,得到识别结果。
具体来说,图3为本发明实施例一提供的一种汽车图像数据的处理方法的流程示意图,如图3所示,本发明实施例一提供的汽车图像数据的处理方法包括:
步骤101、根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;
步骤102、根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
需要说明的是,本发明提供的汽车图像数据的处理方法的执行主体具体可为汽车图像数据的处理装置,该汽车图像数据的处理装置可通过硬件和/或软件的方式实现。一般可集成于云端服务器中,与存放有各类汽车图像的数据服务器配合使用,此外,汽车图像数据的处理装置所基于的服务器可与数据服务器为同一服务器,或者为隶属于同一服务器集群的不同服务器,本发明对此均不进行限制。
本申请所提供的汽车图像数据具体可用于对汽车图像识别神经网络进行训练,即用于汽车图像识别神经网络的训练样本。具体来说,本实施方式提供的汽车图像数据的处理方法,首先可构建一对抗网络,随后,将采集获得的汽车图像样本数据和预设的随机噪音信息输入至该构建的对抗网络中,以对该对抗网络进行训练获得训练完毕的对抗网络,该训练完毕的对抗网络可用于生成汽车图像数据。
具体来说,在完成对对抗网络的构建之后,可将预设分布的随机噪音信息和通过采集获得的已进行过人工标注的汽车图像样本数据输入至该对抗网络,以使对抗网络学习获得随机噪音信息和汽车图像样本数据之间的映射关系,并随着学习到的映射关系对自身对抗网络中的权重参数进行调整,以获得训练完毕的对抗网络。其中,预设的随机噪音信息可以预设分布的噪音向量的形式进行表示,预设分布包括但不限于正态分布、指数分布或均匀分布等连续型分布,也可为泊松分布、二项分布等离散型分布。
进一步来说,在本步骤中,采用如下方式对对抗网络进行训练:根据所述随机噪音信息和所述采集获得的汽车图像样本数据,通过所述对抗网络中的对抗生成子网络生成第一生成样本;利用所述对抗网络中的对抗识别子网络获得第一生成样本对应的第一判别结果;根据预设的收敛方程对所述对对抗生成子网络和所述对抗识别子网络进行训练,获得训练完毕的对抗网络。
一般来说,对抗网络一般由对抗生成子网络和对抗识别子网络组成。该对抗子网络的目的在于尽可能输出与获取的真实样本数据近似的生成样本而该由对抗识别子网络的目的在于尽可能分辨输入的样本是否为真实样本数据。也就是说,对抗生成子网络将根据汽车图像样本数据和前述的随机噪音信息生成第一生成样本,对抗识别子网络将判断第一生成样本是否为真实样本数据,并给出相应的第一判别结果。随后,为了实现对对抗网络的训练,还可利用预设的收敛方程对前述获得结果进行迭代处理,即针对于每一汽车图像样本数据,重复前述的生成第一生成样本以及对应的第一判别结果的步骤,并根据每一次获得的结果和对对抗网络中的权重等参数进行相应更新,其更新方式可采用现有的梯度上升法或梯度下降法,本实施方式对此不进行赘述。经过前述的训练,可最终获得训练完毕的对抗网络,
然后,可根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
具体来说,该生成汽车图像数据可采用如下方式:利用训练完毕的对抗网络用于提取所述汽车图像样本数据的特征信息;所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
本实施方式通过利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,以避免现有技术中存在的为了训练汽车图像识别神经网络而需要采集大量的汽车图像并进行人工进行标注,其采集和标注的成本比较高的问题。
在其他可选的实施方式中,根据所述汽车图像样本数据和生成的汽车图像样本数据,对预先构建的待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络;利用所述训练完毕的汽车图像识别神经网络对采集的待识别的汽车图像,获得识别结果。其中的汽车图像识别神经网络可利用在违章车辆识别场景、夜间行驶车辆识别场景、汽车大数据处理识别场景、汽车无人驾驶场景等场景中,以为各场景中提供汽车图像的识别结果。
本发明提供的汽车图像数据的处理方法,通过根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别,从而利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,扩增了数据量也降低了数据获取成本。
为了进一步解释本申请提供的汽车图像数据的处理方法,图4为本发明实施例二提供的一种汽车图像数据的处理方法的流程示意图,如图4所示,该汽车图像数据的处理方法,包括:
步骤201、根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络。
步骤202、利用训练完毕的对抗网络提取所述汽车图像样本数据的特征信息。
步骤203、利用训练完毕的对抗网络和预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
需要说明的是,本发明提供的汽车图像数据的处理方法的执行主体具体可为汽车图像数据的处理装置,该汽车图像数据的处理装置可通过硬件和/或软件的方式实现。一般可集成于云端服务器中,与存放有各类汽车图像的数据服务器配合使用,此外,汽车图像数据的处理装置所基于的服务器可与数据服务器为同一服务器,或者为隶属于同一服务器集群的不同服务器,本发明对此均不进行限制。
与实施例一类似的是,本申请所提供的汽车图像数据具体可用于对汽车图像识别神经网络进行训练,即用于汽车图像识别神经网络的训练样本。具体来说,本实施方式提供的汽车图像数据的处理方法,首先可构建一对抗网络,随后,将采集获得的汽车图像样本数据和预设的随机噪音信息输入至该构建的对抗网络中,以对该对抗网络进行训练获得训练完毕的对抗网络,该训练完毕的对抗网络可用于生成汽车图像数据,其具体实施方式与实施例一类似,再此不进行赘述。
与实施例一不同的是,在本实施方式中,根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据具体可包括:利用训练完毕的对抗网络提取所述汽车图像样本数据的特征信息,利用训练完毕的对抗网络和预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
具体来说,以汽车无人驾驶场景为例,在该应用场景下,用于识别汽车图像的汽车图像识别神经网络需要在不同环境下识别不同类型的汽车,以为自动驾驶模块提供相应的支持。其中的不同环境包括但不限于天气环境、时间环境,而不同类型包括但不限于车辆形状。举例来说,在雨天环境下和晴天环境下,同一型号的汽车的图像数据将在背景颜色、汽车颜色甚至汽车外形上存在一定的差别,而为了能够识别出在不同环境下的同一汽车,在对汽车图像识别神经网络进行训练时,则需要采集包括前述各环境下的同一汽车的图像数据,以供其学习。但是,如背景技术所述的,由于图像数据的采集成本和人工标注成本均较高,采集前述的各环境下的同一汽车的图像数据非常困难。因此,本实施方式通过利用对抗网络的方案,从而有效利用已有的汽车图像数据扩增出可用于训练该汽车图像识别神经网络的汽车图像数据,以解决该技术问题。
进一步来说,在本实施方式中随机噪音信息包括汽车颜色噪音、汽车形状噪音、和背景颜色噪音中的一种或多种。
当随机噪音信息包括汽车颜色噪音时,提取的所述汽车图像样本数据的特征信息包括汽车的非颜色特征。需要说明的是,汽车颜色指的是汽车车体颜色,在前述场景下,为了更准确的识别对某一型号汽车的图像,需要采集该型号的不同颜色的汽车,在这种情况下,随机噪音信息则可包括汽车颜色噪音,如用于表示色彩三元素信息的噪音向量等等。
而相应的提取的汽车图像样本数据的特征信息需要包括除前述的汽车颜色特征以外的其他汽车特征,即汽车的非颜色特征,如汽车形状特征、背景颜色特征等等。
随后,可利用训练完毕的对抗网络和预设的目标汽车颜色在所述汽车的非颜色特征中加入汽车颜色噪音,获得生成包括有预设汽车颜色的汽车图像数据。例如,预设的目标汽车颜色可包括常见的黑色、红色等汽车颜色,通过预设的目标以获得其相应的汽车颜色噪音,并将该汽车颜色噪音与汽车的非颜色特征进行有效结合,获得生成包括有预设汽车颜色的汽车图像数据。
和/或,
当随机噪音信息包括汽车形状噪音时,提取的所述汽车图像样本数据的特征信息包括汽车的非形状特征。需要说明的是,汽车形状指的是汽车车体形状,其一般与汽车类型相关联。在前述场景下,为了更准确的识别对如雨天场景下汽车的图像,需要采集大量在雨天场景下的不同型号的汽车,在这种情况下,随机噪音信息则可包括汽车形状噪音,如用于表示外形特征信息的噪音向量等等。
而相应的提取的汽车图像样本数据的特征信息需要包括除前述的形状特征以外的其他汽车特征,即汽车的非形状特征,如汽车颜色特征、背景颜色特征等等。
随后,可利用训练完毕的对抗网络和预设的目标形状在所述汽车的非颜色特征中加入汽车形状噪音,获得生成包括有预设汽车形状的汽车图像数据。其中,可通过对预设的目标形状的分析以获得其相应的汽车形状噪音,并将该汽车形状噪音与汽车的非形状特征进行有效结合,获得生成包括有预设汽车形状的汽车图像数据。
和/或,
当随机噪音信息包括背景颜色噪音时,提取的所述汽车图像样本数据的特征信息包括汽车的非背景颜色特征。需要说明的是,背景颜色指的是图像中除汽车车体以外的背景部分的颜色,其一般用于表示图像所处环境,如夜晚、白天、雨天等等,其与环境或天气紧密相关。在前述场景下,为了更准确的识别同一汽车在不同环境下的图像,需要采集该汽车在不同环境场景下的图像,在这种情况下,随机噪音信息则可包括背景颜色噪音,如用于表示背景颜色特征信息的噪音向量等等。
而相应的提取的汽车图像样本数据的特征信息需要包括除前述的背景颜色特征以外的其他汽车特征,即非背景颜色特征,如汽车颜色特征、汽车外形特征等等。
随后,可利用训练完毕的对抗网络和预设的目标背景颜色在所述汽车的非背景颜色特征中加入背景颜色噪音,获得生成包括预设背景颜色的汽车图像数据。其中,可通过对预设的目标背景颜色的分析以获得其相应的背景颜色噪音,并将该背景颜色噪音与汽车的非背景颜色特征进行有效结合,获得生成包括有括预设背景颜色的汽车图像数据。
本实施方式通过利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,以避免现有技术中存在的为了训练汽车图像识别神经网络而需要采集大量的汽车图像并进行人工进行标注,其采集和标注的成本比较高的问题。
在其他可选的实施方式中,根据所述汽车图像样本数据和生成的汽车图像样本数据,对预先构建的待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络;利用所述训练完毕的汽车图像识别神经网络对采集的待识别的汽车图像,获得识别结果。其中的汽车图像识别神经网络可利用在违章车辆识别场景、夜间行驶车辆识别场景、汽车大数据处理识别场景、汽车无人驾驶场景等场景中,以为各场景中提供汽车图像的识别结果。
本发明提供的汽车图像数据的处理方法,通过根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别,从而利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,扩增了数据量也降低了数据获取成本。
图5为本发明实施例三提供的一种汽车图像数据的处理装置的结构示意图;如图5所示,该汽车图像数据的处理装置,包括:
第一处理单元10,根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;
第二处理单元20,根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
本实施方式通过利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,以避免现有技术中存在的为了训练汽车图像识别神经网络而需要采集大量的汽车图像并进行人工进行标注,其采集和标注的成本比较高的问题。
在其中一种可选的实施方式中,所述第一处理单元10,具体用于:
根据所述随机噪音信息和所述采集获得的汽车图像样本数据,通过所述对抗网络中的对抗生成子网络生成第一生成样本;
利用所述对抗网络中的对抗识别子网络获得第一生成样本对应的第一判别结果;
根据预设的收敛方程对所述对对抗生成子网络和所述对抗识别子网络进行训练,获得训练完毕的对抗网络。
在其中一种可选的实施方式中,所述第二处理单元20,具体用于:
利用所述训练完毕的对抗网络提取所述汽车图像样本数据的特征信息;
利用所述训练完毕的对抗网络和预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
在其中一种可选的实施方式中,所述随机噪音信息包括汽车颜色噪音、汽车形状噪音、和背景颜色噪音中的一种或多种。
在其中一种可选的实施方式中,当所述随机噪音信息包括汽车颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非颜色特征;
所述第二处理单元20具体用于利用所述训练完毕的对抗网络和预设目标在所述汽车的非颜色特征中加入汽车颜色噪音,获得生成包括有预设汽车颜色的汽车图像数据。
在其中一种可选的实施方式中,当所述随机噪音信息包括汽车形状噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非形状特征;
所述第二处理单元20具体用于利用所述训练完毕的对抗网络和预设目标形状在所述汽车的非形状特征中加入汽车形状噪音,获得生成包括有预设汽车形状的汽车图像数据。
在其中一种可选的实施方式中,当所述随机噪音信息包括背景颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非背景颜色特征;
所述第二处理单元20具体用于利用所述训练完毕的对抗网络和预设目标背景颜色在所述汽车的非背景颜色特征中加入背景颜色噪音,获得生成包括有预设背景颜色的汽车图像数据。
本发明实施例三提供的汽车图像数据的处理装置,通过根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别,从而利用对抗网络生成可用于训练汽车图像识别神经网络的汽车图像数据,扩增了数据量也降低了数据获取成本。
图6为本发明提实施例四提供的一种汽车图像数据的处理装置的硬件结构示意图。如图6所示,该汽车图像数据的处理装置包括:存储器41、处理器42及存储在存储器41上并可在处理器42上运行的计算机程序,处理器42运行计算机程序时执行上述任一实施例的方法。
本发明提供了一种汽车图像数据的处理方法,该处理方法包括:
构建待训练的汽车图像识别神经网络;采用根据上述实施例一或实施例二所述方法实施例获得的汽车图像数据对所述待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络。
同时,本发明提供了一种汽车图像数据的处理方法,该处理方法包括:采集待识别的汽车图像;采用训练完毕的汽车图像识别神经网络对所述待识别的汽车图像进行识别,获得识别结果;其中,所述训练完毕的汽车图像识别神经网络是采用上述所述的方法获得的。
再一方面,本发明提供了一种汽车图像数据的处理装置,汽车图像数据的处理装置包括:
构建单元,用于构建待训练的汽车图像识别神经网络;
训练单元,用于采用根据前述实施例一或实施例二所述方法获得的汽车图像数据对所述待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络。
再一方面,本发明提供了一种汽车图像数据的处理装置,汽车图像数据的处理装置包括:
采集单元,用于采集待识别的汽车图像;
识别单元,用于采用训练完毕的汽车图像识别神经网络对所述待识别的汽车图像进行识别,获得识别结果;其中,所述训练完毕的汽车图像识别神经网络是采用前述方法获得的。
本发明还提供一种可读存储介质,包括程序,当其在终端上运行时,使得终端执行上述任一实施例的方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (20)
1.一种汽车图像数据的处理方法,其特征在于,包括:
根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;
根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
2.根据权利要求1所述的汽车图像数据的处理方法,其特征在于,所述根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络,包括:
根据所述随机噪音信息和所述采集获得的汽车图像样本数据,通过所述对抗网络中的对抗生成子网络生成第一生成样本;
利用所述对抗网络中的对抗识别子网络获得第一生成样本对应的第一判别结果;
根据预设的收敛方程对所述对对抗生成子网络和所述对抗识别子网络进行训练,获得训练完毕的对抗网络。
3.根据权利要求1所述的汽车图像数据的处理方法,其特征在于,所述根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络用于提取所述汽车图像样本数据的特征信息;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
4.根据权利要求3所述的汽车图像数据的处理方法,其特征在于,所述随机噪音信息包括汽车颜色噪音、汽车形状噪音、和背景颜色噪音中的一种或多种。
5.根据权利要求4所述的汽车图像数据的处理方法,其特征在于,当所述随机噪音信息包括汽车颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非颜色特征;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络还用于根据预设目标汽车颜色在所述汽车的非颜色特征中加入汽车颜色噪音,获得生成包括有预设汽车颜色的汽车图像数据。
6.根据权利要求4所述的汽车图像数据的处理方法,其特征在于,当所述随机噪音信息包括汽车形状噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非形状特征;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络还用于根据预设目标形状在所述汽车的非形状特征中加入汽车形状噪音,获得生成包括有预设汽车形状的汽车图像数据。
7.根据权利要求4所述的汽车图像数据的处理方法,其特征在于,当所述随机噪音信息包括背景颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非背景颜色特征;
所述训练完毕的对抗网络还用于根据预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据,包括:
所述训练完毕的对抗网络还用于根据预设目标背景颜色在所述汽车的非背景颜色特征中加入背景颜色噪音,获得生成包括有预设背景颜色的汽车图像数据。
8.一种汽车图像数据的处理方法,其特征在于,包括:
构建待训练的汽车图像识别神经网络;
采用根据权利要求1-7任一项所述方法获得的汽车图像数据对所述待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络。
9.一种汽车图像数据的处理方法,其特征在于,包括:
采集待识别的汽车图像;
采用训练完毕的汽车图像识别神经网络对所述待识别的汽车图像进行识别,获得识别结果;其中,所述训练完毕的汽车图像识别神经网络是采用权利要求8所述的方法获得的。
10.一种汽车图像数据的处理装置,其特征在于,包括:
第一处理单元,根据采集获得的汽车图像样本数据和预设的随机噪音信息对预设的对抗网络进行训练,以获得用于生成汽车图像数据的训练完毕的对抗网络;
第二处理单元,根据预设生成目标,将所述汽车图像样本数据输入所述训练完毕的对抗网络,生成包括有多种随机噪音信息的汽车图像数据,其中,所述汽车图像数据用于训练汽车图像识别神经网络进行汽车图像识别。
11.根据权利要求10所述的汽车图像数据的处理装置,其特征在于,所述第一处理单元,具体用于:
根据所述随机噪音信息和所述采集获得的汽车图像样本数据,通过所述对抗网络中的对抗生成子网络生成第一生成样本;
利用所述对抗网络中的对抗识别子网络获得第一生成样本对应的第一判别结果;
根据预设的收敛方程对所述对对抗生成子网络和所述对抗识别子网络进行训练,获得训练完毕的对抗网络。
12.根据权利要求10所述的汽车图像数据的处理装置,其特征在于,所述第二处理单元,具体用于:
利用所述训练完毕的对抗网络提取所述汽车图像样本数据的特征信息;
利用所述训练完毕的对抗网络和预设目标在所述特征信息中加入随机噪音信息,获得生成包括有多种随机噪音信息的汽车图像数据。
13.根据权利要求12所述的汽车图像数据的处理装置,其特征在于,所述随机噪音信息包括汽车颜色噪音、汽车形状噪音、和背景颜色噪音中的一种或多种。
14.根据权利要求12所述的汽车图像数据的处理装置,其特征在于,当所述随机噪音信息包括汽车颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非颜色特征;
所述第二处理单元具体用于利用所述训练完毕的对抗网络和预设目标在所述汽车的非颜色特征中加入汽车颜色噪音,获得生成包括有预设汽车颜色的汽车图像数据。
15.根据权利要求12所述的汽车图像数据的处理装置,其特征在于,当所述随机噪音信息包括汽车形状噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非形状特征;
所述第二处理单元具体用于利用所述训练完毕的对抗网络和预设目标形状在所述汽车的非形状特征中加入汽车形状噪音,获得生成包括有预设汽车形状的汽车图像数据。
16.根据权利要求12所述的汽车图像数据的处理装置,其特征在于,当所述随机噪音信息包括背景颜色噪音时,所述提取的所述汽车图像样本数据的特征信息包括汽车的非背景颜色特征;
所述第二处理单元具体用于利用所述训练完毕的对抗网络和预设目标背景颜色在所述汽车的非背景颜色特征中加入背景颜色噪音,获得生成包括有预设背景颜色的汽车图像数据。
17.一种汽车图像数据的处理装置,其特征在于,包括:
构建单元,用于构建待训练的汽车图像识别神经网络;
训练单元,用于采用根据权利要求1-7任一项所述方法获得的汽车图像数据对所述待训练的汽车图像识别神经网络进行训练,获得训练完毕的汽车图像识别神经网络。
18.一种汽车图像数据的处理装置,其特征在于,包括:
采集单元,用于采集待识别的汽车图像;
识别单元,用于采用训练完毕的汽车图像识别神经网络对所述待识别的汽车图像进行识别,获得识别结果;其中,所述训练完毕的汽车图像识别神经网络是采用权利要求8所述的方法获得的。
19.一种汽车图像数据的处理装置,其特征在于,包括:存储器、与所述存储器连接的处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,
所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的方法。
20.一种可读存储介质,其特征在于,包括程序,当其在终端上运行时,使得终端执行权利要求1-9任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810910923.9A CN109190504B (zh) | 2018-08-10 | 2018-08-10 | 汽车图像数据的处理方法、装置及可读存储介质 |
US16/505,804 US11449707B2 (en) | 2018-08-10 | 2019-07-09 | Method for processing automobile image data, apparatus, and readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810910923.9A CN109190504B (zh) | 2018-08-10 | 2018-08-10 | 汽车图像数据的处理方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190504A true CN109190504A (zh) | 2019-01-11 |
CN109190504B CN109190504B (zh) | 2020-12-22 |
Family
ID=64921443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810910923.9A Active CN109190504B (zh) | 2018-08-10 | 2018-08-10 | 汽车图像数据的处理方法、装置及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11449707B2 (zh) |
CN (1) | CN109190504B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356639A (zh) * | 2022-09-29 | 2022-11-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11450009B2 (en) * | 2018-02-26 | 2022-09-20 | Intel Corporation | Object detection with modified image background |
EP3970110A1 (en) * | 2019-05-17 | 2022-03-23 | Barco n.v. | Method and system for training generative adversarial networks with heterogeneous data |
CN111079640B (zh) * | 2019-12-09 | 2022-03-29 | 合肥工业大学 | 一种基于自动扩增样本的车型识别方法及系统 |
CN111091151B (zh) * | 2019-12-17 | 2021-11-05 | 大连理工大学 | 用于目标检测数据增强的生成对抗网络的构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080122606A1 (en) * | 2006-04-17 | 2008-05-29 | James Roy Bradley | System and Method for Vehicular Communications |
US20140205178A1 (en) * | 2013-01-24 | 2014-07-24 | Hon Hai Precision Industry Co., Ltd. | Electronic device and method for analyzing image noise |
CN106778583A (zh) * | 2016-12-07 | 2017-05-31 | 北京理工大学 | 基于卷积神经网络的车辆属性识别方法与装置 |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN107563274A (zh) * | 2017-07-10 | 2018-01-09 | 安徽四创电子股份有限公司 | 一种基于对抗网络学习的视频的车辆检测方法和计数方法 |
CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008001256A1 (de) * | 2008-04-18 | 2009-10-22 | Robert Bosch Gmbh | Verkehrsobjekt-Erkennungssystem, Verfahren zum Erkennen eines Verkehrsobjekts und Verfahren zum Einrichten eines Verkehrsobjekt-Erkennungssystems |
US11003995B2 (en) * | 2017-05-19 | 2021-05-11 | Huawei Technologies Co., Ltd. | Semi-supervised regression with generative adversarial networks |
CN107704857B (zh) * | 2017-09-25 | 2020-07-24 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
US20190147320A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | "Matching Adversarial Networks" |
US11137761B2 (en) * | 2017-11-20 | 2021-10-05 | At&T Intellectual Property I, L.P. | Object modeling with adversarial learning |
US10984286B2 (en) * | 2018-02-02 | 2021-04-20 | Nvidia Corporation | Domain stylization using a neural network model |
US11568261B2 (en) * | 2018-10-26 | 2023-01-31 | Royal Bank Of Canada | System and method for max-margin adversarial training |
CN111209783A (zh) * | 2018-11-22 | 2020-05-29 | 台达电子工业股份有限公司 | 使用模拟物件影像的物件识别系统及其方法 |
US20200250304A1 (en) * | 2019-02-01 | 2020-08-06 | Nec Laboratories America, Inc. | Detecting adversarial examples |
US11657162B2 (en) * | 2019-03-22 | 2023-05-23 | Intel Corporation | Adversarial training of neural networks using information about activation path differentials |
-
2018
- 2018-08-10 CN CN201810910923.9A patent/CN109190504B/zh active Active
-
2019
- 2019-07-09 US US16/505,804 patent/US11449707B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080122606A1 (en) * | 2006-04-17 | 2008-05-29 | James Roy Bradley | System and Method for Vehicular Communications |
US20140205178A1 (en) * | 2013-01-24 | 2014-07-24 | Hon Hai Precision Industry Co., Ltd. | Electronic device and method for analyzing image noise |
CN106778583A (zh) * | 2016-12-07 | 2017-05-31 | 北京理工大学 | 基于卷积神经网络的车辆属性识别方法与装置 |
CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
CN107563274A (zh) * | 2017-07-10 | 2018-01-09 | 安徽四创电子股份有限公司 | 一种基于对抗网络学习的视频的车辆检测方法和计数方法 |
CN107563385A (zh) * | 2017-09-02 | 2018-01-09 | 西安电子科技大学 | 基于深度卷积生成式对抗网络的车牌字符识别方法 |
Non-Patent Citations (2)
Title |
---|
JIE CAO: "Vehicle Objects Detection of Video Images Based on Gray-Scale Characteristics", 《2009 FIRST INTERNATIONAL WORKSHOP ON EDUCATION TECHNOLOGY AND COMPUTER SCIENCE》 * |
俞晓妮: "图像噪声分析下的计算机生成图像检测算法", 《图形处理与多媒体》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115356639A (zh) * | 2022-09-29 | 2022-11-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
WO2024066052A1 (zh) * | 2022-09-29 | 2024-04-04 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20190332894A1 (en) | 2019-10-31 |
CN109190504B (zh) | 2020-12-22 |
US11449707B2 (en) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190504A (zh) | 汽车图像数据的处理方法、装置及可读存储介质 | |
CN104851099B (zh) | 一种基于表示学习的图像融合方法 | |
CN109740413A (zh) | 行人重识别方法、装置、计算机设备及计算机存储介质 | |
CN110945522B (zh) | 一种学习状态的判断方法、装置及智能机器人 | |
CN108491776B (zh) | 基于像素分类的装配体零件识别方法、装置及监测系统 | |
CN110210563A (zh) | 基于Spike cube SNN的图像脉冲数据时空信息学习及识别方法 | |
CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
CN106295637B (zh) | 一种基于深度学习与强化学习的车辆识别方法 | |
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 | |
CN110263681A (zh) | 面部表情的识别方法和装置、存储介质、电子装置 | |
CN110009057A (zh) | 一种基于深度学习的图形验证码识别方法 | |
CN109344878B (zh) | 一种基于ResNet的仿鹰脑特征整合小目标识别方法 | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
WO2019176235A1 (ja) | 画像生成方法、画像生成装置及び画像生成システム | |
CN110455306A (zh) | 一种基于深度学习的机器人场景识别与语义导航地图标注方法 | |
CN111259814B (zh) | 一种活体检测方法及系统 | |
CN112102424A (zh) | 车牌图像生成模型构建方法、生成方法及装置 | |
CN108875505A (zh) | 基于神经网络的行人再识别方法和装置 | |
CN108765014A (zh) | 一种基于门禁系统的智能广告投放方法 | |
WO2021017316A1 (zh) | 基于残差网络的信息识别方法、装置和计算机设备 | |
CN114972646B (zh) | 一种实景三维模型独立地物的提取与修饰方法及系统 | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
CN115984930A (zh) | 微表情识别方法、装置、微表情识别模型的训练方法 | |
CN108229540A (zh) | 类脑多模态融合方法及装置 |
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 |