CN109241998A - 模型训练方法、装置、设备及存储介质 - Google Patents
模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109241998A CN109241998A CN201810887705.8A CN201810887705A CN109241998A CN 109241998 A CN109241998 A CN 109241998A CN 201810887705 A CN201810887705 A CN 201810887705A CN 109241998 A CN109241998 A CN 109241998A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- training
- model
- identification
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本申请实施例提供一种模型训练方法、装置、设备及存储介质,通过获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本;基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。本申请实施例能够提升模型检测物体的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种模型训练方法、装置、设备及存储介质。
背景技术
在现有技术中,ssd是一种用于检测的神经网络,当检测到图片中某一区域中的物体与某一特定类别的物体之间的相似度超过预设阈值时,则确定该物体为该特定类别的物体(比如手、脸、肢体等)。然而目前在实际检测场景中常常会遇到这样的问题,就是当图片中不包括特定类别的物体时,ssd神经网络会将图片中的背景误检测为特定类别的物体,检测的准确性较低。
发明内容
本申请实施例提供一种模型训练方法、装置、设备及存储介质,用以提升模型的准确性,尤其是ssd神经网络模型的准确性。
本申请实施例第一方面提供一种模型训练方法,包括:获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本;基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
本申请实施例第二方面提供一种模型训练装置,包括:获取模块,用于获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本;第一训练模块,用于基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
本申请实施例第三方面提供一种计算机设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述第一方面所述的方法。
本申请实施例第四方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的方法。
基于以上各方面,本申请实施例通过获取目标图像样本数据集,目标图像样本数据集中包括含目标物体的第一图像样本和不包括目标物体的第二图像样本,从而基于第一图像样本和第二图像样本训练获得能够用于从图像中识别出目标物体,以及识别图像中是否包括目标物体的目标模型。由于本申请实施例不光训练了模型从图像中识别出目标物体的能力,还训练了模型识别图像中是否包含目标物体的能力,因而,在使用模型对目标物体进行检测时,就不会出现图像中明明不包括目标物体,却把背景等其他物体误检为目标物体的情况,从而提高了模型检测目标物体的准确性,尤其是可以用于提高ssd神经网络模型的准确性。
应当理解,上述发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征,亦非用于限制本申请的范围。本公申请的其它特征将通过以下的描述变得容易理解。
附图说明
图1a和图1b是均是本申请实施例提供的基于图像的识别场景示意图;
图2是本申请实施例提供的一种模型训练方法的流程图;
图3是本申请实施例提供的一种步骤S12的执行方法的流程图;
图4是本申请实施例提供的一种步骤S12的执行方法的流程图
图5是本申请实施例提供的一种模型训练装置的结构示意图;
图6是本申请实施例提供的一种第一训练模块42的结构示意图;
图7是本申请实施例提供的一种第一训练模块42的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1a和图1b是均是本申请实施例提供的基于图像的识别场景示意图,其中,在图1a所示的图像a0中包括待识别的物体a11,以及作为背景的一部分的物体a12,在此种场景下,依据现有技术能够较为准确的识别出物体a11,并且较小概率的会将物体a12误识别成物体a11。而在图1b所示的图像a1中只包括物体a12而并不包括物体a11,此时若是基于现有技术从图像a1中识别物体a11,则很容易将物体a12误检为物体a11,识别的准确性较低。
针对现有技术存在的上述问题,本申请实施例主要是通过训练模型使得模型同时具有判别图像上是否有目标物体的能力和从图像上识别物体的能力,从而就不会出现明明图像上没有目标物体却将背景误检为目标物体的情况,提高了模型检测的准确性。
下面结合示例性的实施例对本申请技术方案进行详细的阐述:
图2是本申请实施例提供的一种模型训练方法的流程图,该方法可以由一种模型训练装置来执行,如图2所示,该方法包括S11-S12:
S11、获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本。
本实施例中对于“目标物体”的命名仅是用于将目标检测的物体与其他物体进行区别,而不具有其他含义,为了方便理解,本实施例中可示例性的将目标物体理解为生物体的肢体。
本实施例中,第一图像样本包括用于指示图像包括目标物体的标注信息,第二图像样本中包括用于指示图像中不包括目标物体的标注信息,可选的,第一图像样本和/或第二图像样本中还可以包括背景标注信息,或者其他标注信息。
S12、基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
以ssd神经网络模型为例,在获得目标图像样本数据集后,可以基于目标图像样本数据集中第一图像样本的标注信息和图像特征信息,以及目标图像样本数据集中第二图像样本的标注信息和图像特征信息,分别训练ssd神经网络模型从图像中识别出目标物体的能力,以及识别图像中是否包括目标物体的能力,直到模型收敛后得到能够同时识别目标物体,以及图像中是否包括目标物体的目标模型。
当然上述举例仅是为了方便理解所进行的示例说明,并不是对本申请技术方案的唯一限定。
可选的,当第一图像样本和第二图像样本中包括背景标注信息时,本实施例在训练目标模型的同时,或者得到目标模型之后,还可以基于第一图像样本、第二图像样本,以及背景标注信息,对模型进行训练,使得目标模型在上述基础上还能够识别图像背景。进而避免检测过程中误将背景检测为目标物体,提高模型检测的准确性。
本实施例通过获取目标图像样本数据集,目标图像样本数据集中包括含目标物体的第一图像样本和不包括目标物体的第二图像样本,从而基于第一图像样本和第二图像样本训练获得能够用于从图像中识别出目标物体,以及识别图像中是否包括目标物体的目标模型。由于本实施例不光训练了模型从图像中识别出目标物体的能力,还训练了模型识别图像中是否包含目标物体的能力,因而,在使用模型对目标物体进行检测时,就不会出现图像中明明不包括目标物体,却把背景等其他物体误检为目标物体的情况,从而提高了模型检测目标物体的准确性,尤其是可以用于提高ssd神经网络模型的准确性。
下面结合示例性的实施例对上述实施例进行进一步的扩展和优化:
图3是本申请实施例提供的一种步骤S12的执行方法的流程图,如图3所示,在图2实施例的基础上,步骤S12可以包括子步骤S21-S23:
S21、获取预设模型,所述预设模型至少包括第一部分和第二部。
S22、基于所述第一图像样本和所述第二图像样本训练所述预设模型的第一部分,使得所述第一部分能够识别图像中是否包括所述目标物体。
S23、在所述第一部分训练收敛后,固定所述第一部分的参数,并基于所述第一图像样本和所述第二图像样本训练所述预设模型的第二部分,使得所述第二部分能够从图像中识别出所述目标物体。
实际场景中,根据需要可以很容易的将模型划分为若干个部分,使得一个部分用于实现模型的一个功能,由于本实施例中目标实现识别目标物体,以及识别图像中是否包括目标物体这两个功能,因此,在本实施例预先将预设模型划分为两个或两个以上的部分,其中一部分用于实现识别目标物体的功能,一部分用于识别图像中是否包括目标物体,当模型训练装置执行本申请的模型训练任务时,从预设位置获取该预设模型。
本实施例在执行模型训练任务时具体可以分为两个训练部分,其中第一部分是基于第一图像和第二图像训练预设模型的其中一部分(为了方便描述以下简称第一部分),使得该部分具备识别图像中是否包括目标物体的能力。在第一部分训练收敛后,固定第一部分的参数使之不再发生变化,进而再基于第一图像样本和第二图像样本训练预设模型的另一部分(以下简称第二部分),使得第二部分具备从图像中识别出目标物体的能力,待到预设模型的第二部分也收敛后,固定第二部分的参数使之不再发生变化,从而得到能够同时从图像中识别出目标物体,以及识别图像中是否包括目标物体的目标模型。
本实施例中,通过获取预设模型,基于第一图像样本和第二图像样本训练预设模型的第一部分,使得第一部分能够识别图像中是否包括目标物体,当第一部分收敛后,固定第一部分的参数,并基于第一图像样本和第二图像样本训练预设模型的第二部分,使得第二部分能够从图像中识别出目标物体,进而得到目标模型。由于本实施例是单独训练预设模型的两个部分的,基于每个要部分实现的功能不同,在训练各部分时只需要采用与实现各部分功能相关的图像特征数据即可,相比于基于全部图像特征数据同时训练模型的两个部分而言,本实施例各部分训练所需的时间更少,从而提高了模型各部分的训练效率,以及模型整体的训练效率。
图4是本申请实施例提供的一种步骤S12的执行方法的流程图,如图4所示,在图2实施例的基础上,步骤S12可以包括子步骤S31-S33:
S31、基于所述第一图像样本和所述第二图像样本训练获得用于从图像中识别出所述目标物体的第一模型。
S32、基于所述第一图像样本和所述第二图像样本训练获得用于识别图像中是否包括所述目标物体的第二模型。
S33、对所述第一模型和所述第二模型进行合并处理,获得能够同时用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
其中,第一模型和第二模型可以是任意类型的可用于物体检测的模型,为了方便理解,可同时将第一模型和第二模型理解为ssd神经网络模型。
在本实施例中第一模型和第二模型的训练可以同时进行,也可以具有先后顺序的执行,二者执行的先后顺序可以根据需要设定,本实施例不做限定。
在对第一模型和第二模型进行合并处理时,本实施例所采用的方法可以是现有技术中任意一种可实现的方法,在这里不再赘述。
本实施例通过基于第一图像样本和第二图像样本训练获得用于从图像中识别出目标物体的第一模型,基于第一图像样本和第二图像样本训练获得用于识别图像中是否包括目标物体的第二模型,并在获得第一模型和第二模型后对第一模型和第二模型进行合并处理得到能够同时用于识别目标物体,以及识别图像中是否包括目标物体的目标模型,解决了在图像中不包括目标物体时容易将图像背景或其他物体误检为目标物体的问题,提高了模型的准确性。
图5是本申请实施例提供的一种模型训练装置的结构示意图,如图5所示,装置40包括:
获取模块41,用于获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本;
第一训练模块42,用于基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
可选的,所述第一训练模块42,包括:
第一训练子模块,用于将所述第一图像样本和所述第二图像样本输入预设模型中,同时训练预设模型识别所述目标物体的能力,以及识别图像中是否包括所述目标物体的能力,得到能够用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
可选的,所述第一图像样本和所述第二图像样本中还包括背景标注信息;
所述装置还包括:
第二训练模块,用于基于所述第一图像样本、所述第二图像样本,以及所述背景标注信息,训练所述目标模型,使得所述目标模型能够识别图像背景。
本实施例提供的装置能够用于执行图2实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
图6是本申请实施例提供的一种第一训练模块42的结构示意图,如图6所示,在图5实施例的基础上,第一训练模块42,包括:
第一获取子模块421,用于获取预设模型,所述预设模型至少包括第一部分和第二部分;
第二训练子模块422,用于基于所述第一图像样本和所述第二图像样本训练所述预设模型的第一部分,使得所述第一部分能够识别图像中是否包括所述目标物体;
第三训练子模块423,用于在所述第一部分训练收敛后,固定所述第一部分的参数,并基于所述第一图像样本和所述第二图像样本训练所述预设模型的第二部分,使得所述第二部分能够从图像中识别出所述目标物体。
本实施例提供的装置能够用于执行图3实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
图7是本申请实施例提供的一种第一训练模块42的结构示意图,如图7所示,在图5实施例的基础上,第一训练模块42,包括:
第五训练子模块424,用于基于所述第一图像样本和所述第二图像样本训练获得用于从图像中识别出所述目标物体的第一模型;
第六训练子模块425,用于基于所述第一图像样本和所述第二图像样本训练获得用于识别图像中是否包括所述目标物体的第二模型;
处理子模块426,用于对所述第一模型和所述第二模型进行合并处理,获得能够同时用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
本实施例提供的装置能够用于执行图4实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
本申请实施例还提供一种计算机设备,包括:一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一实施例所述的方法。
本申请实施例还提供在一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例所述的方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种模型训练方法,其特征在于,包括:
获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本;
基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型,包括:
将所述第一图像样本和所述第二图像样本输入预设模型中,同时训练预设模型识别所述目标物体的能力,以及识别图像中是否包括所述目标物体的能力,得到能够用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型,包括:
获取预设模型,所述预设模型至少包括第一部分和第二部分;
基于所述第一图像样本和所述第二图像样本训练所述预设模型的第一部分,使得所述第一部分能够识别图像中是否包括所述目标物体;
在所述第一部分训练收敛后,固定所述第一部分的参数,并基于所述第一图像样本和所述第二图像样本训练所述预设模型的第二部分,使得所述第二部分能够从图像中识别出所述目标物体。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型,包括:
基于所述第一图像样本和所述第二图像样本训练获得用于从图像中识别出所述目标物体的第一模型;
基于所述第一图像样本和所述第二图像样本训练获得用于识别图像中是否包括所述目标物体的第二模型;
对所述第一模型和所述第二模型进行合并处理,获得能够同时用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述第一图像样本和所述第二图像样本中还包括背景标注信息;
所述方法还包括:
基于所述第一图像样本、所述第二图像样本,以及所述背景标注信息,训练所述目标模型,使得所述目标模型能够识别图像背景。
6.一种模型训练装置,其特征在于,包括:
获取模块,用于获取目标图像样本数据集,所述目标图像数据集中包括包含目标物体的第一图像样本,以及不包括目标物体的第二图像样本;
第一训练模块,用于基于所述第一图像样本和所述第二图像样本训练获得用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
7.根据权利要求6所述的装置,其特征在于,所述第一训练模块,包括:
第一训练子模块,用于将所述第一图像样本和所述第二图像样本输入预设模型中,同时训练预设模型识别所述目标物体的能力,以及识别图像中是否包括所述目标物体的能力,得到能够用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
8.根据权利要求6所述的装置,其特征在于,所述第一训练模块,包括:
第一获取子模块,用于获取预设模型,所述预设模型至少包括第一部分和第二部分;
第二训练子模块,用于基于所述第一图像样本和所述第二图像样本训练所述预设模型的第一部分,使得所述第一部分能够识别图像中是否包括所述目标物体;
第三训练子模块,用于在所述第一部分训练收敛后,固定所述第一部分的参数,并基于所述第一图像样本和所述第二图像样本训练所述预设模型的第二部分,使得所述第二部分能够从图像中识别出所述目标物体。
9.根据权利要求6所述的装置,其特征在于,所述第一训练模块,包括:
第五训练子模块,用于基于所述第一图像样本和所述第二图像样本训练获得用于从图像中识别出所述目标物体的第一模型;
第六训练子模块,用于基于所述第一图像样本和所述第二图像样本训练获得用于识别图像中是否包括所述目标物体的第二模型;
处理子模块,用于对所述第一模型和所述第二模型进行合并处理,获得能够同时用于识别所述目标物体,以及识别图像中是否包括所述目标物体的目标模型。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述第一图像样本和所述第二图像样本中还包括背景标注信息;
所述装置还包括:
第二训练模块,用于基于所述第一图像样本、所述第二图像样本,以及所述背景标注信息,训练所述目标模型,使得所述目标模型能够识别图像背景。
11.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一项所述的方法。
12.一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,该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810887705.8A CN109241998B (zh) | 2018-08-06 | 2018-08-06 | 模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810887705.8A CN109241998B (zh) | 2018-08-06 | 2018-08-06 | 模型训练方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241998A true CN109241998A (zh) | 2019-01-18 |
CN109241998B CN109241998B (zh) | 2020-12-29 |
Family
ID=65070400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810887705.8A Active CN109241998B (zh) | 2018-08-06 | 2018-08-06 | 模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241998B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639653A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种误检图像确定方法、装置、设备和介质 |
CN111709873A (zh) * | 2020-05-27 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像转换模型生成器的训练方法和装置 |
CN111985565A (zh) * | 2020-08-20 | 2020-11-24 | 上海风秩科技有限公司 | 图片分析方法和装置、存储介质及电子设备 |
CN113515980A (zh) * | 2020-05-20 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 模型训练方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188743A1 (en) * | 2010-02-03 | 2011-08-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, image processing system, and recording medium |
CN104778474A (zh) * | 2015-03-23 | 2015-07-15 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
CN105426455A (zh) * | 2015-11-12 | 2016-03-23 | 中国科学院重庆绿色智能技术研究院 | 基于图片处理来对衣服进行分类管理的方法和装置 |
CN108171274A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别动物的方法和装置 |
CN108305296A (zh) * | 2017-08-30 | 2018-07-20 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
-
2018
- 2018-08-06 CN CN201810887705.8A patent/CN109241998B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110188743A1 (en) * | 2010-02-03 | 2011-08-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, image processing system, and recording medium |
CN104778474A (zh) * | 2015-03-23 | 2015-07-15 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
CN105426455A (zh) * | 2015-11-12 | 2016-03-23 | 中国科学院重庆绿色智能技术研究院 | 基于图片处理来对衣服进行分类管理的方法和装置 |
CN108305296A (zh) * | 2017-08-30 | 2018-07-20 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
CN108171274A (zh) * | 2018-01-17 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于识别动物的方法和装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639653A (zh) * | 2020-05-08 | 2020-09-08 | 浙江大华技术股份有限公司 | 一种误检图像确定方法、装置、设备和介质 |
CN111639653B (zh) * | 2020-05-08 | 2023-10-10 | 浙江大华技术股份有限公司 | 一种误检图像确定方法、装置、设备和介质 |
CN113515980A (zh) * | 2020-05-20 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 模型训练方法、装置、设备和存储介质 |
CN111709873A (zh) * | 2020-05-27 | 2020-09-25 | 北京百度网讯科技有限公司 | 图像转换模型生成器的训练方法和装置 |
CN111985565A (zh) * | 2020-08-20 | 2020-11-24 | 上海风秩科技有限公司 | 图片分析方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109241998B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241998A (zh) | 模型训练方法、装置、设备及存储介质 | |
Zhou et al. | Deep supervised and convolutional generative stochastic network for protein secondary structure prediction | |
CN108399386A (zh) | 饼图中的信息提取方法及装置 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
CN106716398A (zh) | 可视地区分用于测试的字符串 | |
US11734954B2 (en) | Face recognition method, device and electronic equipment, and computer non-volatile readable storage medium | |
CN112231034A (zh) | 结合rpa和ai的软件界面元素的识别方法与装置 | |
CN112231033A (zh) | 结合rpa与ai的软件界面元素的匹配方法及装置 | |
JPWO2016084336A1 (ja) | 追学習装置、追学習方法、および、追学習プログラム | |
CN110222780A (zh) | 物体检测方法、装置、设备和存储介质 | |
CN109145956B (zh) | 评分方法、装置、计算机设备及存储介质 | |
CN109102076A (zh) | 模型训练方法、装置、设备及存储介质 | |
CN106662867B (zh) | 使用条件模型来迁移故障样本以用于机器状况监视 | |
CN110135245A (zh) | 到店确认方法、装置、电子设备及可读存储介质 | |
CN107704529A (zh) | 信息唯一性识别方法、应用服务器、系统及存储介质 | |
CN110490056A (zh) | 对包含算式的图像进行处理的方法和装置 | |
CN104536880B (zh) | 基于符号执行的gui程序测试用例扩增方法 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
Badi et al. | New method for optimization of static hand gesture recognition | |
CN109711343A (zh) | 基于表情、姿态识别和眼神追踪的行为结构化方法 | |
US20220366603A1 (en) | Learning data generation apparatus, learning data generation method, and recording medium | |
CN107122653A (zh) | 一种图片验证码处理方法及装置 | |
CN109190676A (zh) | 模型训练方法、装置、设备及存储介质 | |
CN109697439A (zh) | 汉字定位方法及装置、存储介质和电子设备 |
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 |