CN109740689B - 一种图像语义分割的错误标注数据筛选方法及系统 - Google Patents
一种图像语义分割的错误标注数据筛选方法及系统 Download PDFInfo
- Publication number
- CN109740689B CN109740689B CN201910019894.1A CN201910019894A CN109740689B CN 109740689 B CN109740689 B CN 109740689B CN 201910019894 A CN201910019894 A CN 201910019894A CN 109740689 B CN109740689 B CN 109740689B
- Authority
- CN
- China
- Prior art keywords
- data
- marked
- labeling
- smaller
- error
- 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
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012216 screening Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种图像语义分割的错误标注数据筛选方法及系统,该方法包括步骤:利用已训练出的网络模型对已参与训练的原始图像进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算得到目标类别的准确率、召回率和/或交并比;利用得出的准确率、召回率和/或交并比判定标注数据是否是可疑错误标注;筛选出疑似错误标注的数据。通过本发明方法及系统,可以将标注错误的数据筛选出来,可用于进行二次标注及训练,对原有模型进行优化,从而提高模型识别能力。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种图像语义分割错误标注数据筛选方法及系统。
背景技术
近年来,随着深度学习的逐渐发展,卷积神经网络在计算机视觉领域得到了广泛的应用,包括目标检测、图象语义分割等方面。卷积神经网络模型的训练过程是:采集样本数据——对样本数据进行标注——输入样本数据进行模型预测——将预测结果与标注数据进行损失计算,并以计算结果优化模型参数——N次迭代得到最终的模型。模型的训练需要大量的样本数据,且训练数据的质量直接影响到模型的质量。所以在神经网络模型的使用过程中,可能会使用新数据对既有的模型进行再次训练以对模型进行优化,尤其是最初的模型的训练样本较为缺乏的情况。目前监督学习的训练数据都是采用人工标注进行,而人工标注的主观性或是误操作等因素,容易造成数据的标注错误,而错误标注数据必定影响模型的质量,所以,从人工标注数据中找出错误标注的数据是很有必要的。
发明内容
本发明的目的在于改善现有技术中所存在的目前还没有可以从人工标注数据中查找出错误标注数据的不足,提供一种图像语义分割的错误标注数据筛选方法及系统。
为了实现上述发明目的,一方面,本发明实施例提供了一种图像语义分割的错误标注数据筛选方法,包括以下步骤:
利用已训练出的网络模型对已参与训练的原始图像进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算得到目标类别的准确率、召回率和/或交并比;
利用得出的准确率、召回率和/或交并比判定标注数据是否是可疑错误标注;
筛选出疑似错误标注的数据。
根据本发明实施例,所述利用得出的准确率、召回率和/或交并比判定标注数据是否是可疑错误标注的步骤,包括:利用得出的准确率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的召回率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的交并比判定标注数据是否是可疑错误标注。
在更进一步细化的方案中,所述利用得出的准确率和交并比判定标注数据是否是可疑错误标注,包括:若准确率小于设定的第一阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注;所述利用得出的召回率和交并比判定标注数据是否是可疑错误标注,包括:若召回率小于设定的第三阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。第一阈值可以等于或不等于第三阈值,各个阈值的具体数值也可以根据不同的类别而设置得不同。
在另一个实施方案中,所述利用得出的准确率和交并比判定标注数据是否是可疑错误标注,包括:若准确率小于设定的第一阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注;所述利用得出的召回率和交并比判定标注数据是否是可疑错误标注,包括:若召回率小于设定的第三阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
另一方面,本发明实施例中还提供了一种图像语义分割的错误标注数据筛选系统,包括以下模块:
预测模块,用于利用已训练出的网络模型对已参与训练的原始图像进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算得到目标类别的准确率、召回率和/或交并比;
筛选模块,用于利用得出的准确率、召回率和/或交并比,判定标注数据是否是可疑错误标注及筛选出疑似错误标注的数据。
在一个更具体的实施方案中,所述筛选模块进行可疑错误标注判定时,若准确率小于设定的第一阈值或者召回率小于设定的第三阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
在另一个更具体的实施方案中,所述筛选模块进行可疑错误标注判定时,若准确率小于设定的第一阈值或者召回率小于设定的第三阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
另一方面,本发明实施例中还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明任一方案所述方法的步骤。
再一方面,本发明实施例中还提供了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本发明任一方案所述方法的步骤。
与现有技术相比,本发明的有益效果:
本方法或系统利用现有模型进行预测,并计算预测结果与标注数据的准确率、召回率和/或交并比,以此来判断标注数据是否为错误标注数据,可以有效地挑选出错误标注的图片。
通过对挑选出的图片进行再次标注和训练,提升了数据质量,使得模型更优化,增强了模型的识别能力。
本方法简单易实现,且非常可靠有效。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明较佳实施例提供的图像语义分割的错误标注数据筛选方法的流程图。
图2为本发明较佳实施例提供的图像语义分割的错误标注数据筛选系统的组成框图。
图3为本发明较佳实施例中所说的电子设备的组成模块框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
请参阅图1,本实施例中提供了一种图像语义分割的错误标注数据筛选方法,该方法包括以下步骤:
S101,利用已训练出的网络模型对已参与训练的原始图像(即采集到的原始图像)进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算目标类别的预测数据与标注数据的准确率、召回率、交并比。
S102,利用得出的准确率或召回率,以及交并比(Intersection-over-Union,IoU),判定该标注数据是否是可疑错误标注。
准确率、召回率都是在假设原始标注正确的情况下获得的。此处的预测数据即是指步骤S101中得到的置信度中概率值最大者对应的类别(认为是的预测类别),标注数据即是指模型训练时用到的已进行类型标注的标注图像中标注的类别。
对于一个目标类别C,准确率、召回率、交并比的定义分别如下:
准确率的定义:
召回率的定义:
交并比的定义:
准确率、召回率、交并比这3个指标,可以同时作为判定标注数据是否是可疑错误标注的依据,也可以将其中一个或两个作为判断依据,也可以将三个指标同时作为判断依据。例如,利用得出的准确率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的召回率和交并比判定标注数据是否是可疑错误标注;又或者,仅利用得出的交并比判定标注数据是否是可疑错误标注。具体地,若准确率小于设定的第一阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。或者,若召回率小于设定的第三阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
预测数据或训练数据中的目标类别像素点个数太少,表示该目标类别占整张图像的比例较小,此时判断是否标注错误的意义不大,因此,基于这方面考虑,还可以增加目类别的像素点个数作为判断依据,即利用得出的准确率或召回率、交并比、目标类别的像素个数,综合判定标注数据是否是可疑错误标注。
为了提高效率,作为一种可实施方式的举例,可以将目标类别的像素点个数作为优先判决条件,再把准确率、召回率和/或交并比作为其后判决条件,即,先判断目标类别的像素点个数是否大于设定的阈值,若大于则再进一步按照上述方式分别判断准确率、召回率和/或交并是否满足要求(即准确率是否小于设定的第一阈值或召回率是否小于设定的第三阈值,且交并比是否小于设定的第二阈值),若目标类别的像素点个数小于设定的阈值,则本方法直接结束,不再进行后续的准确率、召回率和/或交并判断。
具体地,若准确率小于设定的第一阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。或者,若召回率大于设定的第三阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
仅以车道线识别应用为例,如右侧车道线,左侧车道线,出入口标线等,判断策略设置如下:
针对右侧车道线标注,设置预测数据与标注数据的交并比的阈值为0.2,同时对右侧车道线的像素点个数加以限制。即是说,若准确率或者召回率小于90%,且交并比小于0.2,且像素点个数大于1500,此时则认为该类别标注错误,否则就标注正确。
针对左侧车道线标注,设置预测数据与标注数据的交并比的阈值为0.2,同时对右侧车道线的像素点个数加以限制,即,若准确率或者召回率小于90%,且交并比小于0.3,且像素点个数大于1500,此时则认为该类别标注错误,否则就标注正确。
针对出入口标线,设置预测数据与标注数据的交并比的阈值为0.3,同时对右侧车道线的像素点个数加以限制,即,若准确率或者召回率小于90%,且交并比小于0.3,且像素点个数大于1000,此时则认为该类别标注错误,否则就标注正确。
从上述举例中可以看出,针对于右侧车道线、左侧车道线、出入口标线分别设定的指标阈值不同,其原因在于不同类别间具有一定的差异性,基于类别的差异性的考虑,判断策略可以有所不同,具体的判断策略可以通过多次实验得出。另外,针对于不同的应用基于类别的差异性,判断策略也可以有所不同。
本发明方法的目的是筛选出错误标注的数据,但是对于一张图像中的多个要素类别,一般地也不会全部类别都标注错误,因此只需要对出错概率比较大的类别进行帅选即可。将要筛选的类别定义为目标类别,拿到一张图后,首先统计标注图和预测图各个类别数据以及对应的交并比等;然后依次对各个目标类别进行判断。
S103,挑选出疑似错误标注的数据,即挑选出步骤S102中判断为标注错误的数据。
对挑选出的数据可以进行二次标注,将二次标注后的数据应用于模型再次训练,以对原有模型(即步骤S101中使用到的模型)进行优化,以提高模型的识别能力。
请参阅图2,基于相同的发明构思,本实施例中同时提供了一种图像语义分割的错误标注数据筛选系统,包括预测模块和筛选模块。其中,
预测模块,用于利用已训练出的网络模型对已参与训练的原始图像进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算得到目标类别的准确率、召回率和/或交并比;
筛选模块,用于利用得出的准确率、召回率和/或交并比,判定标注数据是否是可疑错误标注及筛选出疑似错误标注的数据。
在一个实施方案中,所述筛选模块进行可疑错误标注判定时,利用得出的准确率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的召回率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的交并比判定标注数据是否是可疑错误标注。
具体地,所述筛选模块进行可疑错误标注判定时,若准确率小于设定的第一阈值或者召回率小于设定的第三阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
在另一个实施方案中,所述筛选模块进行可疑错误标注判定时,利用得出的准确率和交并比、目标类别的像素个数,综合判定标注数据是否是可疑错误标注;或者,利用得出的召回率和交并比、目标类别的像素个数,综合判定标注数据是否是可疑错误标注;或者,利用得出的交并比和目标类别的像素个数共同判定标注数据是否是可疑错误标注。
具体地,所述筛选模块进行可疑错误标注判定时,若准确率小于设定的第一阈值或者召回率小于设定的第三阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
如图3所示,本实施例同时提供了一种电子设备,该电子设备可以包括处理器51和存储器52,其中存储器52耦合至处理器51。值得注意的是,该图是示例性的,还可以使用其他类型的结构来补充或替代该结构,实现数据提取、效果增强、车道线识别、通信或其他功能。
如图3所示,该电子设备还可以包括:输入单元53、显示单元54和电源55。值得注意的是,该电子设备也并不是必须要包括图3中显示的所有部件。此外,电子设备还可以包括图3中没有示出的部件,可以参考现有技术。
处理器51有时也称控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该处理器51接收输入并控制电子设备的各个部件的操作。
其中,存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种,可存储上述处理器51的配置信息、处理器51执行的指令、记录的表格数据等信息。处理器51可以执行存储器52存储的程序,以实现信息存储或处理等。在一个实施例中,存储器52中还包括缓冲存储器,即缓冲器,以存储中间信息。
输入单元53例如用于向处理器51提供已参与训练的原始图像以及标注数据、指标阈值等。显示单元54用于显示处理过程中的各种处理结果,例如置信度、疑似错误标注的图片等,该显示单元例如可以为LCD显示器,但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令,其中当在电子设备中执行所述指令时,所述程序使得电子设备执行本发明方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质,其中所述计算机可读指令使得电子设备执行本发明方法所包含的操作步骤。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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单元来实现本发明实施例方案的目的。
所述集成的单元如果以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,或者该技术方案的全部或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-OnlyMemory)、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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种图像语义分割的错误标注数据筛选方法,其特征在于,包括以下步骤:
利用已训练出的网络模型对已参与训练的原始图像进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算得到目标类别的准确率、召回率和/或交并比;
利用得出的准确率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的召回率和交并比判定标注数据是否是可疑错误标注;
筛选出疑似错误标注的数据;
所述利用得出的准确率和交并比判定标注数据是否是可疑错误标注,包括:若准确率小于设定的第一阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注;
或,若准确率小于设定的第一阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注;
所述利用得出的召回率和交并比判定标注数据是否是可疑错误标注,包括:若召回率小于设定的第三阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注;
或,若召回率小于设定的第三阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
2.一种图像语义分割的错误标注数据筛选系统,其特征在于,包括以下模块:
预测模块,用于利用已训练出的网络模型对已参与训练的原始图像进行图像识别预测,得到该原始图像中每个像素点的置信度,并根据所述置信度计算得到目标类别的准确率、召回率和/或交并比;
筛选模块,用于利用得出的准确率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的召回率和交并比判定标注数据是否是可疑错误标注;或者,利用得出的交并比判定标注数据是否是可疑错误标注,及筛选出疑似错误标注的数据;
所述筛选模块进行可疑错误标注判定时,若准确率小于设定的第一阈值或者召回率小于设定的第三阈值,且交并比小于设定的第二阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注;
所述筛选模块进行可疑错误标注判定时,若准确率小于设定的第一阈值或者召回率小于设定的第三阈值,且交并比小于设定的第二阈值,且目标类别的像素个数大于设定的第四阈值,则判定该标注数据是可疑错误标注,否则判定为正确标注。
3.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1所述方法的步骤。
4.一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权利要求1所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910019894.1A CN109740689B (zh) | 2019-01-09 | 2019-01-09 | 一种图像语义分割的错误标注数据筛选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910019894.1A CN109740689B (zh) | 2019-01-09 | 2019-01-09 | 一种图像语义分割的错误标注数据筛选方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740689A CN109740689A (zh) | 2019-05-10 |
CN109740689B true CN109740689B (zh) | 2023-12-01 |
Family
ID=66364076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910019894.1A Active CN109740689B (zh) | 2019-01-09 | 2019-01-09 | 一种图像语义分割的错误标注数据筛选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740689B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147850B (zh) * | 2019-05-27 | 2021-12-07 | 北京达佳互联信息技术有限公司 | 图像识别的方法、装置、设备及存储介质 |
CN111078908B (zh) * | 2019-11-28 | 2023-06-09 | 北京云聚智慧科技有限公司 | 一种数据标注的检测方法和装置 |
CN111709966B (zh) * | 2020-06-23 | 2023-06-06 | 上海鹰瞳医疗科技有限公司 | 眼底图像分割模型训练方法及设备 |
CN111862045B (zh) * | 2020-07-21 | 2021-09-07 | 上海杏脉信息科技有限公司 | 血管模型的生成方法及装置 |
CN112749563A (zh) * | 2021-01-21 | 2021-05-04 | 北京明略昭辉科技有限公司 | 一种命名实体识别数据标注质量评估与控制方法及系统 |
CN112990044A (zh) * | 2021-03-25 | 2021-06-18 | 北京百度网讯科技有限公司 | 用于生成图像识别模型及图像识别的方法和装置 |
CN113378974A (zh) * | 2021-06-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
CN116912603B (zh) * | 2023-09-12 | 2023-12-15 | 浙江大华技术股份有限公司 | 预标注筛选方法及相关装置、设备和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7475010B2 (en) * | 2003-09-03 | 2009-01-06 | Lingospot, Inc. | Adaptive and scalable method for resolving natural language ambiguities |
-
2019
- 2019-01-09 CN CN201910019894.1A patent/CN109740689B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
顾及区域信息的卷积神经网络在影像语义分割中的应用;伍佳等;《科学技术与工程》;20180728(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109740689A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740689B (zh) | 一种图像语义分割的错误标注数据筛选方法及系统 | |
CN103824055B (zh) | 一种基于级联神经网络的人脸识别方法 | |
CN110084150B (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
CN109740553B (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
CN108710893B (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN110969200B (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
CN110705531B (zh) | 缺失字符检测、缺失字符检测模型的建立方法及装置 | |
US20220092407A1 (en) | Transfer learning with machine learning systems | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN113763371B (zh) | 病理图像的细胞核分割方法及装置 | |
CN111027347A (zh) | 一种视频识别方法、装置和计算机设备 | |
CN116740728A (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN114841974A (zh) | 一种水果内部结构无损检测方法、系统、电子设备及介质 | |
CN114998679A (zh) | 深度学习模型的在线训练方法、装置、设备及存储介质 | |
CN114387451A (zh) | 异常图像检测模型的训练方法、装置及介质 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN110659572A (zh) | 基于双向特征金字塔的视频动作检测方法 | |
CN113283388A (zh) | 活体人脸检测模型的训练方法、装置、设备及存储介质 | |
US11727109B2 (en) | Identifying adversarial attacks with advanced subset scanning | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN114663731B (zh) | 车牌检测模型的训练方法及系统、车牌检测方法及系统 | |
CN115204322B (zh) | 行为链路异常识别方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |