CN109508217B - 一种数据处理方法、装置、设备及介质 - Google Patents

一种数据处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN109508217B
CN109508217B CN201811229197.0A CN201811229197A CN109508217B CN 109508217 B CN109508217 B CN 109508217B CN 201811229197 A CN201811229197 A CN 201811229197A CN 109508217 B CN109508217 B CN 109508217B
Authority
CN
China
Prior art keywords
data
image
processing method
sample
data object
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.)
Active
Application number
CN201811229197.0A
Other languages
English (en)
Other versions
CN109508217A (zh
Inventor
来炜国
李美欣
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.)
Zhengzhou Yunhai Information Technology Co Ltd
Original Assignee
Zhengzhou Yunhai Information Technology Co Ltd
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 Zhengzhou Yunhai Information Technology Co Ltd filed Critical Zhengzhou Yunhai Information Technology Co Ltd
Priority to CN201811229197.0A priority Critical patent/CN109508217B/zh
Publication of CN109508217A publication Critical patent/CN109508217A/zh
Application granted granted Critical
Publication of CN109508217B publication Critical patent/CN109508217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种数据处理方法、装置、设备及介质，包括：获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像。本申请在获取到数据对象之后，会将数据对象的N维数据信息分别一对一地填充至空白图像的N个维度，这样相当于可以将原本的非图像数据转换为图像数据，从而使得后续可以利用现有的大量图像处理技术来对上述转换得到的图像数据进行处理，由此扩展了非图像数据所适用的数据处理技术。

Description

一种数据处理方法、装置、设备及介质
技术领域
本申请涉及数据处理领域，特别涉及一种数据处理方法、装置、设备及介质。
背景技术
目前，互联网技术、云计算和大数据技术蓬勃发展，产生了大量的数据，其中包括图像数据以及大量的非图像数据。
在很多领域中，通常都需要在使用数据之前，先对数据进行处理。目前虽然存在一些专门针对非图像数据的数据处理技术，但是由于当前非图像数据的数据量非常庞大，类型众多，仅仅依靠现有专用的数据处理技术来对其进行处理是远远不够。如何进一步扩展非图像数据所适用的数据处理技术是目前亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种数据处理方法、装置、设备及介质，能够进一步扩展非图像数据所适用的数据处理技术。其具体方案如下：
第一方面，本申请公开了一种数据处理方法，包括：
获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；
将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像。
可选的，所述N维数据信息包括第一维数据信息和第二维数据信息；
其中，所述第一维数据信息为所述数据对象的样本的指标数据，所述第二维数据信息为所述数据对象的不同时间上的样本，其中，所述数据对象包括一个或多个样本，每个样本包含一个或多个指标数据，并且每个样本均具有相应的样本类别标签。
可选的，将所述第一维数据信息填充至所述空白图像的相应维度之前，还包括：
确定所述数据对象的指标数据在所述空白图像的相应维度的位置。
可选的，所述确定所述数据对象的指标数据在所述空白图像的相应维度的位置，包括：
根据所述数据对象的指标数据对目标应用问题的敏感度，确定所述数据对象的指标数据在所述空白图像的相应维度的位置。
可选的，所述数据处理方法，还包括：
从与原始数据集对应的所有所述填充后图像中确定出目标图像集；其中，所述原始数据集包括一个或多个所述数据对象；
确定目标滑动窗口的全局参数；其中，所述全局参数包括所述目标滑动窗口的高度、宽度、步长和图像片段总数；
利用所述目标滑动窗口，并根据所述全局参数，从所述目标图像集中选取出相应的图像片段，得到目标图像片段集。
可选的，所述从与原始数据集对应的所有所述填充后图像中确定出目标图像集，包括：
从与原始数据集对应的所有所述填充后图像中筛选出部分所述填充后图像作为目标图像集。
可选的，所述从与原始数据集对应的所有所述填充后图像中确定出目标图像集，包括：
将与原始数据集对应的所有所述填充后图像进行多次重复组合，得到目标图像集。
可选的，从所述目标图像集中选取出任一图像片段之后，还包括：
确定该图像片段对应的样本类别标签；
判断该图像片段对应的样本类别标签是否满足预设条件，如果是，则舍弃该图像片段，如果否，保留该图像片段。
可选的，所述从所述目标图像集中选取出相应的图像片段，得到目标图像片段集之后，还包括：
利用预设的图像处理方法，对所述目标图像片段集中的图像片段进行图像预处理。
可选的，所述图像处理方法包括图像锐化处理。
可选的，所述数据处理方法，还包括：
将所述目标图像片段集中的图像片段以及与图像片段对应的样本类别标签添加到预设的训练样本集中；
利用所述训练样本集，并结合预设的深度学习算法，训练相应的分类模型。
可选的，所述深度学习算法包括深度神经网络算法。
第二方面，本申请公开了一种数据处理装置，包括：
数据获取模块，用于获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；
图像创建模块，用于将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像。
第三方面，本申请公开了一种数据处理设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现前述的数据处理方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现前述的数据处理方法。
可见，本申请在获取到数据对象之后，会将数据对象的N维数据信息分别一对一地填充至空白图像的N个维度，这样相当于可以将原本的非图像数据转换为图像数据，从而使得后续可以利用现有的大量图像处理技术来对上述转换得到的图像数据进行处理，由此扩展了非图像数据所适用的数据处理技术。
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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种数据处理方法流程图；
图2为本申请实施例公开的一种具体的数据处理方法流程图；
图3为本申请实施例公开的一种数据处理装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例公开了一种数据处理方法，参见图1所示，该方法包括：
步骤S11：获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；
步骤S12：将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像。
可以理解的是，本实施例中的数据对象中的数据是非图像数据。若一个所述数据对象中一共包括2维数据信息，则可以将上述2维数据信息分别一对一地填充至空白平面图像的2个维度上，以得到一个填充后的二维图像；若一个所述数据对象中一共包括3维数据信息，则可以将上述3维数据分别一对一地填充至空白3D立体图像的3个维度上，以得到一个填充后的三维图像。
需要进一步指出的是，本实施例中的图像是一种广义上的图像，主要包括以下特点：向空白图像填充的数据信息相当于图像的像素值，本实施例中的像素值可以是整数也可以是浮点数，如果是整数，其取值范围既可以是0至255之间，也可以超出上述范围；本实施例中图像的通道数可以是一个，也可以是多个，例如三个通道。
具体的，本实施例中，所述N维数据信息具体可以包括第一维数据信息和第二维数据信息；
其中，所述第一维数据信息为所述数据对象的样本的指标数据，所述第二维数据信息为所述数据对象的不同时间上的样本，其中，所述数据对象包括一个或多个样本，每个样本包含一个或多个指标数据，并且每个样本均具有相应的样本类别标签。可以理解的是，上述样本类别标签用于表征样本的类别，例如可以包括表征正常数据样本的样本类别标签和异常数据样本的样本类别标签。
可以理解的是，本实施例在将所述第一维数据信息填充至所述空白图像的相应维度之前，还需要确定所述数据对象的指标数据在所述空白图像的相应维度的位置。
其中，所述确定所述数据对象的指标数据在所述空白图像的相应维度的位置，具体可以包括：
根据所述数据对象的指标数据对目标应用问题的敏感度，确定所述数据对象的指标数据在所述空白图像的相应维度的位置。
具体的，本实施例可以将对目标应用问题的敏感度比较大的高敏感指标数据放置在所述空白图像的相应维度的中部区域，而将对目标应用问题的敏感度比较小的低敏感度指标数据放置在所述空白图像的相应维度的边缘区域；或者也可以按照敏感度的大小对指标数据在所述空白图像的相应维度上进行升序放置或降序放置。另外，为了降低不同指标之间的串扰，本实施例还可以在任意相邻的两个指标行之间插入一个或多个空白行。
另外，需要进一步指出的是，由于所述第二维数据信息为所述数据对象的不同时间上的样本，所以在将所述第二维数据信息填充至所述空白图像的相应维度时，相当于将该数据对象的所有样本点按照时间顺序进行排布。由于通常情况下，与所述第二维数据信息所对应的图像维度相对应的图像长度要远远大于与所述第一维数据信息所对应的图像维度相对应的图像长度，所以基于上述第一维数据信息和第二维数据信息构造的图像类似一个长长的画卷，所以本申请也可以将与数据对象对应的填充后图像称作为图像卷或画卷。
需要进一步指出的是，通常情况下，数据对象仅仅涉及两个数据维度上的数据信息，这样构造出来的图像是二维平面图像。当然，在数据对象包括三个数据维度上的数据信息时，则可以构造出三维立体图像。例如，第三维数据信息可以是数据对象中的数据与特定算法目标相关的信息等。
可见，本实施例在获取到数据对象之后，会将数据对象的N维数据信息分别一对一地填充至空白图像的N个维度，这样相当于可以将原本的非图像数据转换为图像数据，从而使得后续可以利用现有的大量图像处理技术来对上述转换得到的图像数据进行处理，由此扩展了非图像数据所适用的数据处理技术。
参见图2所示，本申请实施例公开了一种具体的数据处理方法，包括：
步骤S21：获取数据对象；其中，所述数据对象包含第一维数据信息和第二维数据信息。
其中，所述第一维数据信息为所述数据对象的样本的指标数据，所述第二维数据信息为所述数据对象的不同时间上的样本，其中，所述数据对象包括一个或多个样本，每个样本包含一个或多个指标数据，并且每个样本均具有相应的样本类别标签。
步骤S22：将所述数据对象的所述第一维数据信息和第二维数据信息分别一对一地填充至空白图像的2个维度，得到填充后图像。
步骤S23：从与原始数据集对应的所有所述填充后图像中确定出目标图像集；其中，所述原始数据集包括一个或多个所述数据对象。
在一种具体实施方式中，所述从与原始数据集对应的所有所述填充后图像中确定出目标图像集，可以包括：
从与原始数据集对应的所有所述填充后图像中筛选出部分所述填充后图像作为目标图像集。
在另一种具体实施方式中，所述从与原始数据集对应的所有所述填充后图像中确定出目标图像集，具体可以包括：
将与原始数据集对应的所有所述填充后图像进行多次重复组合(即多个epoch)，得到目标图像集。
步骤S24：确定目标滑动窗口的全局参数；其中，所述全局参数包括所述目标滑动窗口的高度、宽度、步长和图像片段总数；
步骤S25：利用所述目标滑动窗口，并根据所述全局参数，从所述目标图像集中选取出相应的图像片段，得到目标图像片段集。
可以理解的是，根据所述全局参数从所述目标图像集中选取出相应的图像片段的片段数量与上述图像片段总数保持一致。
另外，需要指出的是，在利用所述目标滑动窗口对目标图像集进行滑动取样时，上述全局参数中的高度与所述第一维数据信息对应的图像维度之间是对应的，上述全局参数中的宽度与所述第二维数据信息对应的图像维度之间是对应的。
进一步的，从所述目标图像集中选取出任一图像片段之后，还可以包括：
确定该图像片段对应的样本类别标签，然后判断该图像片段对应的样本类别标签是否满足预设条件，如果是，则舍弃该图像片段，如果否，保留该图像片段。
例如，当该图像片段对应的样本类别标签互斥或样本类别标签的数量大于2个，则可以舍弃该图像片段。另外，所述目标滑动窗口在对某一张填充后图像进行滑动取样的过程中，当所述目标滑动窗口滑动到至靠近该填充后图像的最右端时，如果此时该填充后图像的剩余部分不足以构成一个图像片段，则可以适当向左移动所述目标滑动窗口，以便得到一个完整的图像片段。
进一步的，所述从所述目标图像集中选取出相应的图像片段，得到目标图像片段集之后，还可以包括：
利用预设的图像处理方法，对所述目标图像片段集中的图像片段进行图像预处理。
其中，所述图像处理方法包括但不限于图像锐化处理。
步骤S26：将所述目标图像片段集中的图像片段以及与图像片段对应的样本类别标签添加到预设的训练样本集中。
步骤S27：利用所述训练样本集，并结合预设的深度学习算法，训练相应的分类模型。
本实施例中，所述深度学习算法包括但不限于深度神经网络算法。
可以理解的是，通过训练得到上述分类模型之后，便可以利用该分类模型实现对待分类数据对象的分类操作。可见，本实施例在将非图像数据转换成图像数据之后，便可以利用深度神经网络算法等高效的图像处理算法来对上述转换后的数据进行处理，由此扩展了非图像数据所适用的数据处理技术。
进一步的，本申请实施例还公开了一种数据处理装置，参见图3所示，该装置包括：
数据获取模块11，用于获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；
图像创建模块12，用于将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像。
其中，关于上述数据处理装置更加具体的构造和功能可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本实施例在获取到数据对象之后，会将数据对象的N维数据信息分别一对一地填充至空白图像的N个维度，这样相当于可以将原本的非图像数据转换为图像数据，从而使得后续可以利用现有的大量图像处理技术来对上述转换得到的图像数据进行处理，由此扩展了非图像数据所适用的数据处理技术。
进一步的，本申请还公开了一种数据处理设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现前述实施例公开的数据处理方法。
其中，关于上述数据处理方法更加具体的步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现前述实施例公开的数据处理方法。
其中，关于上述数据处理方法更加具体的步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种数据处理方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种数据处理方法，其特征在于，包括：
获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；
将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像；
所述N维数据信息包括第一维数据信息和第二维数据信息；
其中，所述第一维数据信息为所述数据对象的样本的指标数据，所述第二维数据信息为所述数据对象的不同时间上的样本，其中，所述数据对象包括一个或多个样本，每个样本包含一个或多个指标数据，并且每个样本均具有相应的样本类别标签；
并且，将所述第一维数据信息填充至所述空白图像的相应维度之前，还包括：根据所述数据对象的指标数据对目标应用问题的敏感度，确定所述数据对象的指标数据在所述空白图像的相应维度的位置。
2.根据权利要求1所述的数据处理方法，其特征在于，还包括：
从与原始数据集对应的所有所述填充后图像中确定出目标图像集；其中，所述原始数据集包括一个或多个所述数据对象；
确定目标滑动窗口的全局参数；其中，所述全局参数包括所述目标滑动窗口的高度、宽度、步长和图像片段总数；
利用所述目标滑动窗口，并根据所述全局参数，从所述目标图像集中选取出相应的图像片段，得到目标图像片段集。
3.根据权利要求2所述的数据处理方法，其特征在于，所述从与原始数据集对应的所有所述填充后图像中确定出目标图像集，包括：
从与原始数据集对应的所有所述填充后图像中筛选出部分所述填充后图像作为目标图像集。
4.根据权利要求2所述的数据处理方法，其特征在于，所述从与原始数据集对应的所有所述填充后图像中确定出目标图像集，包括：
将与原始数据集对应的所有所述填充后图像进行多次重复组合，得到目标图像集。
5.根据权利要求2所述的数据处理方法，其特征在于，从所述目标图像集中选取出任一图像片段之后，还包括：
确定该图像片段对应的样本类别标签；
判断该图像片段对应的样本类别标签是否满足预设条件，如果是，则舍弃该图像片段，如果否，保留该图像片段。
6.根据权利要求2所述的数据处理方法，其特征在于，所述从所述目标图像集中选取出相应的图像片段，得到目标图像片段集之后，还包括：
利用预设的图像处理方法，对所述目标图像片段集中的图像片段进行图像预处理。
7.根据权利要求6所述的数据处理方法，其特征在于，所述图像处理方法包括图像锐化处理。
8.根据权利要求2所述的数据处理方法，其特征在于，还包括：
将所述目标图像片段集中的图像片段以及与图像片段对应的样本类别标签添加到预设的训练样本集中；
利用所述训练样本集，并结合预设的深度学习算法，训练相应的分类模型。
9.根据权利要求8所述的数据处理方法，其特征在于，所述深度学习算法包括深度神经网络算法。
10.一种数据处理装置，其特征在于，包括：
数据获取模块，用于获取数据对象；其中，所述数据对象包含N维数据信息，N为正整数；
图像创建模块，用于将所述数据对象的所述N维数据信息分别一对一地填充至空白图像的N个维度，得到填充后图像；
所述N维数据信息包括第一维数据信息和第二维数据信息；
其中，所述第一维数据信息为所述数据对象的样本的指标数据，所述第二维数据信息为所述数据对象的不同时间上的样本，其中，所述数据对象包括一个或多个样本，每个样本包含一个或多个指标数据，并且每个样本均具有相应的样本类别标签；
并且，所述装置还用于在将所述第一维数据信息填充至所述空白图像的相应维度之前，根据所述数据对象的指标数据对目标应用问题的敏感度，确定所述数据对象的指标数据在所述空白图像的相应维度的位置。
11.一种数据处理设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至9任一项所述的数据处理方法。
12.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的数据处理方法。
CN201811229197.0A 2018-10-22 2018-10-22 一种数据处理方法、装置、设备及介质 Active CN109508217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811229197.0A CN109508217B (zh) 2018-10-22 2018-10-22 一种数据处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811229197.0A CN109508217B (zh) 2018-10-22 2018-10-22 一种数据处理方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN109508217A CN109508217A (zh) 2019-03-22
CN109508217B true CN109508217B (zh) 2022-03-08

Family

ID=65745892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811229197.0A Active CN109508217B (zh) 2018-10-22 2018-10-22 一种数据处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN109508217B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309127B (zh) * 2019-07-02 2021-07-16 联想(北京)有限公司 一种数据处理方法、装置及电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101387189B1 (ko) * 2012-05-30 2014-04-29 삼성전기주식회사 운행 보조정보 표시장치 및 운행 보조정보 표시방법
CN104244107B (zh) * 2014-08-26 2017-08-08 中译语通科技（北京）有限公司 一种基于字幕检测与识别的视频字幕还原方法
CN104731894B (zh) * 2015-03-18 2018-10-16 百度在线网络技术（北京）有限公司 热力图的展现方法及装置
CN105976392B (zh) * 2016-05-30 2018-12-14 北京智芯原动科技有限公司 基于最大输出概率的车辆轮胎检测方法及装置
CN106228124B (zh) * 2016-07-17 2019-03-08 西安电子科技大学 基于卷积神经网络的sar图像目标检测方法
CN106407971A (zh) * 2016-09-14 2017-02-15 北京小米移动软件有限公司 文字识别方法及装置
CN106484956B (zh) * 2016-09-18 2019-05-24 北京理工大学 一种基于图像像素点阵坐标的数值模型构建方法
CN108021655A (zh) * 2017-12-01 2018-05-11 广东工业大学 一种数据处理方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN109508217A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
US9779324B2 (en) Method and device for detecting interest points in image
GB2569848A (en) Question answering for data visualizations
CN108108731B (zh) 基于合成数据的文本检测方法及装置
US20120251003A1 (en) Image processing system and method
JP2015079505A (ja) 視差深度画像のノイズ識別方法及びノイズ識別装置
CN109977952B (zh) 基于局部最大值的候选目标检测方法
GB2585396A (en) Utilizing a critical edge detection neural network and a geometric model to determine camera parameters from a single digital image
EP3115931B1 (en) Method and device for detecting road dividing object as well as relevant program and non-transitory computer-readable medium
WO2019127102A1 (zh) 信息处理方法、装置、云处理设备以及计算机程序产品
CN111143551A (zh) 文本预处理方法、分类方法、装置及设备
CN111310758A (zh) 文本检测方法、装置、计算机设备和存储介质
CN114519710A (zh) 视差图生成方法和装置、电子设备及存储介质
KR20140091760A (ko) 화상 내의 텍스트의 검출을 용이하게 하기 위한 방법 및 장치
CN109508217B (zh) 一种数据处理方法、装置、设备及介质
CN114565768A (zh) 图像分割方法及装置
KR101262164B1 (ko) 저 해상도 깊이 맵으로부터 고 해상도 깊이 맵을 생성하는 방법 및 이를 기록한 기록매체
KR101414171B1 (ko) 전자 문서 모델링 방법 및 그 전자 장치
CN110929647B (zh) 一种文本检测方法、装置、设备及存储介质
US10002458B2 (en) Data plot processing
KR101692634B1 (ko) 2차원 영상의 3차원 변환 장치 및 방법
CN110610184B (zh) 图像的显著目标的检测方法、装置及设备
CN110796115A (zh) 图像检测方法、装置、电子设备及可读存储介质
CN107038687B (zh) 抽稀图像的生成方法及装置
CN114743150A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN108629788B (zh) 一种图像边缘检测方法、装置、设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant