CN110222582B - 一种图像处理方法和相机 - Google Patents

一种图像处理方法和相机 Download PDF

Info

Publication number
CN110222582B
CN110222582B CN201910395393.3A CN201910395393A CN110222582B CN 110222582 B CN110222582 B CN 110222582B CN 201910395393 A CN201910395393 A CN 201910395393A CN 110222582 B CN110222582 B CN 110222582B
Authority
CN
China
Prior art keywords
image
data
preset
recognition model
image recognition
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
CN201910395393.3A
Other languages
English (en)
Other versions
CN110222582A (zh
Inventor
刘子伟
吴涛
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.)
Qingdao Xiaoniao Kankan Technology Co Ltd
Original Assignee
Qingdao Xiaoniao Kankan 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 Qingdao Xiaoniao Kankan Technology Co Ltd filed Critical Qingdao Xiaoniao Kankan Technology Co Ltd
Priority to CN201910395393.3A priority Critical patent/CN110222582B/zh
Publication of CN110222582A publication Critical patent/CN110222582A/zh
Application granted granted Critical
Publication of CN110222582B publication Critical patent/CN110222582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/50—Constructional details

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种图像处理方法和相机。本发明的方法包括：利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，所述目标源图像为所述图像集中包括预设目标元素的源图像；将所述目标源图像作为训练好的图像识别模型的输入，获取所述目标源图像中所述预设目标元素的识别结果；根据所述识别结果在所述目标源图像上标注所述图像类型，以及根据所述识别结果将所述目标源图像中所述预设目标元素进行突出标识，其中，所述图像类型标注用于指示图像是否包括所述预先目标元素。本发明通过两次图像识别准确识别图像并对图像进行标注和分类，使得对图像的标注处理具有精度高、速度快的优势。

Description

一种图像处理方法和相机
技术领域
本发明涉及机器学习技术领域，尤其涉及一种图像处理方法和相机。
背景技术
目前，人工智能越来越引起人们的重视，而且人工智能的产品也越来越多。人工智能技术大多涉及图像处理，例如，在训练机器学习模型，则需要大量的图像数据，这些图像数据大多数是需要标注的，现有技术中一般都是人工标注，耗费大量的人力物力。
发明内容
本发明提供了一种图像处理方法和相机，以至少部分解决上述问题。
第一方面，本发明提供了一种图像处理方法，包括：利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，所述目标源图像为所述图像集中包括预设目标元素的源图像；将所述目标源图像作为训练好的图像识别模型的输入，获取所述目标源图像中所述预设目标元素的识别结果；根据所述识别结果在所述目标源图像上标注所述图像类型，以及根据所述识别结果将所述目标源图像中所述预设目标元素进行突出标识，其中，所述图像类型标注用于指示图像是否包括所述预先目标元素。
在一些实施例中，所述预设目标元素包括人脸元素、手部元素、马赛克元素。
在一些实施例中，图像识别模型通过如下步骤训练得到：获取包含所述预设目标元素的图像和未包含所述预设目标元素的图像的训练样本；将所述训练样本输入至预先训练的初始图像识别模型，将所述初始图像识别模型所生成的特征信息输入至预先建立的判别模型，对所述判别模型和所述初始图像识别模型进行对抗训练，获得所述图像识别模型，其中所述初始图像识别模型用于对包含述预设目标元素的图像进行识别，所述判决模型用于确定被输入至的所述特征信息是否取自所述包含所述预设目标元素的图像。
在一些实施例中，所述训练样本的每个图像带有图像类型标注，所述初始图像识别模型所生成的所述图像的特征信息带有所述图像类型标注。
在一些实施例中，初始图像识别模型通过如下步骤训练得到：获取由包括所述预设目标元素的图像构成的预置训练样本，每个图像带有目标元素的标注；利用机器学习算法，将所述预置训练样本输入至预先建立的卷积神经网络，基于所述预置训练样本中图像所带有的目标元素的标注，训练得到初始图像识别模型。
在一些实施例中，所述判别模型为用于进行多分类的神经网络。
在一些实施例中，所述卷积神经网络包括卷积层、池化层和全连接层。
在一些实施例中，利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，包括：基于边缘检测方法或区域提取方法对图像集中的源图像进行图像分割，根据图像分割结果获取所述目标源图像。
第二方面，本发明提供了一种相机，包括：摄像头和处理器；所述摄像头，采集图像并发送给所述处理器；所述处理器，利用预设的图像识别方法所述图像进行图像识别，在识别到所述图像包括预设目标元素时，将所述图像作为训练好的图像识别模型的输入，获取所述图像中所述预设目标元素的识别结果。
在一些实施例中，所述相机还包括显示器；所述处理器，将所述图像中所述预设目标元素进行突出标识；所述显示器，对具有所述突出标识的所述图像进行显示。
本发明首先利用图像识别方法对源图像进行初步识别，根据初步识别结果对源图像进行筛选，然后利用训练好的图像识别模型对筛选出的具有预设目标元素的源图像进行二次识别，准确识别到图像中的预设目标元素并在图像上进行突出标识，通过两次图像识别准确识别图像并对图像进行标注和分类，使得对图像的标注处理具有精度高、速度快的优势。
附图说明
图1为本发明实施例示出的图像处理方法的流程图；
图2为本发明实施例示出的卷积神经网络的结构图；
图3为本发明实施例示出的数据标注的流程图；
图4为本发明实施例示出的相机的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此，本发明的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本发明的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本发明的上下文中，计算机可读存储介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，计算机可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。
本发明一方面提供一种数据标注方法，本实施例中对数据进行标注主要包括对数据的分类标注，分类标注即为对数据的打标签处理，以给一个样本一个分类。
图1为本发明实施例示出的图像处理方法的流程图，如图1所示，本实施例的方法包括：
S110，利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，所述目标源图像为所述图像集中包括预设目标元素的源图像。
S120，将所述目标源图像作为训练好的图像识别模型的输入，获取所述目标源图像中所述预设目标元素的识别结果。
S130，根据所述识别结果在所述目标源图像上标注所述图像类型和，以及根据所述识别结果将所述目标源图像中所述预设目标元素进行突出标识，其中，所述图像类型标注用于指示图像是否包括所述预先目标元素。
本实施例首先利用图像识别方法对源图像进行初步识别，根据初步识别结果对源图像进行筛选，然后利用训练好的图像识别模型对筛选出的具有预设目标元素的源图像进行二次识别，准确识别到图像中的预设目标元素并在图像上进行突出标识，通过两次图像识别准确识别图像并对图像进行标注和分类，使得对图像的标注具有精度高、速度快的优势。
图2为本发明实施例示出的卷积神经网络的结构图，图3为本发明实施例示出的数据标注的流程图，下面结合如图2-3对上述步骤S110-S130进行详细说明。
首先，执行步骤S110，即利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，所述目标源图像为所述图像集中包括预设目标元素的源图像。
不同项目所需要的数据种类不同，例如人脸识别项目所需要的数据通常为包括人脸的图像数据，而手势识别项目所需要的数据通常为包括人手的图像数据。本实施例中预设目标元素包括人脸元素、手部元素、马赛克元素。在进行数据采集过程中，可以采用网络爬虫、视频录制及视频帧提取等方法，以便获取大量图像数据。
本实施例在进行数据采集过程中，还可以对采集的数据进行基于本的数据处理，例如对图像进行剪裁、缩放等处理。
在一些实施例中，可以基于边缘检测方法或区域提取方法对图像集中的源图像进行图像分割，根据图像分割结果获取所述目标源图像。
通过图像分割算法可以对源图像进行初步识别，筛选出具有预设目标元素的目标源图像，对筛选出的目标源图像采用图像识别模型进行二次识别，可以提高对大量图像处理的速度。
在获得目标源图像之后，继续执行步骤S120，即将所述目标源图像作为训练好的图像识别模型的输入，获取所述目标源图像中所述预设目标元素的识别结果。
在一些实施例中，图像识别模型通过如下步骤训练得到：
获取包含所述预设目标元素的图像和未包含所述预设目标元素的图像的训练样本；将所述训练样本输入至预先训练的初始图像识别模型，将所述初始图像识别模型所生成的特征信息输入至预先建立的判别模型，对所述判别模型和所述初始图像识别模型进行对抗训练，获得所述图像识别模型，其中所述初始图像识别模型用于对包含述预设目标元素的图像进行识别，所述判决模型用于确定被输入至的所述特征信息是否取自所述包含所述预设目标元素的图像。
采用对初始图像识别模型和判决模型进行对抗训练的方式得到的图像识别模型，其从包含所述预设目标元素的图像提取的特征与从未包含所述预设目标元素的图像提取的特征具有不同的特征分布，因而使用该图像识别模型可以提高对包含所述预设目标元素的图像的识别准确性。
其中，所述训练样本的每个图像带有图像类型标注，所述初始图像识别模型所生成的所述图像的特征信息带有所述图像类型标准；所述判别模型为用于进行多分类的神经网络。
在一些实施例中，初始图像识别模型通过如下步骤训练得到：获取由包括所述预设目标元素的图像构成的预置训练样本，每个图像带有目标元素的标注；利用机器学习算法，将所述预置训练样本输入至预先建立的卷积神经网络，基于所述预置训练样本中图像所带有的目标元素的标注，训练得到初始图像识别模型。
其中，所述卷积神经网络包括卷积层、池化层和全连接层。如图2所示，图2中的logits(n)为输出层，分类数为n，在卷积和池化中，(5，2)和(2，2)均为核函数的大小。
在获取目标源图像中预设目标元素的识别结果之后，继续执行步骤S130，即根据所述识别结果在所述目标源图像上标注所述图像类型，以及根据所述识别结果将所述目标源图像中所述预设目标元素进行突出标识，其中，所述图像类型标注用于指示图像是否包括所述预先目标元素。
本实施例上述步骤S110-S130的图像处理方法尤其使用对大批量的图像进行标注。如图3所示，首先以采用网络爬虫、视频录制及视频帧提取等方法，以便获取大量图像数据，通过图像分割算法对采集到的图像数据进行筛选，筛选出包括预设目标元素的图像，例如筛选出包括人脸的人脸图像数据；接着对筛选出的图像数据集中的部分数据进行人工标注，利用人工标注的部分数据训练图像识别模型，利用训练好的图像识别模型对筛选出的图像数据集中未标注的图像数据进行分类，获得数据的分类错误率，并根据图像数据的分类错误率筛选不满足预设置信度的图像数据，对筛选出的不满足预设置信度的图像数据进行人工标注并注入已标注图像数据集中，以及将筛选出的满足预设置信度的数据注入已标注图像数据集中。
在实际应用中，可以将筛选出的图像数据集中未标注的图像数据(假设图像数据集中有U幅未标注图像数据)中取出一部分图像数据(假设取出M幅未标注图像数据，M≤U)，将这M幅的未标注图像数据均分为s批子数据集，每批子数据集中包括M/s幅图像数据，将每一批子数据集分别用分类器进行分类，并统计每一批子数据集的分类错误率；根据当前图像识别模型处理M幅图像数据中每一批子数据集的分类错误率，对其排序，确定分类错误率最高的一批子数据集为不满足预设置信度的子数据集，对其进行人工标注，确定其他s-1批子数据集为满足预设置信度的子数据集。随着循环次数的增加，图像识别模型对大部分数据的分类结果的置信度都很高，图像识别模型的分类效果会逐渐增强。
如图3所示，本发明还提供一种相机。
图4为本发明实施例示出的相机的结构框图，如图4所示，本实施例的相机包括：摄像头和处理器；
所述摄像头，采集图像并发送给所述处理器；
所述处理器，利用预设的图像识别方法所述图像进行图像识别，在识别到所述图像包括预设目标元素时，将所述图像作为训练好的图像识别模型的输入，获取所述图像中所述预设目标元素的识别结果。
在一个实施例中，图4中的相机还包括显示器；
所述处理器，将所述图像中所述预设目标元素进行突出标识；
相应的，所述显示器，对具有所述突出标识的所述图像进行显示。
对于相机实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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劳动的情况下，即可以理解并实施。
为了便于清楚描述本发明实施例的技术方案，在发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。
以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种图像处理方法，其特征在于，包括：
利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，所述目标源图像为所述图像集中包括预设目标元素的源图像；
将所述目标源图像作为训练好的图像识别模型的输入，获取所述目标源图像中所述预设目标元素的识别结果；
根据所述识别结果在所述目标源图像上标注所述图像类型，以及根据所述识别结果将所述目标源图像中所述预设目标元素进行突出标识，其中，所述图像类型标注用于指示图像是否包括所述预设目标元素；
其中，通过网络爬虫、视频录制、视频帧提取中的至少一种方法进行数据采集，对采集的数据进行数据处理，以便获得大量图像集中的源图像；
其中，将所述目标源图像作为训练好的图像识别模型的输入，获取所述目标源图像中所述预设目标元素的识别结果进一步包括：
对目标源图像的部分数据进行人工标注，利用人工标注的部分数据训练图像识别模型，利用训练好的图像识别模型对目标源图像中未标注的图像数据进行分类，获得数据的分类错误率，根据图像数据的分类错误率筛选不满足预设置信度的图像数据，对筛选出的不满足预设置信度的图像数据进行人工标注并注入已标注图像数据集中，以及将筛选出的满足预设置信度的数据注入已标注图像数据集中；
其中，利用训练好的图像识别模型对目标源图像中未标注的图像数据进行分类，获得数据的分类错误率进一步包括：
将目标源图像中未标注的图像数据中取出一部分数据，将所述一部分数据均分为多批子数据集，将每一批子数据集分别用分类器进行分类，并统计每一批子数据集的分类错误率，对其排序，确定分类错误率最高的一批子数据集为不满足预设置信度的子数据集；
所述图像识别模型通过如下步骤训练得到：
获取包含所述预设目标元素的图像和未包含所述预设目标元素的图像的训练样本；
将所述训练样本输入至预先训练的初始图像识别模型，将所述初始图像识别模型所生成的特征信息输入至预先建立的判别模型，对所述判别模型和所述初始图像识别模型进行对抗训练，获得所述图像识别模型，其中所述初始图像识别模型用于对包含所述预设目标元素的图像进行识别，所述判别模型用于确定被输入至图像识别模型的所述特征信息是否取自所述包含所述预设目标元素的图像。
2.根据权利要求1所述的方法，其特征在于，所述预设目标元素包括人脸元素、手部元素、马赛克元素。
3.根据权利要求1所述的方法，其特征在于，所述训练样本的每个图像带有图像类型标注，所述初始图像识别模型所生成的所述图像的特征信息带有所述图像类型标注。
4.根据权利要求1所述的方法，其特征在于，所述初始图像识别模型通过如下步骤训练得到：
获取由包括所述预设目标元素的图像构成的预置训练样本，每个图像带有目标元素的标注；
利用机器学习算法，将所述预置训练样本输入至预先建立的卷积神经网络，基于所述预置训练样本中图像所带有的目标元素的标注，训练得到初始图像识别模型。
5.根据权利要求1所述的方法，其特征在于，所述判别模型为用于进行多分类的神经网络。
6.根据权利要求4所述的方法，其特征在于，所述卷积神经网络包括卷积层、池化层和全连接层。
7.根据权利要求1所述的方法，其特征在于，所述利用预设的图像识别方法对图像集中的源图像进行图像识别，根据识别结果获取目标源图像，包括：
基于边缘检测方法或区域提取方法对图像集中的源图像进行图像分割，根据图像分割结果获取所述目标源图像。
8.一种相机，其特征在于，包括：摄像头和处理器；
所述摄像头，采集图像并发送给所述处理器；
所述处理器，利用预设的图像识别方法对所述图像进行图像识别，在识别到所述图像包括预设目标元素时，将所述图像作为训练好的图像识别模型的输入，获取所述图像中所述预设目标元素的识别结果；
其中，所述摄像头，还用于通过网络爬虫、视频录制、视频帧提取中的至少一种方法进行数据采集，对采集的数据进行数据处理，以便获得大量图像集中的源图像；
其中，所述处理器还用于，对目标源图像的部分数据进行人工标注，利用人工标注的部分数据训练图像识别模型，利用训练好的图像识别模型对目标源图像中未标注的图像数据进行分类，获得数据的分类错误率，根据图像数据的分类错误率筛选不满足预设置信度的图像数据，对筛选出的不满足预设置信度的图像数据进行人工标注并注入已标注图像数据集中，以及将筛选出的满足预设置信度的数据注入已标注图像数据集中；
其中，所述处理器还用于，将目标源图像中未标注的图像数据中取出一部分数据，将所述一部分数据均分为多批子数据集，将每一批子数据集分别用分类器进行分类，并统计每一批子数据集的分类错误率，对其排序，确定分类错误率最高的一批子数据集为不满足预设置信度的子数据集；
所述图像识别模型通过如下步骤训练得到：
获取包含所述预设目标元素的图像和未包含所述预设目标元素的图像的训练样本；
将所述训练样本输入至预先训练的初始图像识别模型，将所述初始图像识别模型所生成的特征信息输入至预先建立的判别模型，对所述判别模型和所述初始图像识别模型进行对抗训练，获得所述图像识别模型，其中所述初始图像识别模型用于对包含所述预设目标元素的图像进行识别，所述判别模型用于确定被输入至图像识别模型的所述特征信息是否取自所述包含所述预设目标元素的图像。
9.根据权利要求8所述的相机，其特征在于，还包括显示器；
所述处理器，将所述图像中所述预设目标元素进行突出标识；
所述显示器，对具有所述突出标识的所述图像进行显示。
CN201910395393.3A 2019-05-13 2019-05-13 一种图像处理方法和相机 Active CN110222582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910395393.3A CN110222582B (zh) 2019-05-13 2019-05-13 一种图像处理方法和相机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910395393.3A CN110222582B (zh) 2019-05-13 2019-05-13 一种图像处理方法和相机

Publications (2)

Publication Number Publication Date
CN110222582A CN110222582A (zh) 2019-09-10
CN110222582B true CN110222582B (zh) 2021-09-14

Family

ID=67820892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910395393.3A Active CN110222582B (zh) 2019-05-13 2019-05-13 一种图像处理方法和相机

Country Status (1)

Country Link
CN (1) CN110222582B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909887B (zh) * 2019-11-21 2023-06-09 广州极飞科技股份有限公司 模型优化方法及装置
CN111126388B (zh) * 2019-12-20 2024-03-29 维沃移动通信有限公司 图像识别的方法及电子设备
CN111368902A (zh) * 2020-02-28 2020-07-03 北京三快在线科技有限公司 一种数据标注的方法及装置
CN111738197B (zh) * 2020-06-30 2023-09-05 中国联合网络通信集团有限公司 一种训练图像信息处理的方法和装置
CN111931762B (zh) * 2020-09-25 2021-07-30 广州佰锐网络科技有限公司 基于ai的图像识别解决方法、装置及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108228569A (zh) * 2018-01-30 2018-06-29 武汉理工大学 一种基于松散条件下协同学习的中文微博情感分析方法
CN109003318A (zh) * 2018-08-09 2018-12-14 北京深瞐科技有限公司 一种视频处理方法、装置及存储介质
CN109741481A (zh) * 2018-12-14 2019-05-10 深圳壹账通智能科技有限公司 基于人脸识别的健身时长计算方法、装置及健身设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9407864B2 (en) * 2013-07-25 2016-08-02 Beijing Lenovo Software Ltd. Data processing method and electronic device
CN106558058B (zh) * 2016-11-29 2020-10-09 北京图森未来科技有限公司 分割模型训练方法、道路分割方法、车辆控制方法及装置
CN108711161A (zh) * 2018-06-08 2018-10-26 Oppo广东移动通信有限公司 一种图像分割方法、图像分割装置及电子设备
CN108985214A (zh) * 2018-07-09 2018-12-11 上海斐讯数据通信技术有限公司 图像数据的标注方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108228569A (zh) * 2018-01-30 2018-06-29 武汉理工大学 一种基于松散条件下协同学习的中文微博情感分析方法
CN109003318A (zh) * 2018-08-09 2018-12-14 北京深瞐科技有限公司 一种视频处理方法、装置及存储介质
CN109741481A (zh) * 2018-12-14 2019-05-10 深圳壹账通智能科技有限公司 基于人脸识别的健身时长计算方法、装置及健身设备

Also Published As

Publication number Publication date
CN110222582A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110222582B (zh) 一种图像处理方法和相机
Hu et al. Dense crowd counting from still images with convolutional neural networks
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
US9317781B2 (en) Multiple cluster instance learning for image classification
WO2021115345A1 (zh) 图像处理方法、装置、计算机设备及存储介质
Dubey et al. Fruit and vegetable recognition by fusing colour and texture features of the image using machine learning
CN109829467A (zh) 图像标注方法、电子装置及非暂态电脑可读取储存媒体
Siva et al. Weakly Supervised Action Detection.
Song et al. Unsupervised Alignment of Actions in Video with Text Descriptions.
CN111046886B (zh) 号码牌自动识别方法、装置、设备及计算机可读存储介质
CN109002766A (zh) 一种表情识别方法及装置
EP3623998A1 (en) Character recognition
CN107368827A (zh) 字符识别方法及装置、用户设备、服务器
CN107133629B (zh) 图片分类方法、装置和移动终端
CN109857878B (zh) 物品标注方法及装置、电子设备及存储介质
CN113221918B (zh) 目标检测方法、目标检测模型的训练方法及装置
Wang et al. Action recognition using edge trajectories and motion acceleration descriptor
Soni et al. Optimal feature and classifier selection for text region classification in natural scene images using Weka tool
CN112733666A (zh) 一种难例图像的搜集、及模型训练方法、设备及存储介质
Kokkinos Boundary detection using f-measure-, filter-and feature-(f 3) boost
CN116543261A (zh) 用于图像识别的模型训练方法、图像识别方法设备及介质
Nemade et al. Image segmentation using convolutional neural network for image annotation
Yadav et al. An improved deep learning-based optimal object detection system from images
CN111325181A (zh) 一种状态监测方法、装置、电子设备及存储介质

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