CN109711240A - 机器学习系统、交通信息提供系统以及机器学习方法 - Google Patents
机器学习系统、交通信息提供系统以及机器学习方法 Download PDFInfo
- Publication number
- CN109711240A CN109711240A CN201811062825.0A CN201811062825A CN109711240A CN 109711240 A CN109711240 A CN 109711240A CN 201811062825 A CN201811062825 A CN 201811062825A CN 109711240 A CN109711240 A CN 109711240A
- Authority
- CN
- China
- Prior art keywords
- data item
- item
- classification
- view data
- categorized
- 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.)
- Pending
Links
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
-
- 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
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Abstract
本发明公开了一种机器学习系统、交通信息提供系统以及机器学习方法,机器学习系统包括:生成单元,其被配置成生成分类器,该分类器通过针对每个图像数据项执行关于要将该图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别;选择单元,其被配置成在图像数据项中选择作为每个类别的代表的图像数据项;以及删除单元,其被配置成删除除了所选择的图像数据项之外的剩余图像数据项。
Description
技术领域
本发明涉及机器学习系统、交通信息提供系统以及机器学习方法。
背景技术
例如,使用通过监督学习生成的分类器以使分类错误最小化的技术被已知为将多个图像数据项中的每一个分类到多个类别中的任何一个类别的技术。支持向量机和最大熵方法被公知为监督学习的示例。除了图像数据项的分类之外,这类机器学习还被广泛使用在诸如自然语言处理或生物信息处理的领域中。鉴于这样的情况,日本未审查专利申请公开第2015-35118号(JP 2015-35118 A)提出了一种累积和更新机器学习中使用的学习数据项以减少分类错误的技术。
发明内容
然而,由于随着机器学习中使用的学习数据项的累积,所累积的数据项的量变得巨大,因此就资源的有效使用而言需要减少累积的数据项的量。
本发明提供能够进一步减少累积的数据项的量的机器学习系统、交通信息提供系统以及机器学习方法。
本发明的第一方面涉及一种机器学习系统,该机器学习系统包括:生成单元,其被配置成生成分类器,该分类器通过针对每个图像数据项执行关于要将图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别;选择单元,其被配置成在多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项;以及删除单元,其被配置成删除除了代表图像数据项之外的剩余图像数据项。
本发明的第二方面涉及一种交通信息提供系统,该交通信息提供系统包括:生成单元,其被配置成生成分类器,该分类器通过针对每个图像数据项执行关于要将图像数据项分类到与道路环境相关的哪个类别的监督学习来将指示道路环境的多个图像数据项分类到多个类别;选择单元,其被配置成在多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项;删除单元,其被配置成删除除了代表图像数据项之外的剩余图像数据项;获取单元,其被配置成获取指示由行驶通过预定的特定点的第一车辆捕获的道路环境的道路环境图像数据项;确定单元,其被配置成通过使用分类器来确定要将指示由第一车辆捕获的道路环境的图像数据项分类到与道路环境相关的哪个类别;以及发送单元,其被配置成将向朝向特定点行驶的第二车辆发送作为所确定的类别的代表的代表图像数据项以及与所确定的类别相关的交通信息。
本发明的第三方面涉及一种机器学习方法,该机器学习方法包括:生成分类器,该分类器通过针对每个图像数据项执行关于要将该图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别;在多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项;以及删除除了代表图像数据项之外的剩余图像数据项。
根据本发明的各方面,可以通过删除除了作为多个图像数据项的每个类别的代表的图像数据项之外的剩余图像数据项来进一步减少累积的数据项的量。
附图说明
下面将参照附图描述本发明的示例性实施方式的特征、优点以及技术和工业意义,在附图中相同的附图标记表示相同的元件,并且其中:
图1是示出根据本发明的实施方式的主计算机的示意性配置的硬件配置图;
图2是示出根据本发明的实施方式的机器学习处理的流程的流程图;以及
图3是示出根据本发明的实施方式的交通信息提供处理的流程的流程图。
具体实施方式
在下文中,将参照附图描述本发明的实施方式。相同的附图标记表示相同的部件,并且将省略其冗余的描述。图1是示出根据本发明的实施方式的主计算机10的示意性配置的硬件配置图。主计算机10是用于管理多个车辆20的操作的服务器计算机。主计算机10经由例如移动通信网络从每个车辆20获得每个车辆20的位置信息,并且向车辆20提供与车辆20的位置对应的交通信息(例如,诸如道路的下雪情况和排水情况的信息)。
主计算机10包括处理器11、输入接口12、输出接口13、存储资源14和通信装置15作为硬件资源。计算机程序17被存储在存储资源14中。在计算机程序17中描述了用于指示处理器11执行图2所示的机器学习处理或图3所示的交通信息提供处理的命令。处理器11解释并且执行计算机程序17。因此,主计算机10用作执行机器学习处理的机器学习系统,并且还用作执行交通信息提供处理的交通信息提供系统。下面将描述机器学习处理和交通信息提供处理的细节。存储资源14是由计算机可读记录介质(物理装置)提供的存储区域(逻辑装置)。例如,计算机可读记录介质是诸如半导体存储装置(易失性存储器或非易失性存储器)或磁盘介质的存储装置。例如,输入接口12是诸如键盘、鼠标或触摸面板的用户接口。例如,输出接口13是诸如显示器或打印机的用户接口。例如,通信装置15经由移动通信网络与每个车辆20通信。
车辆20安装有车辆装载装置21和摄像装置22。车辆装载装置21包括检测车辆20的位置的装置(例如,全球定位系统(GPS))和经由移动通信网络与主计算机10通信的通信装置。摄像装置22是被称为行车记录仪的记录装置的车辆装载数字摄像装置。车辆20通过使用摄像装置22捕获道路环境,并且通过车辆装载装置21向主计算机10发送指示所捕获的道路环境的图像数据项16以及车辆20的时间信息和位置信息。道路环境表示道路上或道路附近的天气情况(例如,下雪情况或排水情况)。针对每个区域,道路环境可能不同。即使在相同区域,道路环境也可能每次都不同。预先设置需要识别道路环境的区域(例如,存在干线公路的区域、交通量高的区域或者过去发生过交通事故的区域)。主计算机10从每个车辆20获取指示预先设置的区域的道路环境的多个图像数据项16,并且将所获取的图像数据项16存储在存储资源14中。每个车辆20定期地向主计算机10发送每个车辆的位置信息,并且主计算机10确认每个车辆20的位置信息。
将参照图2描述机器学习处理的流程。在步骤201中,处理器11在存储资源14中存储的图像数据项16中选择一个图像数据项16。可以在执行步骤203的处理之前对所选择的图像数据项16执行预处理(例如,诸如噪声去除或图像尺寸的标准化的处理)。
在步骤202中,处理器11输入教导信息,教导信息指示在步骤201中选择的图像数据项16将被分类到与道路环境相关的多个类别中的哪个类别。例如,响应于由操作者通过输入接口12进行的输入操作给出教导信息。与道路环境相关的类别是指示道路上或道路附近的逐渐变化的天气情况属于哪个阶段的分类。例如,可以针对与下雪情况相关的道路环境提供“有雪”的类别和“无雪”的类别。例如,可以针对与排水情况相关的道路环境提供“有水”的类别和“无水”的类别。针对每个道路环境设置的类别的数目不限于两个,并且可以是三个或更多个。
在步骤203中,处理器11从在步骤201中选择的图像数据项16中提取特征(例如,边缘、颜色直方图、方向性特征或小波系数)。在提取特征的处理中,在将图像数据项16分类到每个类别所需的特征被计算为特征向量。
在步骤204中,处理器11学习在步骤201中选择的图像数据项16的特征与在步骤202中输入的教导信息之间的对应关系。使用上述教导信息的机器学习被称为监督学习。处理器11生成分类器,该分类器通过执行关于要将任何图像数据项16分类到与道路环境相关的哪个类别的监督学习来将图像数据项16分类到类别。
在步骤205中,处理器11针对每个图像数据项16确定监督学习是否结束。当针对每个图像数据项16的监督学习未结束时(步骤205:“否”),处理器11重复执行步骤201至步骤204的处理。当针对每个图像数据项16的监督学习结束时(步骤205:“是”),处理器11执行步骤206的处理。
在步骤206中,处理器11在图像数据项16中选择作为每个类别的代表的图像数据项16。例如,处理器11选择包括具有距每个类别的特征向量的分布中心的最小欧氏距离(Euclid distance)的特征向量的图像数据项16作为“作为每个类别的代表的图像数据项16”。可替选地,处理器11可以选择包括具有距作为每个类别的代表的理想特征向量的最小欧氏距离的特征向量的图像数据项16作为“作为每个类别的代表的图像数据项16”。在这种情况下,由操作者通过输入接口12进行的输入操作给出作为每个类别的代表的理想特征向量。选择作为类别的代表的图像数据项16方法不限于上述两个示例。处理器可以定义作为类别的代表的图像数据项16的特征向量,并且可以选择具有满足定义的特征向量的图像数据项16。例如,处理器11针对与下雪情况相关的道路环境选择作为“有雪”的类别的代表的图像数据项16和作为“无雪”的类别的代表的图像数据项16。例如,处理器11针对与排水情况相关的道路环境选择作为“有水”的类别的代表的图像数据项16和作为“无水”的类别的代表的图像数据项16。
在步骤207中,处理器11从存储资源14中删除除了在步骤206中选择的图像数据项16之外的剩余图像数据项16。如上所述,由于从存储资源14中删除了除了作为每个类别的代表的图像数据项16之外的不需要的图像数据项16,所以可以进一步减少累积的数据项的数量。
如上所述,主计算机10通过主计算机10的硬件资源与用于指示处理器11执行机器学习处理的计算机程序17的协作而用作机器学习系统。
将参照图3描述交通信息提供处理的流程。处于便于描述的目的,如图1所示,行驶通过预定的特定点A的车辆20被称为第一车辆20,并且通过特定点B朝向特定点A行驶的车辆20被称为第二车辆20。假设特定点A是需要识别道路环境的预定区域。假定在执行交通信息提供处理之前通过机器学习处理预先生成分类器。
在步骤301中,处理器11经由移动通信网络获取指示由行驶通过预定的特定点A的第一车辆20捕获的道路环境的图像数据项16。
在步骤302中,处理器11从指示由第一车辆20捕获的道路环境的图像数据项16中提取特征(例如,边缘、颜色直方图、方向性特征或小波系数)。
在步骤303中,处理器11通过使用基于在步骤302中提取的特征的分类器来确定指示由第一车辆20捕获的道路环境的图像数据项16将被分类到与道路环境相关的哪个类别。例如,处理器11确定指示由第一车辆20捕获的道路环境的图像数据项16是否被分类到针对与下雪情况相关的道路环境的“有雪”的类别或“无雪”的类别。例如,处理器11确定指示由第一车辆20捕获的道路环境的图像数据项16是否被分类到针对与排水情况相关的道路环境的“有水”的类别或“无水”的类别。
在步骤304中,处理器11向通过特定点B朝向特定点A行驶的第二车辆20发送与在步骤303中确定的作为道路环境相关的类别的代表的图像数据项16和在步骤303中确定的与关于道路环境的类别相关的交通信息。与关于道路环境的类别相关的交通信息包括指示在特定点A附近的道路上的或该道路附近的逐渐变化的天气情况属于哪个阶段的信息。例如,根据需要,交通信息可以包括用于提醒驾驶员的信息或者与在下雪情况或排水情况恶劣时用于驾驶的最佳轮胎相关的信息。
如上所述,主计算机10通过主计算机10的硬件资源与用于指示处理器11执行机器学习处理和交通信息提供处理的计算机程序17的协作而用作交通信息提供系统。
根据本发明的实施方式,可以通过删除在图像数据项16中的除了作为每个类别的的代表的图像数据项16之外的剩余图像数据项16来进一步减少累积的数据项的数量。例如,在相关技术中,为了执行机器学习需要数百个图像数据项,并且累积的数据项的量很大。然而,根据本实施方式,由于可以将最小量的图像数据项16存储在存储资源14中,所以可以进一步减少累积的数据项的量。
提供上述实施方式是为了有助于理解本发明,并且上述实施方式不被解释为限制本发明。本发明可以在不背离主旨的情况下进行变更或修改,并且其等同方案也被包括在本发明中。也就是说,本领域技术人员可以适当地改变实施方式的设计,并且只要设计改变具有本发明的特征,这些设计改变则处于本发明的范围内。只要在技术上是可行的,实施方式中包括的部件可以被组合,并且只要组合包括本发明的特征,则这些组合处于本发明的范围内。
Claims (3)
1.一种机器学习系统,其特征在于,包括:
生成单元,其被配置成生成分类器,所述分类器通过针对多个图像数据项中的每一个执行关于要将图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别;
选择单元,其被配置成在所述多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项;以及
删除单元,其被配置成删除除了所述代表图像数据项之外的其余图像数据项。
2.一种交通信息提供系统,其特征在于,包括:
生成单元,其被配置成生成分类器,所述分类器通过针对指示道路环境的多个图像数据项中的每一个执行关于要将图像数据项分类到与道路环境相关的哪个类别的监督学习来将多个图像数据项分类到多个类别;
选择单元,其被配置成在所述多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项;
删除单元,其被配置成删除除了所述代表图像数据项之外的其余图像数据项;
获取单元,其被配置成获取指示由行驶通过预定的特定点的第一车辆捕获的道路环境的道路环境图像数据项;
确定单元,其被配置成通过使用所述分类器来确定要将指示由所述第一车辆捕获的道路环境的图像数据项分类到与道路环境相关的哪个类别;以及
发送单元,其被配置成向朝向所述特定点行驶的第二车辆发送作为所确定的类别的代表的代表图像数据项以及与所确定的类别相关的交通信息。
3.一种机器学习方法,其特征在于,包括:
生成分类器,所述分类器通过针对多个图像数据项中的每一个执行关于要将图像数据项分类到哪个类别的监督学习来将多个图像数据项分类到多个类别;
在所述多个图像数据项中选择作为被分类在每个类别中的图像数据项的代表的代表图像数据项;以及
删除除了所述代表图像数据项之外的其余图像数据项。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-207164 | 2017-10-26 | ||
JP2017207164A JP2019079381A (ja) | 2017-10-26 | 2017-10-26 | 機械学習システム及び交通情報提供システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711240A true CN109711240A (zh) | 2019-05-03 |
Family
ID=66243055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811062825.0A Pending CN109711240A (zh) | 2017-10-26 | 2018-09-12 | 机器学习系统、交通信息提供系统以及机器学习方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190130222A1 (zh) |
JP (1) | JP2019079381A (zh) |
CN (1) | CN109711240A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN102354449A (zh) * | 2011-10-09 | 2012-02-15 | 昆山市工业技术研究院有限责任公司 | 基于车联网实现图像信息共享的方法、装置和系统 |
CN102955950A (zh) * | 2011-08-16 | 2013-03-06 | 索尼公司 | 用于在线训练分类器的装置和在线训练分类器的方法 |
CN103700261A (zh) * | 2014-01-03 | 2014-04-02 | 河海大学常州校区 | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 |
CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769513B2 (en) * | 2002-09-03 | 2010-08-03 | Automotive Technologies International, Inc. | Image processing for vehicular applications applying edge detection technique |
US6647139B1 (en) * | 1999-02-18 | 2003-11-11 | Matsushita Electric Industrial Co., Ltd. | Method of object recognition, apparatus of the same and recording medium therefor |
JP2003281540A (ja) * | 2002-03-19 | 2003-10-03 | Fuji Xerox Co Ltd | 画像処理装置、画像処理方法、画像処理プログラムならびに画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体 |
US8803966B2 (en) * | 2008-04-24 | 2014-08-12 | GM Global Technology Operations LLC | Clear path detection using an example-based approach |
US8237743B2 (en) * | 2009-02-17 | 2012-08-07 | Xerox Corporation | Modification of images from a user's album for spot-the-differences |
CN103917986A (zh) * | 2011-09-07 | 2014-07-09 | 法雷奥开关和传感器有限责任公司 | 用于检测车辆风挡上的雨滴的方法和摄像头组件 |
KR101716646B1 (ko) * | 2013-01-10 | 2017-03-15 | 한국전자통신연구원 | 국부이진패턴을 이용한 객체 검출 인식 방법 및 장치 |
JP5880454B2 (ja) * | 2013-01-11 | 2016-03-09 | 富士ゼロックス株式会社 | 画像識別装置及びプログラム |
US9129161B2 (en) * | 2013-05-31 | 2015-09-08 | Toyota Jidosha Kabushiki Kaisha | Computationally efficient scene classification |
US9542626B2 (en) * | 2013-09-06 | 2017-01-10 | Toyota Jidosha Kabushiki Kaisha | Augmenting layer-based object detection with deep convolutional neural networks |
JP6083752B2 (ja) * | 2013-09-24 | 2017-02-22 | 株式会社日立製作所 | 運転支援方法、センタ装置、運転支援システム |
JP2017021745A (ja) * | 2015-07-15 | 2017-01-26 | パイオニア株式会社 | 情報収集装置、情報収集サーバ及び情報収集システム |
US20170206434A1 (en) * | 2016-01-14 | 2017-07-20 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
JP2017188164A (ja) * | 2017-07-13 | 2017-10-12 | パイオニア株式会社 | 画像取得装置、端末および画像取得システム |
-
2017
- 2017-10-26 JP JP2017207164A patent/JP2019079381A/ja active Pending
-
2018
- 2018-09-12 CN CN201811062825.0A patent/CN109711240A/zh active Pending
- 2018-09-14 US US16/131,929 patent/US20190130222A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
CN102955950A (zh) * | 2011-08-16 | 2013-03-06 | 索尼公司 | 用于在线训练分类器的装置和在线训练分类器的方法 |
CN102354449A (zh) * | 2011-10-09 | 2012-02-15 | 昆山市工业技术研究院有限责任公司 | 基于车联网实现图像信息共享的方法、装置和系统 |
CN103700261A (zh) * | 2014-01-03 | 2014-04-02 | 河海大学常州校区 | 一种基于视频的道路交通流特征参数监测及交通综合信息服务系统 |
CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2019079381A (ja) | 2019-05-23 |
US20190130222A1 (en) | 2019-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6898534B2 (ja) | 機械学習におけるデータ・ストレージを低減するためのシステムおよび方法 | |
Hadjidemetriou et al. | Automated pavement patch detection and quantification using support vector machines | |
CN103189922B (zh) | 数据处理装置执行的方法和汇总副本图像的元数据的系统 | |
US9477892B2 (en) | Efficient method of offline training a special-type parked vehicle detector for video-based on-street parking occupancy detection systems | |
US20140334689A1 (en) | Infrastructure assessment via imaging sources | |
US20110122153A1 (en) | Information processing apparatus, information processing method, and program | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
Xiao et al. | Defocus blur detection based on multiscale SVD fusion in gradient domain | |
CN110472599B (zh) | 对象数量确定方法、装置、存储介质与电子设备 | |
CN110348143A (zh) | 一种轨迹合并方法、装置及存储介质 | |
Tsai et al. | Comprehensive, quantitative crack detection algorithm performance evaluation system | |
Sharma et al. | Vehicle detection in 1‐m resolution satellite and airborne imagery | |
CN108958231A (zh) | 一种移动机器人地图的多分辨率区域划分方法 | |
Balchandani et al. | A deep learning framework for smart street cleaning | |
JP2020127194A (ja) | コンピュータシステムおよびプログラム | |
CN108830319A (zh) | 一种图像分类方法和装置 | |
Youssef et al. | Automatic vehicle counting and tracking in aerial video feeds using cascade region-based convolutional neural networks and feature pyramid networks | |
US20180089580A1 (en) | Robust classification by pre-conditioned lasso and transductive diffusion component analysis | |
KR20100064140A (ko) | 지능형 자동차를 위한 교통 표지판 검출 방법 및 상기 방법을 실행하는 시스템 | |
Bello-Salau et al. | An examination of different vision based approaches for road anomaly detection | |
US20190347489A1 (en) | Efficient distribution of data collected from information collection devices | |
CN112614111B (zh) | 一种基于强化学习的视频篡改操作检测方法及装置 | |
CN114445286A (zh) | 移动设备上的图像清理 | |
CN113033715A (zh) | 目标检测模型训练方法和目标车辆检测信息生成方法 | |
CN113887608A (zh) | 一种模型训练的方法、图像检测的方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190503 |
|
WD01 | Invention patent application deemed withdrawn after publication |