CN109657535A - 图片识别方法、目标设备及云平台 - Google Patents
图片识别方法、目标设备及云平台 Download PDFInfo
- Publication number
- CN109657535A CN109657535A CN201811278837.7A CN201811278837A CN109657535A CN 109657535 A CN109657535 A CN 109657535A CN 201811278837 A CN201811278837 A CN 201811278837A CN 109657535 A CN109657535 A CN 109657535A
- Authority
- CN
- China
- Prior art keywords
- network model
- structural parameters
- neural network
- target
- samples pictures
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图片识别方法、目标设备及云平台,图像识别方法包括获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建所述目标神经网络模型;基于所述目标神经网络模型,对目标图片进行识别。通过目标设备即可实现对目标图片的识别,防止直接通过云平台进行识别得到的识别结果被篡改,提高了识别结果的准确性以及可靠性。
Description
技术领域
本发明实施例涉及人工智能技术领域,更具体地,涉及图片识别方法、目标设备及云平台。
背景技术
目前,在很多应用场景中,需要对图片进行识别,便于对图片进行管理以及掌握图片显示的信息。在图片较少的时候,可以人工手动地对图片进行识别。但是随着网络科技的发展,在网络场景下,通常需要对成千上万的图片进行识别,手动处理方式变得过于不切实际,因此,在网络场景中,如何智能地对图片进行识别变得尤为重要。
现有的技术方案中,通过图片识别可以智能识别癌变细胞,通过图像采集模块采集已经目标设备处理、染色后的细胞样本图像,获取的图像通过网络通信模块上传至专家云平台,云平台端搭建的图像分析系统通过训练好的模型进行特征匹配与识别,如果无法识别,再通过医疗专家进行在线诊断;采用深度学习算法,图像预处理阶段对图片进行切割、随机镜像、幅度缩放以及去均值等处理;将预处理后的图像通过卷积神经网络进行前向传播计算,获得病变细胞的识别结果;设置识别概率阈值,若匹配概率低于识别阈值,前端会把染色后的细胞样本原始图片传送至专家云平台,并提供一定概率的病例参考信息。
现有技术中,需要图像采集模块将采集到的图像上传至云平台实现对图片的识别,但是由于识别过程是通过云平台实现的,识别结果并不能被目标设备直接得到,这将大大降低识别结果的可靠性。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明实施例提供了一种图片识别方法、目标设备及云平台。
第一方面,本发明实施例提供了一种图片识别方法,包括:
获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建所述目标神经网络模型;
基于所述目标神经网络模型,对目标图片进行识别。
第二方面,本发明实施例提供了一种图片识别方法,包括:
确定预设神经网络模型的结构参数;
向目标设备发送所述预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
第三方面,本发明实施例提供了一种目标设备,包括:
模型构建模块,用于获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建所述目标神经网络模型;
识别模块,用于基于所述目标神经网络模型,对目标图片进行识别。
第四方面,本发明实施例提供了一种云平台,包括:
结构参数确定模块,用于确定预设神经网络模型的结构参数;
参数发送模块,用于向目标设备发送预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
第五方面,本发明实施例提供了一种电子设备,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,以执行如第一方面或第二方面所述的图片识别方法。
第六方面,本发明实施例提供了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如第一方面或第二方面所述的图片识别方法。
本发明实施例提供的一种图片识别方法、目标设备及云平台,图像识别方法包括获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建所述目标神经网络模型;基于所述目标神经网络模型,对目标图片进行识别。通过目标设备即可实现对目标图片的识别,防止直接通过云平台进行识别得到的识别结果被篡改,提高了识别结果的准确性以及可靠性。
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为本发明实施例提供的一种图片识别方法的流程示意图;
图2为本发明实施例提供的一种图片识别方法的流程示意图;
图3为本发明实施例提供的一种目标设备的结构示意图;
图4为本发明实施例提供的一种云平台的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
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。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明实施例中的具体含义。
如图1所示,本发明一实施例提供了一种图片识别方法,包括:
S11,获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型;
S12,基于所述目标神经网络模型,对目标图片进行识别。
具体地,本发明实施例中,S11和S12的执行主体为目标设备,目标设备的作用是对目标图片进行识别,具体是通过目标设备构建的目标神经网络模型对目标图片进行识别。一般情况下,目标设备中至少包括一个摄像子设备,摄像子设备用于获取目标图片。目标设备在对目标图片进行识别时,需要云平台的参与,云平台的作用是为目标设备提供构建目标神经网络模型所需的模型的结构参数。首先目标设备需要获取云平台发送的预设神经网络模型的结构参数,并基于所述结构参数,构建目标神经网络模型,具体将获取到的预设神经网络模型的结构参数作为目标神经网络模型的结构参数。这里的预设神经网络模型是云平台上构建的一种网络模型,利用云平台上构建出的预设神经网络模型的结构参数,目标设备可构建出目标神经网络模型,并对目标图片进行识别。
需要说明的是,本发明实施例中,由于预设神经网络模型和目标神经网络模型的结构参数相同,则预设神经网络模型和目标神经网络模型可视为完全相同的神经网络模型,仅仅是构建的主体不同以及承载的主体不同而已,预设神经网络模型是由云平台构建并承载在云平台上,目标神经网络模型是由目标设备构建并承载在目标设备上。
目标神经网络模型的作用是对目标图片进行识别,目标神经网络模型将目标图片作为输入,目标图片中的目标信息作为输出。
本发明实施例中目标设备可以是用户的客户终端,例如手机、平板以及电脑等,本发明实施例中对此不作具体限定。
本发明实施例中提供了一种图片识别方法,首先由目标设备获取云平台发送的预设神经网络模型的结构参数,并将预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型;基于目标神经网络模型,对目标图片进行识别。通过目标设备即可实现对目标图片的识别,防止直接通过云平台进行识别得到的识别结果被篡改,提高了识别结果的准确性以及可靠性。
在上述实施例的基础上,本发明实施例中的目标设备上还包括显示子设备;相应地,本发明实施例中提供的图片识别方法还包括:将目标图片的识别结果通过显示子设备进行显示,可以使目标图片的识别结果更直观清晰的显示在用户面前。
在上述实施例的基础上,本发明实施例中提供的图片识别方法,在所述获取云平台发送的预设神经网络模型的结构参数之前,还包括:
获取样本图片以及所述样本图片对应的标注信息;
将所述样本图片以及所述样本图片对应的标注信息发送至所述云平台,以供所述云平台基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数。
具体地,本发明实施例中的执行主体为目标设备,目标设备获取大量样本图片以及与每一样本图片对应的标注信息,并将得到的样本图片以及样本图片对应的标注信息发送至云平台,使云平台将每一样本图片作为输入,将与每一样本图片对应的标注信息作为输出,对预设神经网络模型进行训练,以确定预设神经网络模型的结构参数。
需要说明的是,本发明实施例中的标注信息是指对应的样本图片中所包含的、需要识别的目标信息。
在云平台对预设神经网络模型进行训练时,执行主体为云平台,需要保证预设神经网络模型识别的准确率,当预设神经网络模型的准确率达到预设准确率后,预设神经网络模型训练结束,此时预设神经网络模型的结构作为最终确定的预设神经网络模型的结构参数。
如图2所示,在上述实施的基础上,本发明另一实施例中提供了一种图片识别方法,包括:
S21,确定预设神经网络模型的结构参数;
S22,向目标设备发送所述预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
具体地,本发明实施例中动作的执行主体为云平台,云平台确定预设神经网络模型的结构参数,并将确定的预设神经网络模型的结构参数发送至目标设备,以使目标设备将接收到的预设神经网络模型的结构参数作为目标神经网络模型的结构参数,并构建目标神经网络模型,通过目标神经网络模型对目标图片进行识别。
云平台的作用是为目标设备提供构建目标神经网络模型所需的模型的结构参数。这里的预设神经网络模型是云平台上构建的一种网络模型,云平台上构建出预设神经网络模型,即确定了预设神经网络模型的结构参数。
一般情况下,目标设备中至少包括一个摄像子设备,摄像子设备用于获取目标图片。本发明实施例中的目标设备上还包括显示子设备,目标设备对目标图片进行识别后,将目标图片的识别结果通过显示子设备进行显示,可以使目标图片的识别结果更直观清晰的显示在用户面前。
本发明实施例中提供的图片识别方法,通过云平台向目标设备发送预设神经网络模型的结构参数,以使目标设备构建目标神经网络模型,并对目标图片进行识别,防止直接通过云平台识别得到的识别结果被篡改,提高了识别结果的准确性以及可靠性。而且通过云平台确定用于识别目标图片的目标神经网络模型的结构参数,也可以降低目标设备的负荷以及识别目标图片时占用的内存,节约了本地资源。
在上述实施的基础上,本发明实施例中提供的图片识别方法,S21具体包括:
获取所述目标设备发送的样本图片以及所述样本图片对应的标注信息;
基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数。
具体地,本发明实施例中动作的执行主体为云平台,即云平台获取所述目标设备发送的样本图片以及所述样本图片对应的标注信息,并根据获取的信息确定预设神经网络模型的结构参数。这一过程在向目标设备发送预设神经网络模型的结构参数之前完成。需要说明的是,确定预设神经网络模型的结构参数的过程实际上是云平台根据获取到的目标设备发送的样本图片以及所述样本图片对应的标注信息,对神经网络模型进行训练得到预设神经网络模型的过程。得到预设神经网络模型,即确定了预设神经网络模型的结构参数。
在上述实施例的基础上,本发明实施例中提供的图片识别方法中,所述基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数,具体包括:
将所述样本图片作为输入,将所述样本图片对应的标注信息作为输出,对所述预设神经网络模型进行训练,确定所述预设神经网络模型的结构参数。
具体地,本发明实施例中实际上描述的是云平台确定预设神经网络模型的结构参数的方法,即云平台将每一样本图片作为输入,将与每一样本图片对应的标注信息作为输出,对预设神经网络模型进行训练,以确定预设神经网络模型的结构参数。
需要说明的是,本发明实施例中的标注信息是指对应的样本图片中所包含的、需要识别的目标信息。
在云平台对预设神经网络模型进行训练时,执行主体为云平台,需要保证预设神经网络模型识别的准确率,当预设神经网络模型的准确率达到预设准确率后,预设神经网络模型训练结束,此时预设神经网络模型的结构作为最终确定的预设神经网络模型的结构参数。
如图3所示,在上述实施的基础上,本发明另一实施例中提供了一种目标设备,包括:模型构建模块31和识别模块32。其中,
模型构建模块31用于获取云平台发送的预设神经网络的结构参数,并基于所述结构参数,构建目标神经网络模型;
识别模块32用于基于所述目标神经网络模型,对目标图片进行识别。
具体地,本发明实施例中提供的目标设备包括的各模块的作用与实现方式与上述以目标设备作为执行主体的实施例的操作流程是一一对应的,本发明实施例中在此不再赘述。
本发明实施例中提供了一种目标设备,首先由模型构建模块获取云平台发送的预设神经网络模型的结构参数,并将预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型;识别模块基于目标神经网络模型,对目标图片进行识别。通过目标设备即可实现对目标图片的识别,防止直接通过云平台进行识别得到的识别结果被篡改,提高了识别结果的准确性以及可靠性。
在上述实施的基础上,本发明实施例中提供的目标设备还包括:发送模块,用于在所述获取云平台发送的预设神经网络模型的结构参数之前,获取样本图片以及所述样本图片对应的标注信息;将所述样本图片以及所述样本图片对应的标注信息发送至所述云平台,以供所述云平台基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数。
如图4所示,在上述实施的基础上,本发明实施例中提供了一种云平台,包括:结构参数确定模块41和参数发送模块42。其中,
结构参数确定模块41用于确定预设神经网络模型的结构参数;
参数发送模块42用于向目标设备发送预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
具体地,本发明实施例中提供的云平台包括的各模块的作用与实现方式与上述以云平台作为执行主体的实施例的操作流程是一一对应的,本发明实施例中在此不再赘述。
在上述实施的基础上,本发明实施例中提供的云平台,结构参数确定模块具体用于:在所述向目标设备发送预设神经网络模型的结构参数之前,获取所述目标设备发送的样本图片以及所述样本图片对应的标注信息;基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数。
在上述实施的基础上,本发明实施例中提供的云平台,结构参数确定模块具体用于:获取所述目标设备发送的样本图片以及所述样本图片对应的标注信息,将所述样本图片作为输入,将所述样本图片对应的标注信息作为输出,对所述预设神经网络模型进行训练,确定所述预设神经网络模型的结构参数。
如图5所示,在上述实施的基础上,本发明实施例中提供了一种电子设备,包括:处理器(processor)501、存储器(memory)502、通信接口(Communications Interface)503和总线504;其中,
所述处理器501、存储器502、通信接口503通过总线504完成相互间的通信。所述存储器502存储有可被所述处理器501执行的程序指令,处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:S11,获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型;S12,基于所述目标神经网络模型,对目标图片进行识别。或者包括:S21,确定预设神经网络模型的结构参数;S22,向目标设备发送所述预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
存储器502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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施的基础上,本发明实施例中提供了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:S11,获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型;S12,基于所述目标神经网络模型,对目标图片进行识别。或者包括:S21,确定预设神经网络模型的结构参数;S22,向目标设备发送所述预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
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)
1.一种图片识别方法,其特征在于,包括:
获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建所述目标神经网络模型;
基于所述目标神经网络模型,对目标图片进行识别。
2.根据权利要求1所述的图片识别方法,其特征在于,在所述获取云平台发送的预设神经网络模型的结构参数之前,还包括:
获取样本图片以及所述样本图片对应的标注信息;
将所述样本图片以及所述样本图片对应的标注信息发送至所述云平台,以供所述云平台基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数。
3.一种图片识别方法,其特征在于,包括:
确定预设神经网络模型的结构参数;
向目标设备发送所述预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
4.根据权利要求3所述的图片识别方法,其特征在于,所述确定预设神经网络模型的结构参数,具体包括:
获取所述目标设备发送的样本图片以及所述样本图片对应的标注信息;
基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数。
5.根据权利要求4所述的图片识别方法,其特征在于,所述基于所述样本图片以及所述样本图片对应的标注信息,确定所述预设神经网络模型的结构参数,具体包括:
将所述样本图片作为输入,将所述样本图片对应的标注信息作为输出,对所述预设神经网络模型进行训练,确定所述预设神经网络模型的结构参数。
6.根据权利要求3-5中任一项所述的图片识别方法,其特征在于,所述目标设备内至少包括一个摄像子设备,所述摄像子设备用于获取所述目标图片。
7.一种目标设备,其特征在于,包括:
模型构建模块,用于获取云平台发送的预设神经网络模型的结构参数,并将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建所述目标神经网络模型;
识别模块,用于基于所述目标神经网络模型,对目标图片进行识别。
8.一种云平台,其特征在于,包括:
结构参数确定模块,用于确定预设神经网络模型的结构参数;
参数发送模块,用于向目标设备发送预设神经网络模型的结构参数,以供所述目标设备将所述预设神经网络模型的结构参数作为目标神经网络模型的结构参数,构建目标神经网络模型,并对目标图片进行识别。
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,以执行如权利要求1至6中任一项所述的图片识别方法。
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6中任一项所述的图片识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811278837.7A CN109657535B (zh) | 2018-10-30 | 2018-10-30 | 图片识别方法、目标设备及云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811278837.7A CN109657535B (zh) | 2018-10-30 | 2018-10-30 | 图片识别方法、目标设备及云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657535A true CN109657535A (zh) | 2019-04-19 |
CN109657535B CN109657535B (zh) | 2021-04-20 |
Family
ID=66110587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811278837.7A Active CN109657535B (zh) | 2018-10-30 | 2018-10-30 | 图片识别方法、目标设备及云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657535B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353477A (zh) * | 2020-04-16 | 2020-06-30 | 银河水滴科技(北京)有限公司 | 一种步态识别系统和方法 |
WO2021003692A1 (zh) * | 2019-07-10 | 2021-01-14 | 深圳市大疆创新科技有限公司 | 算法配置方法、设备、系统及可移动平台 |
CN114782778A (zh) * | 2022-04-25 | 2022-07-22 | 广东工业大学 | 一种基于机器视觉技术的装配状态监控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909016A (zh) * | 2017-11-03 | 2018-04-13 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法及车系识别方法 |
CN108345905A (zh) * | 2018-02-02 | 2018-07-31 | 深圳大学 | 多特征图片识别方法、装置及计算机可读存储介质 |
-
2018
- 2018-10-30 CN CN201811278837.7A patent/CN109657535B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909016A (zh) * | 2017-11-03 | 2018-04-13 | 车智互联(北京)科技有限公司 | 一种卷积神经网络生成方法及车系识别方法 |
CN108345905A (zh) * | 2018-02-02 | 2018-07-31 | 深圳大学 | 多特征图片识别方法、装置及计算机可读存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021003692A1 (zh) * | 2019-07-10 | 2021-01-14 | 深圳市大疆创新科技有限公司 | 算法配置方法、设备、系统及可移动平台 |
CN111353477A (zh) * | 2020-04-16 | 2020-06-30 | 银河水滴科技(北京)有限公司 | 一种步态识别系统和方法 |
CN111353477B (zh) * | 2020-04-16 | 2024-04-19 | 公安部物证鉴定中心 | 一种步态识别系统和方法 |
CN114782778A (zh) * | 2022-04-25 | 2022-07-22 | 广东工业大学 | 一种基于机器视觉技术的装配状态监控方法及系统 |
CN114782778B (zh) * | 2022-04-25 | 2023-01-06 | 广东工业大学 | 一种基于机器视觉技术的装配状态监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109657535B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275207B (zh) | 基于半监督的横向联邦学习优化方法、设备及存储介质 | |
CN107680684B (zh) | 用于获取信息的方法及装置 | |
CN107729929B (zh) | 用于获取信息的方法及装置 | |
CN110458217B (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN114787832A (zh) | 联邦机器学习的方法和服务器 | |
CN109657535A (zh) | 图片识别方法、目标设备及云平台 | |
CN110399550A (zh) | 一种信息推荐方法及装置 | |
CN107578453A (zh) | 压缩图像处理方法、装置、电子设备及计算机可读介质 | |
KR20170078516A (ko) | 신경망 기반 영상 신호 처리를 수행하는 방법 및 장치 | |
CN108629413A (zh) | 神经网络模型训练、交易行为风险识别方法及装置 | |
CN109657564A (zh) | 一种人员在岗检测方法、装置、存储介质及终端设备 | |
CN110458829B (zh) | 基于人工智能的图像质控方法、装置、设备及存储介质 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN110197474B (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN109635833A (zh) | 一种基于云平台和模型智能推荐的图像识别方法及系统 | |
CN109460432A (zh) | 一种数据处理方法及系统 | |
CN109214330A (zh) | 基于视频时序信息的视频语义分析方法和装置 | |
CN110037680A (zh) | 心电图的识别方法及装置、存储介质、计算机设备 | |
CN110163201B (zh) | 图像测试方法和装置、存储介质及电子装置 | |
CN113379045A (zh) | 数据增强方法和装置 | |
CN114708301A (zh) | 一种运动伪影识别方法、装置、存储介质及电子设备 | |
CN117115595B (zh) | 姿态估计模型的训练方法、装置、电子设备及存储介质 | |
CN110472537B (zh) | 一种自适应识别方法、装置、设备及介质 | |
CN115690544B (zh) | 多任务学习方法及装置、电子设备和介质 | |
CN116524475A (zh) | 生成推荐妆容的方法及装置、车辆、电子设备和存储介质 |
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 |