CN110276345A - 卷积神经网络模型训练方法、装置和计算机可读存储介质 - Google Patents
卷积神经网络模型训练方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110276345A CN110276345A CN201910485046.XA CN201910485046A CN110276345A CN 110276345 A CN110276345 A CN 110276345A CN 201910485046 A CN201910485046 A CN 201910485046A CN 110276345 A CN110276345 A CN 110276345A
- Authority
- CN
- China
- Prior art keywords
- training
- convolutional neural
- neural network
- network model
- edge
- 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
- 238000012549 training Methods 0.000 title claims abstract description 251
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开一种卷积神经网络模型训练方法、装置、电子设备和计算机可读存储介质。其中方法包括：构建卷积神经网络，其中卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；将训练样本集合输入卷积神经网络，每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；多个训练通道分别用于预测与目标区域相关联的多个特征数据。本公开实施例通过并行的多个训练通道分别对训练样本集合进行训练，使得训练得到的卷积神经网络模型包含多个训练通道，并且多个训练通道分别用于预测与所述目标区域相关联的多个特征数据，可以得到更多与目标区域相关的特征，能够提高目标区域确定准确率。
Description
技术领域
本公开涉及一种卷积神经网络模型训练技术领域，特别是涉及一种卷积神经网络模型训练方法、装置和计算机可读存储介质。
背景技术
拍摄的视频图像中很多都包含汽车，而包含汽车的图像中一般都会包括车牌，由于车牌涉及到隐私，因此需要对视频图像中的车牌进行处理或者使用其他图像来覆盖该车牌。而在对包含车牌的图像进行处理时，识别出图像中的车牌区域是关键。
现有技术中对于车牌区域的识别，一般是使用模型判断车牌中的每个像素是前景还是背景，其中前景是要识别的车牌区域，背景是指图像中除了车牌外的区域。但是使用这种方法，分类器只关心像素是否为车牌中的像素，当仅使用像素是否是车牌区域的像素这一个判断条件时，容易被一些误判点影响到车牌准确区域。
发明内容
本公开解决的技术问题是提供一种卷积神经网络模型训练方法，以至少部分地解决现有技术中目标区域被误判的技术问题。此外，还提供一种卷积神经网络模型训练装置、卷积神经网络模型训练硬件装置、计算机可读存储介质和卷积神经网络模型训练终端。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种卷积神经网络模型训练方法，包括：
构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；
将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
进一步的，所述将训练样本集合输入所述卷积神经网络，每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型，包括：
确定每个训练通道的参数；
将训练样本集合输入所述卷积神经网络，得到每个训练通道对应的每个样本图像的预测特征数据；
针对每个训练通道，根据每个样本图像的预测特征数据和真实特征数据确定预测误差；
重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。
进一步的，所述目标区域为多边形区域，所述标记为所述多边形区域的顶点，相应的所述方法还包括：
根据所述多边形区域的顶点计算得到所述真实特征数据，所述真实特征数据包括所述多边形区域内的像素点、所述多边形区域的旋转角度、所述像素点到所述多边形每个边的距离。
进一步的，所述卷积神经网络模型的第一训练通道用于预测所述多边形区域内的像素点，第二训练通道用于预测所述多边形区域的旋转角度，第三训练通道至第N训练通道分别用于预测所述像素点到所述多边形每个边的距离；其中N等于所述多边形的边的个数加二。
进一步的，所述目标区域为车牌区域。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种目标区域确定方法，包括：
获取待识别图像；
将所述待识别图像输入采用权利要求1-5任一项所述的卷积神经网络模型训练方法进行训练得到的卷积神经网络模型；
通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据；
根据所述多个特征数据确定所述目标区域。
进一步的，通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据，包括：
通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点；
通过所述卷积神经网络模型的第二训练通道预测得到所述目标区域的旋转角度；
通过所述卷积神经网络模型的第三训练通道至第N训练通道分别预测得到所述像素点到所述目标区域每个边的距离。
进一步的，所述通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点，包括：
通过所述卷积神经网络模型的第一训练通道对所述待识别图像中的像素点进行打分；
将分数超过第一预设阈值的像素点作为所述目标区域内的像素点。
进一步的，所述根据所述多个特征数据确定所述目标区域，包括：
针对所述目标区域内的每个像素点，根据所述目标区域的旋转角度和所述像素点到所述目标区域每个边的距离计算得到每个边对应的边缘点；
根据所述每个边对应的边缘点确定所述目标区域。
进一步的，所述根据所述每个边对应的边缘点确定所述目标区域，包括：
对所述每个边对应的边缘点进行直线拟合得到多条直线，所述多条直线互相交叉形成闭合区域，将所述闭合区域作为所述目标区域。
进一步的，所述根据所述每个边对应的边缘点确定所述目标区域，包括：
选取得分超过第二预设阈值的像素点对应的每个边的边缘点，并确定所述边缘点的坐标；
将选取的像素点的得分作为权重，对所有选取的像素点对应的每个边的边缘点的坐标进行加权；
根据每个边加权后的边缘点的坐标确定所述目标区域。
进一步的，所述目标区域为车牌区域。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种卷积神经网络模型训练装置，包括：
网络构建模块，用于构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；
模型训练模块，用于将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
进一步的，所述模型训练模块具体用于：确定每个训练通道的参数；将训练样本集合输入所述卷积神经网络，得到每个训练通道对应的每个样本图像的预测特征数据；针对每个训练通道，根据每个样本图像的预测特征数据和真实特征数据确定预测误差；重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。
进一步的，所述目标区域为多边形区域，所述标记为所述多边形区域的顶点，相应的所述装置还包括：
计算模块，用于根据所述多边形区域的顶点计算得到所述真实特征数据，所述真实特征数据包括所述多边形区域内的像素点、所述多边形区域的旋转角度、所述像素点到所述多边形每个边的距离。
进一步的，所述卷积神经网络模型的第一训练通道用于预测所述多边形区域内的像素点，第二训练通道用于预测所述多边形区域的旋转角度，第三训练通道至第N训练通道分别用于预测所述像素点到所述多边形每个边的距离；其中N等于所述多边形的边的个数加二。
进一步的，所述目标区域为车牌区域。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种目标区域确定装置，包括：
图像获取模块，用于获取待识别图像；
图像输入模块，用于将所述待识别图像输入采用权利要求1-5任一项所述的卷积神经网络模型训练方法进行训练得到的卷积神经网络模型；
预测模块，用于通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据；
区域确定模块，用于根据所述多个特征数据确定所述目标区域。
进一步的，所述预测模块具体用于：通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点；通过所述卷积神经网络模型的第二训练通道预测得到所述目标区域的旋转角度；通过所述卷积神经网络模型的第三训练通道至第N训练通道分别预测得到所述像素点到所述目标区域每个边的距离。
进一步的，所述预测模块具体用于：通过所述卷积神经网络模型的第一训练通道对所述待识别图像中的像素点进行打分；将分数超过第一预设阈值的像素点作为所述目标区域内的像素点。
进一步的，所述区域确定模块包括：
边缘点计算单元，用于针对所述目标区域内的每个像素点，根据所述目标区域的旋转角度和所述像素点到所述目标区域每个边的距离计算得到每个边对应的边缘点；
区域确定单元，用于根据所述每个边对应的边缘点确定所述目标区域。
进一步的，所述区域确定单元具体用于：对所述每个边对应的边缘点进行直线拟合得到多条直线，所述多条直线互相交叉形成闭合区域，将所述闭合区域作为所述目标区域。
进一步的，所述区域确定单元具体用于：选取得分超过第二预设阈值的像素点对应的每个边的边缘点，并确定所述边缘点的坐标；将选取的像素点的得分作为权重，对所有选取的像素点对应的每个边的边缘点的坐标进行加权；根据每个边加权后的边缘点的坐标确定所述目标区域。
进一步的，所述目标区域为车牌区域。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任意一项所述的卷积神经网络模型训练方法。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任意一项所述的卷积神经网络模型训练方法。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现上述任意一项所述的目标区域确定方法。
为了实现上述目的，根据本公开的一个方面，提供以下技术方案：
一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行上述任意一项所述的目标区域确定方法。
为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：
一种卷积神经网络模型训练终端，包括上述任一卷积神经网络模型训练装置。
为了实现上述目的，根据本公开的又一个方面，还提供以下技术方案：
一种数据读取终端，包括上述任一数据读取装置。
本公开实施例通过并行的多个训练通道分别对训练样本集合进行训练，使得训练得到的卷积神经网络模型包含多个训练通道，并且多个训练通道分别用于预测与所述目标区域相关联的多个特征数据，可以得到更多与目标区域相关的特征，能够提高目标区域确定准确率。
上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例,并配合附图，详细说明如下。
附图说明
图1a为根据本公开一个实施例的卷积神经网络模型训练方法的流程示意图；
图1b为根据本公开一个实施例的卷积神经网络模型训练方法中的卷积层的卷积过程示意图；
图1c为根据本公开一个实施例的卷积神经网络模型训练方法中的卷积层的卷积结果示意图；
图2为根据本公开一个实施例的目标区域确定方法的流程示意图；
图3为根据本公开一个实施例的卷积神经网络模型训练装置的结构示意图；
图4为根据本公开一个实施例的目标区域确定装置的结构示意图；
图5为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
实施例一
为了解决现有技术中目标区域识误判的技术问题，本公开实施例提供一种卷积神经网络模型训练方法。如图1a所示，该卷积神经网络模型训练方法主要包括如下步骤S11至步骤S12。其中：
步骤S11：构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道。
其中，卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，主要包括输入层、卷积层、池化层、全连接层和输出层。并且，一个卷积神经网络可以包括多个卷积层。在本文中，卷积神经网络可以为直筒型卷积神经网络，也可以为深度学习卷积神经网络，这里不做具体限定。
其中，卷积层包括卷积核，卷积核可以为一个矩阵，用于对输入图像进行卷积，具体计算方法为对输入的图像的不同局部矩阵和卷积核矩阵各个位置的元素相乘，然后相加。在本文中，每个训练通道对应不同的卷积核。
举个例子，如图1b所示，输入是一个二维的3x4的矩阵，而卷积核是一个2x2的矩阵。这里假设卷积是一次移动一个像素来卷积的，那么首先对输入的左上角2x2局部和卷积核卷积，即各个位置的元素相乘再相加，得到的输出矩阵S的S00的元素，值为aw+bx+ey+fzaw+bx+ey+fz。接着将输入的局部向右平移一个像素，现在是(b,c,f,g)四个元素构成的矩阵和卷积核来卷积，这样得到了输出矩阵S的S01的元素，同样的方法，可以得到输出矩阵S的S02，S10，S11，S12，S10，S11，S12的元素。如图1c所示，最终得到卷积输出的矩阵为一个2x3的矩阵S。
步骤S12：将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
其中，每个训练通道都是独立，除了在卷积层使用不同的卷积核，该多个训练通道共用所述卷积神经网络的其它层。
其中，训练通道个数由需要预测的特征数据决定，如果需要预测的特征数据有6个，则对应的训练通道就有6个。例如，如果所述目标区域为多边形，则对应的多个特征数据可以包括所述多边形区域内的像素点、所述多边形区域的旋转角度、所述像素点到所述多边形每个边的距离。其中多边形区域内的像素点对应一个训练通道，所述多边形区域的旋转角度对应一个训练通道，多边形每个边的距离分别对应一个训练通道。
其中，目标区域可以为车牌区域。
本实施例通过并行的多个训练通道分别对训练样本集合进行训练，使得训练得到的卷积神经网络模型包含多个训练通道，并且多个训练通道分别用于预测与所述目标区域相关联的多个特征数据，可以得到更多与目标区域相关的特征，能够提高目标区域确定准确率。
在一个可选的实施例中，步骤S12包括：
步骤S121：确定每个训练通道的参数。
其中，所述参数包括卷积层的卷积核对应的参数，例如卷积矩阵的大小，例如可以设为3*3的矩阵，不同的卷积层可以设置不同的卷积核。此外，还可以包括池化层的参数，例如池化矩阵的大小，可以为3*3的池化矩阵，或者输出层的参数，例如线性系数矩阵及偏倚向量等。并且，每个训练通道对应的参数均不相同。
步骤S122：将训练样本集合输入所述卷积神经网络，得到每个训练通道对应的每个样本图像的预测特征数据。
具体的，首先练样本集合通过所述卷积神经网络的输入层，将训练样本集合转化为多维向量，然后经过卷积层进行卷积计算，得到卷积阶段对应的特征图像。在本文中，卷积层包含并行的多个卷积核，则输入图像进入卷积层以后，与不同的卷积核进行卷积计算，得到多个卷积结果，然后进入池化层、全连接层和输出层进行预测。
步骤S123：针对每个训练通道，根据每个样本图像的预测特征数据和真实特征数据确定预测误差。
其中，预设误差可以自定义设置。
具体的，可以采用损失函数计算预测特征数据和真实特征数据之间的损失，将损失作为预测误差。
步骤S124：重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。
在一个可选的实施例中，所述目标区域为多边形区域，所述标记为所述多边形区域的顶点，相应的所述方法还包括：
根据所述多边形区域的顶点计算得到所述真实特征数据，所述真实特征数据包括所述多边形区域内的像素点、所述多边形区域的旋转角度、所述像素点到所述多边形每个边的距离。
具体的，当所述目标区域为车牌区域时，对应的多边形即为四边形即为矩形。在对训练样本进行标记时，只标记样本图像中对应目标区域的顶点。例如，所述矩形的四个顶点。根据矩形区域的四个顶点的坐标、像素点的坐标及矩形区域的旋转角度，即可计算得到像素点到矩形四个边的距离。
进一步的，所述卷积神经网络模型的第一训练通道用于预测所述多边形区域内的像素点，第二训练通道用于预测所述多边形区域的旋转角度，第三训练通道至第N训练通道分别用于预测所述像素点到所述多边形每个边的距离；其中N等于所述多边形的边的个数加二。
例如，如果所述目标区域为车牌区域，则对应的多边形为矩形，由于矩形包含4个边，则需要4个训练通道分别预测像素点到4个边的距离，以及加上用于预测所述矩形区域内的像素点的训练通道和用于预测所述矩形区域的旋转角度的训练通道，一共6个训练通道。
实施例二
为了解决现有技术中目标区域确定正确率低的技术问题，本公开实施例还提供一种目标区域确定方法，如图2所示，具体包括：
S21:获取待识别图像。
其中，可通过摄像头实时获取待识别图像。或者从本地获取预先存储的待识别图像。
S22:将所述待识别图像输入卷积神经网络模型。
其中，卷积神经网络模型采用上述实施例一所述的卷积神经网络模型训练方法进行训练得到，具体训练过程参见上述实施例一。
S23:通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据。
其中，一个训练通道对应预测一个特征数据。例如，一个训练通道用于预测像素点是否为所述目标区域内的像素点，另一个训练通道用于预测所述目标区域的旋转角度等等。
S24:根据所述多个特征数据确定所述目标区域。
其中，目标区域可以为车牌区域，用于对车牌区域的识别。
本实施例通过卷积神经网络模型的多个训练通道分别预测得到多个特征数据，可以得到更多与目标区域相关的特征，能够提高目标区域确定准确率。
在一个可选的实施例中，步骤S33具体包括：
步骤S231：通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点。
步骤S232：通过所述卷积神经网络模型的第二训练通道预测得到所述目标区域的旋转角度。
具体的，由于旋转角度具有周期性，可以通过第二训练通道预测得到旋转角度的余弦值，根据余弦值得到旋转角度。例如，如果余弦值为1，则确定对应的旋转角度为0。
步骤S233：通过所述卷积神经网络模型的第三训练通道至第N训练通道分别预测得到所述像素点到所述目标区域每个边的距离。
其中，N为目标区域的边的个数加二。如果目标区域为矩形，则N为六，其中第三训练通道至第六训练通道分别预测得到所述像素点到所述目标区域四个边的距离。
进一步的，步骤S231具体包括：
通过所述卷积神经网络模型的第一训练通道对所述待识别图像中的像素点进行打分；
将分数超过第一预设阈值的像素点作为所述目标区域内的像素点。
其中，所述分数可以为归一化后的分数，例如0-1内的数值。
在一个可选的实施例中，步骤S24具体包括：
步骤S241：针对所述目标区域内的每个像素点，根据所述目标区域的旋转角度和所述像素点到所述目标区域每个边的距离计算得到每个边对应的边缘点。
其中，边缘点可以用坐标表示。
具体的，如果目标区域为矩形，包括上下左右四个边，针对每个像素点，都可以预测得到到这4个边的距离，该距离为直线距离，根据该距离和矩形的旋转角度就可以确定每个边对应的边缘点，针对预测的每个像素点，每个边都会对应很多的边缘点。
步骤S242：根据所述每个边对应的边缘点确定所述目标区域。
具体的，可以根据所述每个边对应的边缘点确定每个边的直线，由每个边的直线组成所述目标区域。
在一个可选的实施例中，步骤S242具体包括：
对所述每个边对应的边缘点进行直线拟合得到多条直线，所述多条直线互相交叉形成闭合区域，将所述闭合区域作为所述目标区域。
具体的，针对每个边对应的多个边缘点，根据这些边缘点可以确定很多条直线，选取包含边缘点的个数最多的那个直线作为最佳直线，这样可以确定多个边对应的直线，这些直线相互交叉形成的闭合区域即为所述目标区域。
在一个可选的实施例中，步骤S242具体包括：
选取得分超过第二预设阈值的像素点对应的每个边的边缘点，并确定所述边缘点的坐标；
将选取的像素点的得分作为权重，对所有选取的像素点对应的每个边的边缘点的坐标进行加权；
根据每个边加权后的边缘点的坐标确定所述目标区域。
由于得分较高的像素点其属于所述目标区域内的像素点的概率越高，选取这些点计算得到的目标区域也就越准确。下面举例说明，例如如果目标区域为矩形区域，如果选取的像素点为打分为0.8的像素点、0.9的像素点、0.95的像素点和0.99的像素点，将该四个像素点的分数作为权重，分别乘以对应边缘点的坐标然后加和得到一个边缘点，根据上述方法可以得到矩形区域的四个边的对应的四个边缘点，根据该4个边缘点和对应分数最高的像素点，可以确定一个矩形区域。
本领域技术人员应能理解，在上述各个实施例的基础上，还可以进行明显变型(例如，对所列举的模式进行组合)或等同替换。
在上文中，虽然按照上述的顺序描述了卷积神经网络模型训练方法实施例中的各个步骤，本领域技术人员应清楚，本公开实施例中的步骤并不必然按照上述顺序执行，其也可以倒序、并行、交叉等其他顺序执行，而且，在上述步骤的基础上，本领域技术人员也可以再加入其他步骤，这些明显变型或等同替换的方式也应包含在本公开的保护范围之内，在此不再赘述。
下面为本公开装置实施例，本公开装置实施例可用于执行本公开方法实施例实现的步骤，为了便于说明，仅示出了与本公开实施例相关的部分，具体技术细节未揭示的，请参照本公开方法实施例。
实施例三
为了解决现有技术中目标区域确定正确率低的技术问题，本公开实施例提供一种卷积神经网络模型训练装置。该装置可以执行上述实施例一所述的卷积神经网络模型训练方法实施例中的步骤。如图3所示，该装置主要包括：网络构建模块31和模型训练模块32；其中，
网络构建模块31用于构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；
模型训练模块32用于将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
进一步的，所述模型训练模块32具体用于：确定每个训练通道的参数；将训练样本集合输入所述卷积神经网络，得到每个训练通道对应的每个样本图像的预测特征数据；针对每个训练通道，根据每个样本图像的预测特征数据和真实特征数据确定预测误差；重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。
进一步的，所述目标区域为多边形区域，所述标记为所述多边形区域的顶点，相应的所述装置还包括：计算模块33；其中，
计算模块33用于根据所述多边形区域的顶点计算得到所述真实特征数据，所述真实特征数据包括所述多边形区域内的像素点、所述多边形区域的旋转角度、所述像素点到所述多边形每个边的距离。
进一步的，所述卷积神经网络模型的第一训练通道用于预测所述多边形区域内的像素点，第二训练通道用于预测所述多边形区域的旋转角度，第三训练通道至第N训练通道分别用于预测所述像素点到所述多边形每个边的距离；其中N等于所述多边形的边的个数加二。
进一步的，所述目标区域为车牌区域。
有关卷积神经网络模型训练装置实施例的工作原理、实现的技术效果等详细说明可以参考前述卷积神经网络模型训练方法实施例中的相关说明，在此不再赘述。
实施例四
为了解决现有技术中目标区域确定正确率低的技术问题，本公开实施例提供一种目标区域确定装置。该装置可以执行上述实施例二所述的卷积神经网络模型训练方法实施例中的步骤。如图4所示，该装置主要包括：图像获取模块41、图像输入模块42、预测模块43和区域确定模块44；其中，
图像获取模块41用于获取待识别图像；
图像输入模块42用于将所述待识别图像输入采用权利要求1-5任一项所述的卷积神经网络模型训练方法进行训练得到的卷积神经网络模型；
预测模块43用于通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据；
区域确定模块44用于根据所述多个特征数据确定所述目标区域。
进一步的，所述预测模块43具体用于：通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点；通过所述卷积神经网络模型的第二训练通道预测得到所述目标区域的旋转角度；通过所述卷积神经网络模型的第三训练通道至第N训练通道分别预测得到所述像素点到所述目标区域每个边的距离。
进一步的，所述预测模块43具体用于：通过所述卷积神经网络模型的第一训练通道对所述待识别图像中的像素点进行打分；将分数超过第一预设阈值的像素点作为所述目标区域内的像素点。
进一步的，所述区域确定模块44包括：边缘点计算单元441和442；其中，
边缘点计算单元441用于针对所述目标区域内的每个像素点，根据所述目标区域的旋转角度和所述像素点到所述目标区域每个边的距离计算得到每个边对应的边缘点；
区域确定单元442用于根据所述每个边对应的边缘点确定所述目标区域。
进一步的，所述区域确定单元442具体用于：对所述每个边对应的边缘点进行直线拟合得到多条直线，所述多条直线互相交叉形成闭合区域，将所述闭合区域作为所述目标区域。
进一步的，所述区域确定单元442具体用于：选取得分超过第二预设阈值的像素点对应的每个边的边缘点，并确定所述边缘点的坐标；将选取的像素点的得分作为权重，对所有选取的像素点对应的每个边的边缘点的坐标进行加权；根据每个边加权后的边缘点的坐标确定所述目标区域。
进一步的，所述目标区域为车牌区域。
有关目标区域确定装置实施例的工作原理、实现的技术效果等详细说明可以参考前述目标区域确定方法实施例中的相关说明，在此不再赘述。
实施例五
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或或流程图中的每个方框、以及框图和/或或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种卷积神经网络模型训练方法，其特征在于，包括：
构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；
将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
2.根据权利要求1所述的方法，其特征在于，所述将训练样本集合输入所述卷积神经网络，每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型，包括：
确定每个训练通道的参数；
将训练样本集合输入所述卷积神经网络，得到每个训练通道对应的每个样本图像的预测特征数据；
针对每个训练通道，根据每个样本图像的预测特征数据和真实特征数据确定预测误差；
重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。
3.根据权利要求2所述的方法，其特征在于，所述目标区域为多边形区域，所述标记为所述多边形区域的顶点，相应的所述方法还包括：
根据所述多边形区域的顶点计算得到所述真实特征数据，所述真实特征数据包括所述多边形区域内的像素点、所述多边形区域的旋转角度、所述像素点到所述多边形每个边的距离。
4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络模型的第一训练通道用于预测所述多边形区域内的像素点，第二训练通道用于预测所述多边形区域的旋转角度，第三训练通道至第N训练通道分别用于预测所述像素点到所述多边形每个边的距离；其中N等于所述多边形的边的个数加二。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标区域为车牌区域。
6.一种目标区域确定方法，其特征在于，包括：
获取待识别图像；
将所述待识别图像输入采用权利要求1-5任一项所述的卷积神经网络模型训练方法进行训练得到的卷积神经网络模型；
通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据；
根据所述多个特征数据确定所述目标区域。
7.根据权利要求6所述的方法，其特征在于，通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据，包括：
通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点；
通过所述卷积神经网络模型的第二训练通道预测得到所述目标区域的旋转角度；
通过所述卷积神经网络模型的第三训练通道至第N训练通道分别预测得到所述像素点到所述目标区域每个边的距离。
8.根据权利要求7所述的方法，其特征在于，所述通过所述卷积神经网络模型的第一训练通道预测得到所述目标区域内的像素点，包括：
通过所述卷积神经网络模型的第一训练通道对所述待识别图像中的像素点进行打分；
将分数超过第一预设阈值的像素点作为所述目标区域内的像素点。
9.根据权利要求8所述的方法，其特征在于，所述根据所述多个特征数据确定所述目标区域，包括：
针对所述目标区域内的每个像素点，根据所述目标区域的旋转角度和所述像素点到所述目标区域每个边的距离计算得到每个边对应的边缘点；
根据所述每个边对应的边缘点确定所述目标区域。
10.根据权利要求9所述的方法，其特征在于，所述根据所述每个边对应的边缘点确定所述目标区域，包括：
对所述每个边对应的边缘点进行直线拟合得到多条直线，所述多条直线互相交叉形成闭合区域，将所述闭合区域作为所述目标区域。
11.根据权利要求9所述的方法，其特征在于，所述根据所述每个边对应的边缘点确定所述目标区域，包括：
选取得分超过第二预设阈值的像素点对应的每个边的边缘点，并确定所述边缘点的坐标；
将选取的像素点的得分作为权重，对所有选取的像素点对应的每个边的边缘点的坐标进行加权；
根据每个边加权后的边缘点的坐标确定所述目标区域。
12.根据权利要求6-11任一项所述的方法，其特征在于，所述目标区域为车牌区域。
13.一种卷积神经网络模型训练装置，其特征在于，包括：
网络构建模块，用于构建卷积神经网络，其中所述卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；
模型训练模块，用于将训练样本集合输入所述卷积神经网络，根据所述训练样本集合每个训练通道独立训练直至满足各自的收敛条件，得到包含多个训练通道的卷积神经网络模型；其中，所述训练样本集合由多个标记了目标区域的样本图像组成；所述卷积神经网络模型的多个训练通道分别用于预测与所述目标区域相关联的多个特征数据。
14.一种目标区域确定装置，其特征在于，包括：
图像获取模块，用于获取待识别图像；
图像输入模块，用于将所述待识别图像输入采用权利要求1-5任一项所述的卷积神经网络模型训练方法进行训练得到的卷积神经网络模型；
预测模块，用于通过所述卷积神经网络模型的多个训练通道分别预测得到多个特征数据；
区域确定模块，用于根据所述多个特征数据确定所述目标区域。
15.一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现根据权利要求1-5中任意一项所述的卷积神经网络模型训练方法。
16.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行权利要求1-5中任意一项所述的卷积神经网络模型训练方法。
17.一种电子设备，包括：
存储器，用于存储非暂时性计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器执行时实现根据权利要求6-12中任意一项所述的目标区域确定方法。
18.一种计算机可读存储介质，用于存储非暂时性计算机可读指令，当所述非暂时性计算机可读指令由计算机执行时，使得所述计算机执行权利要求6-12中任意一项所述的目标区域确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910485046.XA CN110276345B (zh) | 2019-06-05 | 2019-06-05 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910485046.XA CN110276345B (zh) | 2019-06-05 | 2019-06-05 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110276345A true CN110276345A (zh) | 2019-09-24 |
| CN110276345B CN110276345B (zh) | 2021-09-17 |
Family
ID=67962106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910485046.XA Active CN110276345B (zh) | 2019-06-05 | 2019-06-05 | 卷积神经网络模型训练方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276345B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991751A (zh) * | 2019-12-06 | 2020-04-10 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
| CN112329915A (zh) * | 2020-10-27 | 2021-02-05 | 上海眼控科技股份有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
| CN113344199A (zh) * | 2021-06-17 | 2021-09-03 | 阿波罗智联(北京)科技有限公司 | 用于训练可分离卷积网络的方法、路侧设备及云控平台 |
| CN113724151A (zh) * | 2021-07-30 | 2021-11-30 | 荣耀终端有限公司 | 一种图像增强方法、电子设备和计算机可读存储介质 |
| WO2021238548A1 (zh) * | 2020-05-25 | 2021-12-02 | 腾讯科技（深圳）有限公司 | 区域识别方法、装置、设备及可读存储介质 |
| CN113807494A (zh) * | 2021-01-13 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 一种模型训练方法、装置、电子设备及其存储介质 |
| CN114399828A (zh) * | 2022-03-25 | 2022-04-26 | 深圳比特微电子科技有限公司 | 用于图像处理的卷积神经网络模型的训练方法 |
| CN115306656A (zh) * | 2022-08-26 | 2022-11-08 | 华能新能源股份有限公司河北分公司 | 用于双馈风力发电机组的涡激振动抑制监测系统及方法 |
| WO2023173298A1 (en) * | 2022-03-15 | 2023-09-21 | Huawei Technologies Co.,Ltd. | Methods and systems for distributed training a deep neural network |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
| US20150046953A1 (en) * | 2013-08-07 | 2015-02-12 | AudioStreamTV Inc. | Systems and Methods for Providing Synchronized Content |
| CN104809715A (zh) * | 2014-01-23 | 2015-07-29 | 广州南沙资讯科技园有限公司博士后科研工作站 | 纸币图像倾斜校正与区域提取方法 |
| CN105740910A (zh) * | 2016-02-02 | 2016-07-06 | 北京格灵深瞳信息技术有限公司 | 一种车辆物件检测方法及装置 |
| CN106875012A (zh) * | 2017-02-09 | 2017-06-20 | 武汉魅瞳科技有限公司 | 一种基于fpga的深度卷积神经网络的流水化加速系统 |
| CN107092960A (zh) * | 2017-04-17 | 2017-08-25 | 中国民航大学 | 一种改进的并行通道卷积神经网络训练方法 |
| CN107491726A (zh) * | 2017-07-04 | 2017-12-19 | 重庆邮电大学 | 一种基于多通道并行卷积神经网络的实时表情识别方法 |
| JP2018073103A (ja) * | 2016-10-28 | 2018-05-10 | キヤノン株式会社 | 演算回路、その制御方法及びプログラム |
| CN108229379A (zh) * | 2017-12-29 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
| CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
| CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
| CN109271967A (zh) * | 2018-10-16 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 图像中文本的识别方法及装置、电子设备、存储介质 |
| CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技（深圳）有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
| CN109583483A (zh) * | 2018-11-13 | 2019-04-05 | 中国科学院计算技术研究所 | 一种基于卷积神经网络的目标检测方法和系统 |
| CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
| CN109670458A (zh) * | 2018-12-21 | 2019-04-23 | 北京市商汤科技开发有限公司 | 一种车牌识别方法及装置 |
| CN109740482A (zh) * | 2018-12-26 | 2019-05-10 | 北京科技大学 | 一种图像文本识别方法和装置 |
| CN110334709A (zh) * | 2019-07-09 | 2019-10-15 | 西北工业大学 | 基于端到端多任务深度学习的车牌检测方法 |
-
2019
- 2019-06-05 CN CN201910485046.XA patent/CN110276345B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102226907A (zh) * | 2011-05-24 | 2011-10-26 | 武汉嘉业恒科技有限公司 | 基于多特征的车牌定位方法及装置 |
| US20150046953A1 (en) * | 2013-08-07 | 2015-02-12 | AudioStreamTV Inc. | Systems and Methods for Providing Synchronized Content |
| CN104809715A (zh) * | 2014-01-23 | 2015-07-29 | 广州南沙资讯科技园有限公司博士后科研工作站 | 纸币图像倾斜校正与区域提取方法 |
| CN105740910A (zh) * | 2016-02-02 | 2016-07-06 | 北京格灵深瞳信息技术有限公司 | 一种车辆物件检测方法及装置 |
| JP2018073103A (ja) * | 2016-10-28 | 2018-05-10 | キヤノン株式会社 | 演算回路、その制御方法及びプログラム |
| CN106875012A (zh) * | 2017-02-09 | 2017-06-20 | 武汉魅瞳科技有限公司 | 一种基于fpga的深度卷积神经网络的流水化加速系统 |
| CN107092960A (zh) * | 2017-04-17 | 2017-08-25 | 中国民航大学 | 一种改进的并行通道卷积神经网络训练方法 |
| CN107491726A (zh) * | 2017-07-04 | 2017-12-19 | 重庆邮电大学 | 一种基于多通道并行卷积神经网络的实时表情识别方法 |
| CN108229379A (zh) * | 2017-12-29 | 2018-06-29 | 广东欧珀移动通信有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
| CN108416348A (zh) * | 2018-01-29 | 2018-08-17 | 重庆邮电大学 | 基于支持向量机和卷积神经网络的车牌定位识别方法 |
| CN108304873A (zh) * | 2018-01-30 | 2018-07-20 | 深圳市国脉畅行科技股份有限公司 | 基于高分辨率光学卫星遥感影像的目标检测方法及其系统 |
| CN108921865A (zh) * | 2018-06-27 | 2018-11-30 | 南京大学 | 一种抗干扰的亚像素直线拟合方法 |
| CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技（深圳）有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
| CN109271967A (zh) * | 2018-10-16 | 2019-01-25 | 腾讯科技（深圳）有限公司 | 图像中文本的识别方法及装置、电子设备、存储介质 |
| CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技（深圳）有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
| CN109583483A (zh) * | 2018-11-13 | 2019-04-05 | 中国科学院计算技术研究所 | 一种基于卷积神经网络的目标检测方法和系统 |
| CN109670458A (zh) * | 2018-12-21 | 2019-04-23 | 北京市商汤科技开发有限公司 | 一种车牌识别方法及装置 |
| CN109740482A (zh) * | 2018-12-26 | 2019-05-10 | 北京科技大学 | 一种图像文本识别方法和装置 |
| CN110334709A (zh) * | 2019-07-09 | 2019-10-15 | 西北工业大学 | 基于端到端多任务深度学习的车牌检测方法 |
Non-Patent Citations (10)
| Title |
|---|
| CHAOYUE ZHANG，等: "Digital Recognition Based on Neural Network and FPGA Implementation", 《2017 9TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 * |
| CHIYUNEU: "EAST算法详解", 《HTTPS://BLOG.CSDN.NET/ATTITUDE_YU/ARTICLE/DETAILS/80724187》 * |
| JIAHAO HUANG,等: "A Parallel Optimization of the Fast Algorithm of Convolution Neural Network on CPU", 《2018 10TH INTERNATIONAL CONFERENCE ON MEASURING TECHNOLOGY AND MECHATRONICS AUTOMATION》 * |
| XIAOFEN JIA等: "Multiscale parallel feature extraction convolution neural network for image denoising", 《JOURNAL OF ELECTRONIC IMAGING》 * |
| 张邯: "基于卷积神经网络的交通标志图像识别方法研究", 《基于卷积神经网络的交通标志图像识别方法研究》 * |
| 李相桥等: "卷积神经网络并行训练的优化研究", 《计算机技术与发展》 * |
| 杨建: "基于卷积神经网络的人脸识别方法研究及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 杨彪，等: "基于East 的大角度倾斜车牌检测算法研究", 《图形图像》 * |
| 杨远飞: "基于优化的卷积神经网络在图像识别上的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 董峻妃: "基于卷积神经网络的车牌区域检测和车牌字符识别研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991751A (zh) * | 2019-12-06 | 2020-04-10 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
| CN110991751B (zh) * | 2019-12-06 | 2024-06-25 | 讯飞智元信息科技有限公司 | 用户生活模式预测方法、装置、电子设备及存储介质 |
| WO2021238548A1 (zh) * | 2020-05-25 | 2021-12-02 | 腾讯科技（深圳）有限公司 | 区域识别方法、装置、设备及可读存储介质 |
| CN112329915A (zh) * | 2020-10-27 | 2021-02-05 | 上海眼控科技股份有限公司 | 模型训练方法、装置、计算机设备和存储介质 |
| CN113807494A (zh) * | 2021-01-13 | 2021-12-17 | 北京沃东天骏信息技术有限公司 | 一种模型训练方法、装置、电子设备及其存储介质 |
| CN113344199A (zh) * | 2021-06-17 | 2021-09-03 | 阿波罗智联(北京)科技有限公司 | 用于训练可分离卷积网络的方法、路侧设备及云控平台 |
| CN113344199B (zh) * | 2021-06-17 | 2024-05-03 | 阿波罗智联(北京)科技有限公司 | 用于训练可分离卷积网络的方法、路侧设备及云控平台 |
| CN113724151A (zh) * | 2021-07-30 | 2021-11-30 | 荣耀终端有限公司 | 一种图像增强方法、电子设备和计算机可读存储介质 |
| WO2023173298A1 (en) * | 2022-03-15 | 2023-09-21 | Huawei Technologies Co.,Ltd. | Methods and systems for distributed training a deep neural network |
| CN114399828A (zh) * | 2022-03-25 | 2022-04-26 | 深圳比特微电子科技有限公司 | 用于图像处理的卷积神经网络模型的训练方法 |
| CN115306656A (zh) * | 2022-08-26 | 2022-11-08 | 华能新能源股份有限公司河北分公司 | 用于双馈风力发电机组的涡激振动抑制监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110276345B (zh) | 2021-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276345B (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
| CN110276346B (zh) | 目标区域识别模型训练方法、装置和计算机可读存储介质 | |
| CN110288082B (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
| CN110287955B (zh) | 目标区域确定模型训练方法、装置和计算机可读存储介质 | |
| CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
| CN112258512B (zh) | 点云分割方法、装置、设备和存储介质 | |
| CN111582263A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
| WO2020228405A1 (zh) | 图像处理方法、装置及电子设备 | |
| CN110287954A (zh) | 目标区域确定模型的训练方法、装置和计算机可读存储介质 | |
| CN112329762A (zh) | 图像处理方法、模型训练方法、装置、计算机设备和介质 | |
| WO2024125267A1 (zh) | 图像处理方法、装置、计算机可读存储介质、电子设备及计算机程序产品 | |
| CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
| CN115457364A (zh) | 一种目标检测知识蒸馏方法、装置、终端设备和存储介质 | |
| CN114742934B (zh) | 图像渲染方法、装置、可读介质及电子设备 | |
| CN112966592A (zh) | 手部关键点检测方法、装置、设备和介质 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
| CN114419322B (zh) | 一种图像实例分割方法、装置、电子设备及存储介质 | |
| CN114494379A (zh) | 基于fpfh的凸包辅助三维点云配准方法、设备及介质 | |
| CN114155545A (zh) | 表格识别方法、装置、可读介质及电子设备 | |
| CN116704593A (zh) | 预测模型训练方法、装置、电子设备和计算机可读介质 | |
| CN114120423A (zh) | 人脸图像检测方法、装置、电子设备和计算机可读介质 | |
| CN114898282A (zh) | 图像处理方法及装置 | |
| CN113239943B (zh) | 基于部件语义图的三维部件提取组合方法和装置 | |
| CN115731525B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Tiktok vision (Beijing) Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230626 Address after: 100190 1309, 13th floor, building 4, Zijin Digital Park, Haidian District, Beijing Patentee after: Beijing volcano Engine Technology Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Patentee before: Douyin Vision Co.,Ltd. |
|
| TR01 | Transfer of patent right |