CN109376757A - 一种多标签分类方法及系统 - Google Patents

一种多标签分类方法及系统 Download PDF

Info

Publication number
CN109376757A
CN109376757A CN201811038212.3A CN201811038212A CN109376757A CN 109376757 A CN109376757 A CN 109376757A CN 201811038212 A CN201811038212 A CN 201811038212A CN 109376757 A CN109376757 A CN 109376757A
Authority
CN
China
Prior art keywords
testing image
network
neural network
target object
characteristic pattern
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
Application number
CN201811038212.3A
Other languages
English (en)
Other versions
CN109376757B (zh
Inventor
雷宇
董远
白洪亮
熊风烨
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.)
SUZHOU FEISOU TECHNOLOGY Co.,Ltd.
Original Assignee
Beijing Faceall Co
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 Beijing Faceall Co filed Critical Beijing Faceall Co
Priority to CN201811038212.3A priority Critical patent/CN109376757B/zh
Publication of CN109376757A publication Critical patent/CN109376757A/zh
Application granted granted Critical
Publication of CN109376757B publication Critical patent/CN109376757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

本发明实施例提供一种多标签分类方法及系统，该方法包括：根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。本发明实施例提供的一种多标签分类方法，将注意力机制与神经网络结合，凸显出待测图像中每个目标物体的重要程度，从而在对多目标进行提取的时候，能够更加准确的识别出每个目标物体，避免了现有技术中的漏识别的问题。

Description

一种多标签分类方法及系统
技术领域
本发明实施例涉及目标识别与分类技术领域，尤其涉及一种多标签分类方法及系统。
背景技术
在对多标签进行分类的过程中，一张图片往往会包含多个目标，现有技术中针对图像多标签分类任务，主要的深度学习方法就是确定一种输入图片尺寸然后在数据集上进行训练，通过设置多个二分类器，如果某个类的二分类器的输出0则说明该张图片包含这一类。
但是这种方法误检的情况比较多，如果相关响应区域在最后的特征层上的响应值较小会造成模型无法判别出是否包含这一类。
发明内容
本发明实施例提供一种对标签分类方法及系统，用以解决现有技术中无法准确识别出多个目标的问题。
第一方面，本发明实施例提供一种多标签分类方法，该方法包括：
根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
第二方面，本发明实施例提供一种多标签分类系统，该系统包括：
分类模块，用于根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
第三方面，本发明实施例提供一种电子设备，该电子设备包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的一种多目标分类方法。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的一种多目标分类方法。
本发明实施例提供的一种多标签分类方法及系统，将注意力机制与神经网络结合，凸显出待测图像中每个目标物体的重要程度，从而在对多目标进行提取的时候，能够更加准确的识别出每个目标物体，避免了现有技术中的漏识别的问题。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例一种多标签分类方法的流程图；
图2为本发明实施例一种多标签分类方法中改进神经网络的结构示意图；
图3为本发明实施例提供的一种多标签分类系统的结构示意图；
图4示例了一种服务器的实体结构示意图。
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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例一种多标签分类方法的流程图，如图1所示，该方法包括：
S1，根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
所谓的多标签分类，就是要识别出一种图片中包含的多个目标物体，现有的卷积神经网络可能没有办法准确定位到这些目标的位置并提取相应的特征，本发明提出一种新的神经网络结构，即改进神经网络，改进神经网络通过将神经网络与注意力机制结合，对待测图像中每类目标物体都凸显出来，而对不感兴趣的部分则给予较小的关注度，从而实现多标签分类。
需要说明的是，注意力机制源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。上述机制通常被称为注意力机制。人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度，只有视网膜中央凹部位具有最强的敏锐度。为了合理利用有限的视觉信息处理资源，人类需要选择视觉区域中的特定部分，然后集中关注它。例如，人们在阅读时，通常只有少量要被读取的词会被关注和处理。综上，注意力机制主要有两个方面：决定需要关注输入的哪部分；分配有限的信息处理资源给重要的部分。
本发明实施例提供的一种多标签分类方法，将注意力机制与神经网络结合，凸显出待测图像中每个目标物体的重要程度，从而在对多目标进行提取的时候，能够更加准确的识别出每个目标物体，避免了现有技术中的漏识别的问题。
在上述实施例的基础上，优选地，所述改进神经网络包括权重网络和特征网络，具体地：
通过所述权重网络获取所述待测图像中每一目标物体的权重值；
通过所述特征网络，根据所述待测图像中每一目标物体的权重值和所述待测图像中每一目标物体的特征图获取所述待测图像的注意力特征图。
具体地，改进神经网络可以看作是由权重网络和特征网络组成，权重网络可以获取待测图像中每个目标物体的权重值，而特征网络则根据待测图像中每个目标物体的权重值和每个目标物体的特征图，来确定待测图像的注意力特征图。
所谓的注意力特征图，可以为每个目标物体分配不同的注意力，将感兴趣的目标物体分配较多的注意力，对不感兴趣的目标物体分配较少的注意力。
本发明实施例通过为待测图像中不同的目标物体分配不同的权重值，对感兴趣的目标物体分配较多的注意力，对不感兴趣的目标物体分配较少的注意力，从而提高对待测图像中多目标物体分类的精度。
在上述实施例的基础上，优选地，所述通过所述权重网络获取所述待测图像中每一目标物体的权重值，具体包括：
通过基网络获取所述待测图像的特征图；
根据所述待测图像的特征图和全局池化层，获取所述待测图像中每一目标物体的权重值。
需要说明的是，基网络是指具有固定网络结构的神经网络。
具体地，权重网络由基网络和全局池化层组成，待测图像首先输入到基网络中，得到该待测图像的特征图，然后将该待测图像的特征图输入到全局池化层中，得到待测图像中每一目标物体的权重值。
本发明实施例中，基网络采用resnet50，也可以采用其它神经网络。
在上述实施例的基础上，优选地，根据所述待测图像中每一目标物体的权重值和所述待测图像中每一目标物体的特征图获取所述待测图像的注意力特征图，具体包括：
将所述待测图像中每一目标物体的权重值与所述待测图像的特征图进行卷积计算，获取所述待测图像的注意力特征图。
所述改进神经网络还包括全局池化层和全连接层，具体地：
获取所述待测图像中每一目标物体的权重值的第一损失值；
通过所述全局池化层和所述全连接层获取所述注意力特征图的第二损失值；
根据所述第一损失值和所述第二损失值，获取所述待测图像的平均损失值。
为了便于理解，图2为本发明实施例一种多标签分类方法中改进神经网络的结构示意图，如图2所示，该发明实施例采用的基网络是resnet50，从该网络的倒数第四层开始接触一个分支网络，也就是图中的n取值为4，该分支网络就是特征网络，特征网络主要用来生成每个目标物体对应的特征图。
上面的分支是权重网络，权重网络用来生成每个目标物体的权重向量。
然后待测图像中每个目标物体的权重向量与每个目标物体的特征图进行卷积运算，得到该待测图像的注意力特征图。注意力特征图经过全局池化层和全连接层后，得到第二损失值，根据权重网络得到的第一损失值，对第一损失值和第二损失值进行平均，就可以得到平均损失值。
特征的大小根据输入图片的大小而定，一般取值为7*7。
通过上述的网络结构设计成一个端到端的训练过程，输入训练图片，经过权重网络和特征网络分别计算出第一损失值和第二损失值，然后通过第一损失值和第二损失值做一个数值平均即可得到最后的平均损失值，通过训练不断对这个平均损失值进行优化即可得到最后的结果。
在上述实施例的基础上，优选地，所述根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，之前还包括：
通过训练样本集对所述权重网络进行训练；
通过所述训练样本集对所述特征网络进行训练；
通过所述训练样本集对所述改进神经网络进行训练，获得训练后的改进神经网络。
在实现该方案的过程中，采用Pytorch来实现，由于该方案的所有过程都能用python语言来描述，并且能够自动反馈，方便对改进神经网络的结构和计算过程进行调整。
为了让改进神经网更好的收敛，首先单独训练权重网络分支来得到一个较好的权重向量生成器。加载resnet50在训练样本集上的预训练模型的参数，通过SGD优化算法来训练其中的参数。
需要说明的是，SGD算法是指自适应学习速率优化算法。
固定主干网络以及权重网络的参数，只训练特征网络的参数，同样采用SGD优化算法来对参数进行更新。
最后对整个改进神经网络一起训练，第一损失值和第二损失值进行算数平均，通过SGD优化器来优化整个网络结构的参数。
需要说明的是，训练样本集一般有NUS-WIDE数据集、wider-attr数据集等，NUS-WIDE数据集，这是由新加坡国立大学的媒体搜索实验室创建的网络图像数据集，wider-attr数据集包含了行人相关的各种属性。
本发明实施例提供了一种多标签分类方法，通过提出一种改进神经网络对待测图像进行识别，所提出的改进神经网络适用性广，可以应用很多的场景中，比如目标识别、行人属性识别等，泛用性强，可以适用于大部分的网络结构，并且训练方法简单，利用现有的框架，方便调整网络结构和模型融合，相对常见的多标签分类的方法，有较好的性能提升。
图3为本发明实施例提供的一种多标签分类系统的结构示意图，如图3所示，该系统包括分类模块301，其中：
分类模块301用于根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
分类模块将待测图像输入到改进神经网络中，由于改进神经网络是将神经网络与注意力机制结合获得的，也就是对待测图像中感兴趣的目标物体分配较多的注意力，对待测图像中不感兴趣的目标物体分配较少的注意力，从而得到待测图像中更加准确的分类。
本系统实施例的具体执行过程与上述方法实施例的执行过程相同，详情请参考上述方法实施例，本系统实施例在此不再赘述。
本发明实施例提供的一种多标签分类方法，将注意力机制与神经网络结合，凸显出待测图像中每个目标物体的重要程度，从而在对多目标进行提取的时候，能够更加准确的识别出每个目标物体，避免了现有技术中的漏识别的问题。
图4示例了一种服务器的实体结构示意图，如图4所示，该服务器可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和总线440，其中，处理器410，通信接口420，存储器430通过总线440完成相互间的通信。通信接口440可以用于服务器与智能电视之间的信息传输。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：
根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
本领域普通技术人员可以理解：实现上述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。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种多标签分类方法，其特征在于，包括：
根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
2.根据权利要求1所述方法，其特征在于，所述改进神经网络包括权重网络和特征网络，具体地：
通过所述权重网络获取所述待测图像中每一目标物体的权重值；
通过所述特征网络，根据所述待测图像中每一目标物体的权重值和所述待测图像中每一目标物体的特征图获取所述待测图像的注意力特征图。
3.根据权利要求2所述方法，其特征在于，所述通过所述权重网络获取所述待测图像中每一目标物体的权重值，具体包括：
通过基网络获取所述待测图像的特征图；
根据所述待测图像的特征图和全局池化层，获取所述待测图像中每一目标物体的权重值。
4.根据权利要求3所述方法，其特征在于，根据所述待测图像中每一目标物体的权重值和所述待测图像中每一目标物体的特征图获取所述待测图像的注意力特征图，具体包括：
将所述待测图像中每一目标物体的权重值与所述待测图像的特征图进行卷积计算，获取所述待测图像的注意力特征图。
5.根据权利要求2所述方法，其特征在于，所述改进神经网络还包括全局池化层和全连接层，具体地：
获取所述待测图像中每一目标物体的权重值的第一损失值；
通过所述全局池化层和所述全连接层获取所述注意力特征图的第二损失值；
根据所述第一损失值和所述第二损失值，获取所述待测图像的平均损失值。
6.根据权利要求2所述方法，其特征在于，所述根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，之前还包括：
通过训练样本集对所述权重网络进行训练；
通过所述训练样本集对所述特征网络进行训练；
通过所述训练样本集对所述改进神经网络进行训练，获得训练后的改进神经网络。
7.根据权利要求6所述方法，其特征在于，具体地：
通过SGD算法对所述权重网络、所述特征网络和所述改进神经网络进行训练。
8.一种多标签分类系统，其特征在于，包括：
分类模块，用于根据待测图像和训练后的改进神经网络，获取所述待测图像中的所有目标物体，其中，所述改进神经网络通过将神经网络与注意力机制结合获得。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
CN201811038212.3A 2018-09-06 2018-09-06 一种多标签分类方法及系统 Active CN109376757B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811038212.3A CN109376757B (zh) 2018-09-06 2018-09-06 一种多标签分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811038212.3A CN109376757B (zh) 2018-09-06 2018-09-06 一种多标签分类方法及系统

Publications (2)

Publication Number Publication Date
CN109376757A true CN109376757A (zh) 2019-02-22
CN109376757B CN109376757B (zh) 2020-09-08

Family

ID=65404547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811038212.3A Active CN109376757B (zh) 2018-09-06 2018-09-06 一种多标签分类方法及系统

Country Status (1)

Country Link
CN (1) CN109376757B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119815A (zh) * 2019-05-21 2019-08-13 深圳市腾讯网域计算机网络有限公司 模型训练方法、装置、存储介质及设备
CN110210572A (zh) * 2019-06-10 2019-09-06 腾讯科技（深圳）有限公司 图像分类方法、装置、存储介质及设备
CN111126258A (zh) * 2019-12-23 2020-05-08 深圳市华尊科技股份有限公司 图像识别方法及相关装置
CN111126514A (zh) * 2020-03-30 2020-05-08 同盾控股有限公司 图像多标签分类方法、装置、设备及介质
CN113780478A (zh) * 2021-10-26 2021-12-10 平安科技（深圳）有限公司 活动性分类模型训练方法、分类方法、装置、设备、介质
CN116740414A (zh) * 2023-05-15 2023-09-12 中国科学院自动化研究所 图像识别方法、装置、电子设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766894A (zh) * 2017-11-03 2018-03-06 吉林大学 基于注意力机制和深度学习的遥感图像自然语言生成方法
CN108229267A (zh) * 2016-12-29 2018-06-29 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346448B (zh) * 2016-05-06 2021-12-21 富士通株式会社 基于深度神经网络的识别装置、训练装置及方法
CN108229519B (zh) * 2017-02-17 2020-09-04 北京市商汤科技开发有限公司 图像分类的方法、装置及系统
CN107704877B (zh) * 2017-10-09 2020-05-29 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
CN108491765B (zh) * 2018-03-05 2020-12-15 中国农业大学 一种蔬菜图像的分类识别方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229267A (zh) * 2016-12-29 2018-06-29 北京市商汤科技开发有限公司 对象属性检测、神经网络训练、区域检测方法和装置
CN107766894A (zh) * 2017-11-03 2018-03-06 吉林大学 基于注意力机制和深度学习的遥感图像自然语言生成方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119815A (zh) * 2019-05-21 2019-08-13 深圳市腾讯网域计算机网络有限公司 模型训练方法、装置、存储介质及设备
CN110210572A (zh) * 2019-06-10 2019-09-06 腾讯科技（深圳）有限公司 图像分类方法、装置、存储介质及设备
CN110210572B (zh) * 2019-06-10 2023-02-07 腾讯科技（深圳）有限公司 图像分类方法、装置、存储介质及设备
CN111126258A (zh) * 2019-12-23 2020-05-08 深圳市华尊科技股份有限公司 图像识别方法及相关装置
CN111126258B (zh) * 2019-12-23 2023-06-23 深圳市华尊科技股份有限公司 图像识别方法及相关装置
CN111126514A (zh) * 2020-03-30 2020-05-08 同盾控股有限公司 图像多标签分类方法、装置、设备及介质
CN113780478A (zh) * 2021-10-26 2021-12-10 平安科技（深圳）有限公司 活动性分类模型训练方法、分类方法、装置、设备、介质
CN113780478B (zh) * 2021-10-26 2024-05-28 平安科技（深圳）有限公司 活动性分类模型训练方法、分类方法、装置、设备、介质
CN116740414A (zh) * 2023-05-15 2023-09-12 中国科学院自动化研究所 图像识别方法、装置、电子设备和存储介质
CN116740414B (zh) * 2023-05-15 2024-03-01 中国科学院自动化研究所 图像识别方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN109376757B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN109376757A (zh) 一种多标签分类方法及系统
CN111860573B (zh) 模型训练方法、图像类别检测方法、装置和电子设备
CN109344908B (zh) 用于生成模型的方法和装置
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
KR102641116B1 (ko) 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치
CN109101919B (zh) 用于生成信息的方法和装置
CN110349147B (zh) 模型的训练方法、眼底黄斑区病变识别方法、装置及设备
CN108280455B (zh) 人体关键点检测方法和装置、电子设备、程序和介质
CN107679466B (zh) 信息输出方法和装置
CN107690660A (zh) 图像识别方法及装置
WO2019200735A1 (zh) 牲畜特征向量的提取方法、装置、计算机设备和存储介质
CN112132847A (zh) 模型训练方法、图像分割方法、装置、电子设备和介质
CN110096617B (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN109472193A (zh) 人脸检测方法及装置
CN112508120B (zh) 学生模型训练方法、装置、设备、介质和程序产品
CN112598045A (zh) 训练神经网络的方法、图像识别方法及图像识别装置
CN109583364A (zh) 图像识别方法及设备
CN110298394A (zh) 一种图像识别方法和相关装置
CN113128478A (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN108171208A (zh) 信息获取方法和装置
CN110826581A (zh) 一种动物数量识别方法、装置、介质及电子设备
CN114245910A (zh) 一种自动机器学习AutoML系统、方法及设备
CN114783021A (zh) 一种口罩佩戴智能检测方法、装置、设备及介质
CN113902944A (zh) 模型的训练及场景识别方法、装置、设备及介质
CN110490058A (zh) 行人检测模型的训练方法、装置、系统和计算机可读介质

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
TA01 Transfer of patent application right

Effective date of registration: 20200731

Address after: 215000 unit 2-b702, creative industry park, No. 328, Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant after: SUZHOU FEISOU TECHNOLOGY Co.,Ltd.

Address before: 100876 Beijing, Haidian District, 10 West Road, Beijing, 12 Beijing, North Post Science and technology exchange center, room 1216

Applicant before: BEIJING FEISOU TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant