CN110110749A - 一种训练集中的图片处理方法及装置 - Google Patents
一种训练集中的图片处理方法及装置 Download PDFInfo
- Publication number
- CN110110749A CN110110749A CN201910252709.3A CN201910252709A CN110110749A CN 110110749 A CN110110749 A CN 110110749A CN 201910252709 A CN201910252709 A CN 201910252709A CN 110110749 A CN110110749 A CN 110110749A
- Authority
- CN
- China
- Prior art keywords
- picture
- training
- final goal
- recognition result
- category set
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种训练集中的图片处理方法及装置，所述方法包括：获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。所述装置执行上述方法。本发明实施例提供的训练集中的图片处理方法及装置，能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
Description
技术领域
本发明实施例涉及图片处理技术领域，尤其涉及一种训练集中的图片处理方法及装置。
背景技术
胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。
现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，在训练完成之后，才可以使用模型对原始图片进行识别。但是，由于原始图片的复杂性，会导致模型的识别结果不够准确，例如：会出现一些错分的图片，现有技术的方法是：将错分的图片放入图片标签集(即训练集)中进行再训练，以确保当再遇到类似的图片时，模型不会再犯同样的错误，当需要训练的图片量较少的情况下，这样做的效率还可以，但是，当需要训练的图片量较多的情况下时，现有技术的方法效率非常低下。
因此，如何避免上述缺陷，提高训练图片的处理效率，进而提高模型识别图片的准确度，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种训练集中的图片处理方法及装置。
本发明实施例提供一种训练集中的图片处理方法，包括：
获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；
将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；
从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
本发明实施例提供一种训练集中的图片处理装置，包括：
获取单元，用于获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；
再训练单元，用于将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；
剔除单元，用于从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器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能够执行如下方法：
获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；
将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；
从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
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如下方法：
获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；
将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；
从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
本发明实施例提供的训练集中的图片处理方法及装置，通过对正确的识别结果对应的图片再次进行训练，形成特征高度纯化的图片集合，在此基础上再从特征高度纯化的图片集合中剔除与错分图片相似的图片，能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
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为本发明训练集中的图片处理方法实施例流程图；
图2为本发明训练集中的图片处理装置实施例结构示意图；
图3为本发明实施例提供的电子设备实体结构示意图。
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为本发明训练集中的图片处理方法实施例流程图，如图1所示，本发明实施例提供的一种训练集中的图片处理方法，包括以下步骤：
S101：获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果。
具体的，装置获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果。需要说明的是：该原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：
·胶囊内镜从口腔进入消化道，再从肛门自然排出体外。
·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。
·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。
·域内检查图片是对消化道某一段所进行的拍摄结果。
·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。
·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。
·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：
第一大类：一类域外分类标签(10个类别)。
第二大类：二类域外分类标签(13个类别)。
第三大类：基于局部结构特征的图片分类标签(14个类别)。
第四大类：洞状结构图片分类标签(8个类别)。
第五大类：基于全局结构特征的图片分类标签(24个类别)。
第六大类：异常特征图片分类标签(56个类别)。
·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。
每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000～3000张，即胶囊内镜获取到的图片集中的图片数量。
可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。对原始图片的识别结果可以包括：干扰图片、拍摄物外表面不包含异常特征的图片、拍摄物外表面包含所述异常特征的图片，所述异常特征可以包括凸起特征和/或指定颜色特征。干扰图片可以理解为无法用于图片识别的图片。凸起特征可以包括肿胀、颗粒状物凸起。指定颜色特征可以包括红色、白色，不作具体限定。需要说明的是：该异常特征可以作为某些疾病诊断过程中的中间参考特征，仅仅依赖该异常特征还不足以诊断出疾病。
举例说明如下：预设模型对A、B、C、D共计四张原始图片进行识别，识别结果分别为a、b、c、d，再分别对a、b、c、d进行验证，如果模型输出的a、b、c、d都是干扰图片，而验证结果为a、b、c都是干扰图片，而d不是干扰图片(可以是上述不包含异常特征的图片，或包含所述异常特征的图片)，即存在一个不正确的第一识别结果d(可以为至少一个)，则获取所有正确的第二识别结果a、b、c。
S102：将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练。
具体的，装置将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练。参照上述举例，将a、b、c分别对应的三张干扰图片导入具体干扰图片标签对应的类别集合中，例如，具体干扰图片标签对应的类别集合可以是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位来确定的，对于拍摄缺陷或拍摄部位还可以进一步细分，例如：拍摄缺陷可以包括全曝光图片、全黑图片、半曝光图片、局部曝光图片、结构模糊图片和细节模糊图片；其中，所述全曝光图片、所述半曝光图片和所述局部曝光图片是根据图片曝光区域的面积进行区分的；所述结构模糊图片和所述细节模糊图片是根据图片模糊区域的面积进行区分的。拍摄部位可以包括在所述胶囊内镜入口之前拍摄的图片、在食道中拍摄的图片、口腔图片、肠道图片。例如将a导入全曝光图片对应的类别集合中、将b导入局部曝光图片对应的类别集合中、将c导入口腔图片对应的类别集合中，并进行再次训练，具体的训练方法为本领域成熟技术，不再赘述。将正确分类的图片批量加入标签集相应的类别集合中，对已经形成的稳定分类进行巩固训练，达到预设条件之后，稳定的类别就会形成特征高度纯化的图片集合，此时，可以终止本次训练(即在再次训练过程中终止本次训练)，预设条件可以包括再次训练的迭代次数达到预设次数；或再次训练的收敛精度达到预设数值，预设次数的具体数值和预设数值的具体数值可以根据实际情况自主设置。
S103：从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
具体的，装置从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。预设阈值可以根据实际情况自主设置。相似程度可以用相似度指标来衡量。参照上述举例，以口腔图片对应的类别集合为例(此时已经导入c、并完成了训练)，如果该类别集合中包括图片集合为{c1～c9}，则将c1～c9分别与d对应的第一目标图片进行相似程度对照，事实上，在拍摄物外表面不包含异常特征的图片中存在一类胃部图片的特征与口腔图片特征极为相似，d对应的第一目标图片可以是这类胃部图片，如果c1～c3对应的三个相似度指标大于预设阈值，c4～c9对应的六个相似度指标小于预设阈值，则从以口腔图片对应的类别集合中剔除c1～c3，即在以口腔图片对应的类别集合中保留c4～c9，从而实现了口腔图片对应的类别集合与上述这类胃部图片对应的类别集合之间的区别特征更加明显，进而较易进行区分。对于多个第一识别结果对应的第一目标图片的情况，可参照上述第一识别结果为一个的情况的说明，不再赘述。对于上述a、b分别对应的情况，可参照上述c的说明，不再赘述。
本发明实施例提供的训练集中的图片处理方法，通过对正确的识别结果对应的图片再次进行训练，形成特征高度纯化的图片集合，在此基础上再从特征高度纯化的图片集合中剔除与错分图片相似的图片，能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
在上述实施例的基础上，所述方法还包括：
从再次训练完成后的类别集合中定期剔除最终目标图片。
具体的，装置从再次训练完成后的类别集合中定期剔除最终目标图片。定期的定期周期可以根据实际情况自主设置，例如可以设置每周一剔除最终目标图片一次。
本发明实施例提供的训练集中的图片处理方法，进一步能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
在上述实施例的基础上，所述方法还包括：
从再次训练完成后的类别集合中替换最终目标图片。
具体的，装置从再次训练完成后的类别集合中替换最终目标图片。替换最终目标图片可以理解为用更合适的图片更换最终目标图片，其中，更合适的图片可以为与该类别集合中的集合特征相似度大于第一阈值、且与最终目标图片相似度低于第二阈值的图片，第一阈值和第二阈值可以根据实际情况自主设置。集合特征可以理解为该集合区别于其他集合的特征(即最明显、显著的特征)。
本发明实施例提供的训练集中的图片处理方法，进一步能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
在上述实施例的基础上，所述方法还包括：
从再次训练完成后的类别集合中定期替换最终目标图片。
具体的，装置从再次训练完成后的类别集合中定期替换最终目标图片。定期的定期周期可以根据实际情况自主设置，例如可以设置每周一替换最终目标图片一次。
本发明实施例提供的训练集中的图片处理方法，进一步能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
在上述实施例的基础上，所述方法还包括：
在再次训练的过程中，若达到预设条件，则终止进行再次训练；其中，所述预设条件包括再次训练的迭代次数达到预设次数；或再次训练的收敛精度达到预设数值。
具体的，装置在再次训练的过程中，若达到预设条件，则终止进行再次训练；其中，所述预设条件包括再次训练的迭代次数达到预设次数；或再次训练的收敛精度达到预设数值。可参照上述说明，不再赘述。
本发明实施例提供的训练集中的图片处理方法，通过预设条件终止进行再次训练，能够优化训练过程。
在上述实施例的基础上，所述方法还包括：
将剔除或替换掉的最终目标图片作为可对照图片特征的对照图片。
具体的，装置将剔除或替换掉的最终目标图片作为可对照图片特征的对照图片。即将这些最终目标图片作为对照图片，有助于通过对照进一步区分图片特征。
本发明实施例提供的训练集中的图片处理方法，有助于通过对照进一步区分图片特征，进而优化类别集合中的图片分类。
图2为本发明训练集中的图片处理装置实施例结构示意图，如图2所示，本发明实施例提供了一种训练集中的图片处理装置，包括获取单元201、再训练单元202和剔除单元203，其中：
获取单元201用于获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；再训练单元202用于将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；剔除单元203用于从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
具体的，获取单元201用于获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；再训练单元202用于将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；剔除单元203用于从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
本发明实施例提供的训练集中的图片处理装置，通过对正确的识别结果对应的图片再次进行训练，形成特征高度纯化的图片集合，在此基础上再从特征高度纯化的图片集合中剔除与错分图片相似的图片，能够提高训练图片的处理效率，进而提高模型识别图片的准确度。
本发明实施例提供的训练集中的图片处理装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，所述电子设备包括：处理器(processor)301、存储器(memory)302和总线303；
其中，所述处理器301、存储器302通过总线303完成相互间的通信；
所述处理器301用于调用所述存储器302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：获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
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：获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
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 (9)
1.一种训练集中的图片处理方法，其特征在于，包括：
获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；
将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；
从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从再次训练完成后的类别集合中定期剔除最终目标图片。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
从再次训练完成后的类别集合中替换最终目标图片。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从再次训练完成后的类别集合中定期替换最终目标图片。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在再次训练的过程中，若达到预设条件，则终止进行再次训练；其中，所述预设条件包括再次训练的迭代次数达到预设次数；或再次训练的收敛精度达到预设数值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将剔除或替换掉的最终目标图片作为可对照图片特征的对照图片。
7.一种训练集中的图片处理装置，其特征在于，包括：
获取单元，用于获取预设模型针对原始图片的识别结果；若判断获知存在不正确的第一识别结果，则获取所有正确的第二识别结果；
再训练单元，用于将所有第二识别结果对应的第二目标图片导入与相应图片标签对应的类别集合中，并进行再次训练；
剔除单元，用于从再次训练完成后的类别集合中剔除最终目标图片；所述最终目标图片是与每个第一识别结果对应的第一目标图片的相似程度大于预设阈值的图片标签中的图片。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器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能够执行如权利要求1至6任一所述的方法。
9.一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任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910252709.3A CN110110749A (zh) | 2019-03-29 | 2019-03-29 | 一种训练集中的图片处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910252709.3A CN110110749A (zh) | 2019-03-29 | 2019-03-29 | 一种训练集中的图片处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110110749A true CN110110749A (zh) | 2019-08-09 |
Family
ID=67484808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910252709.3A Pending CN110110749A (zh) | 2019-03-29 | 2019-03-29 | 一种训练集中的图片处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110749A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612034A (zh) * | 2020-04-15 | 2020-09-01 | 中国科学院上海微系统与信息技术研究所 | 一种对象识别模型的确定方法、装置、电子设备及存储介质 |
| CN112686289A (zh) * | 2020-12-24 | 2021-04-20 | 微梦创科网络科技（中国）有限公司 | 图片分类方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
| CN103728879A (zh) * | 2014-01-20 | 2014-04-16 | 华北电力大学 | 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 |
| CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
| CN108830329A (zh) * | 2018-06-22 | 2018-11-16 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
-
2019
- 2019-03-29 CN CN201910252709.3A patent/CN110110749A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473570A (zh) * | 2013-08-16 | 2013-12-25 | 电子科技大学 | 自适应视频场景的行人检测方法 |
| CN103728879A (zh) * | 2014-01-20 | 2014-04-16 | 华北电力大学 | 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 |
| CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
| CN108830329A (zh) * | 2018-06-22 | 2018-11-16 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| CSDN_CSDN__AI: "无监督对话数据清洗利器：Data Purification Framework", 《HTTPS://BLOG.CSDN.NET/HEYC861221/ARTICLE/DETAILS/80130947》 * |
| 苏宝林等: "基于最大异类距离和正则极端学习机的模拟电路在线故障诊断", 《仪表技术与传感器》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111612034A (zh) * | 2020-04-15 | 2020-09-01 | 中国科学院上海微系统与信息技术研究所 | 一种对象识别模型的确定方法、装置、电子设备及存储介质 |
| CN111612034B (zh) * | 2020-04-15 | 2024-04-12 | 中国科学院上海微系统与信息技术研究所 | 一种对象识别模型的确定方法、装置、电子设备及存储介质 |
| CN112686289A (zh) * | 2020-12-24 | 2021-04-20 | 微梦创科网络科技（中国）有限公司 | 图片分类方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| CN109886273B (zh) | 一种cmr图像分割分类系统 | |
| CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
| CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及系统 | |
| WO2019094504A1 (en) | Deep learning for tooth detection and evaluation | |
| CN108764329A (zh) | 一种肺癌病理图像数据集的构建方法 | |
| CN110555836A (zh) | 一种超声图像中胎儿标准切面的自动识别方法和系统 | |
| CN110084275A (zh) | 一种训练样本的选取方法及装置 | |
| CN109255390A (zh) | 训练图像的预处理方法及模块、鉴别器、可读存储介质 | |
| CN110188613A (zh) | 图像分类方法及设备 | |
| CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
| CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
| CN110110749A (zh) | 一种训练集中的图片处理方法及装置 | |
| CN113129287A (zh) | 一种针对上消化道内镜影像的病灶自动留图方法 | |
| CN112614133A (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
| CN109712707A (zh) | 一种舌诊方法、装置、计算设备及计算机存储介质 | |
| CN113435355A (zh) | 多目标奶牛身份识别方法及系统 | |
| CN110288574A (zh) | 一种超声辅助诊断肝肿块系统及方法 | |
| CN111563439A (zh) | 一种水产生物病害检测方法、装置及设备 | |
| CN116524183A (zh) | 一种基于多任务适配器微调的伪装目标检测方法 | |
| CN113052843B (zh) | 辅助内镜检查的方法、装置、系统、存储介质和计算设备 | |
| CN114596584A (zh) | 海洋生物智能检测识别方法 | |
| CN110110750A (zh) | 一种原始图片的分类方法及装置 | |
| CN110097080A (zh) | 一种分类标签的构建方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |
|
| RJ01 | Rejection of invention patent application after publication |