CN110287817A - 目标识别及目标识别模型的训练方法、装置和电子设备 - Google Patents
目标识别及目标识别模型的训练方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110287817A CN110287817A CN201910485154.7A CN201910485154A CN110287817A CN 110287817 A CN110287817 A CN 110287817A CN 201910485154 A CN201910485154 A CN 201910485154A CN 110287817 A CN110287817 A CN 110287817A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- target area
- sample image
- prediction
- 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
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本公开公开一种目标识别模型的训练方法、装置和电子设备。其中，该目标识别模型的训练方法包括：获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；根据所述预测目标区域与预设监督条件之间的误差调整所述目标识别模型的模型参数。
Description
技术领域
本公开涉及图像处理领域，特别是涉及一种目标识别模型的训练方法、装置和电子设备。
背景技术
随着信息技术的发展，基于图像的目标检测技术被越来越广泛地应用。例如，在交通监控领域，可以针对视频监控图像进行目标检测，从而识别出特定的车辆等目标，并进而实现对目标的识别、跟踪、控制等功能。
而随着人工智能技术的发展，越来越多的使用人工智能模型来检测图像中的目标对象。众所周知，人工智能模型需要利用大量样本对其进行训练后才能使用，而采用监督学习的方式训练人工智能模型时，需要人工去标注图像中是否包含目标对象以及目标对象的位置，图像中是否包含目标对象的标注较为简单，然而目标对象位置的标注则会耗费大量人力，并且很有可能会标错，影响人工智能模型的识别准确率。
因此亟需一种低成本、高准确率的目标识别模型的训练方法。
发明内容
根据本公开的一个方面，提供以下技术方案：
一种目标识别模型的训练方法，包括：
获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；
将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；
确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；
根据所述预测目标区域和预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述预测目标区域可信时所要满足的条件。
进一步的，其中所述标签还用于标识所述目标对象的类别。
进一步的，其中所述样本图像中包括多个目标对象时，将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图，包括：
将所述样本图像输入至所述目标识别模型，并由所述目标识别模型输出对应于多个所述目标对象的多个特征图。
进一步的，其中确定所述特征图中的预测目标区域，包括：
根据所述特征图中的概率大小确定预测目标区域的中心点；
根据所述中心点确定所述预测目标区域。
进一步的，其中根据所述特征图中的概率大小确定预测目标区域的中心点，包括：
将所述特征图中概率最大的像素点确定为所述预测目标区域的中心点。
进一步的，其中根据所述中心点确定所述预测目标区域，包括：
以所述中心点为中心向外扩充得到多个不同大小的多个预测目标区域。
进一步的，其中根据所述预测目标区域与预设监督条件调整所述目标识别模型的模型参数，包括：
计算所述多个预测目标区域的像素均值和像素方差；
以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数。
进一步的，其中以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数，包括：
以靠近所述中心点的所述预测目标区域的均值大于远离所述中心点的所述预测目标区域的均值为所述第一预设监督条件、以靠近所述中心点的所述预测目标区域的方差值小于远离所述中心点的所述预测目标区域的方差值为所述第二预设监督条件调整所述目标识别模型的模型参数。
进一步的，其中所述预测目标区域为矩形区域。
根据本公开的另一个方面，还提供以下技术方案：
一种目标识别方法，包括：
接收待识别图像；
利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用上述所述的目标识别模型的训练方法预先训练得到。
进一步的，其中利用目标识别模型识别所述待识别图像中的目标对象，包括：
利用所述目标识别模型确定对应于所述待识别图像的特征图；
根据所述特征图确定所述待识别图像中是否包含所述目标对象和/或所述目标对象所在的目标区域。
根据本公开的再一个方面，还提供以下技术方案：
一种目标识别模型的训练装置，包括：
获取模块，用于获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；
输入模块，用于将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；
确定模块，用于确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；
调整模块，用于根据所述预测目标区域和预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述预测目标区域可信时所要满足的条件。
根据本公开的又一个方面，还提供以下技术方案：
一种目标识别装置，包括：
接收模块，用于接收待识别图像；
识别模块，用于利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用上述目标识别模型的训练装置预先训练得到。
根据本公开的又一个方面，还提供以下技术方案：
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一方法中所述的步骤。
根据本公开的又一个方面，还提供以下技术方案：
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一方法中所述的步骤。
本公开公开一种目标识别模型的训练方法、装置和电子设备。其中，该目标识别模型的训练方法包括：获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；根据所述预测目标区域与预设监督条件之间的误差调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述特征图中预测目标区域可信时所要满足的条件。本公开实施例的目标识别模型的训练方法，通过人工简单标注了是否包含目标对象的样本图像训练得到的目标识别模型不但能够识别出待识别图像中是否包含目标对象，还能够识别出目标对象的位置，大大减少了标注样本图像中目标对象位置的人工成本。
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1为根据本公开一个实施例的目标识别模型的训练方法的流程示意图；
图2为根据本公开一个实施例的目标识别方法的流程示意图；
图3为根据本公开一个实施例的目标识别模型的装置的结构示意图；
图4为根据本公开实施例提供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。
本公开实施例提供一种目标识别模型的训练方法。本实施例提供的该目标识别模型的训练方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。如图1所示，该目标识别模型的训练方法主要包括如下步骤S101至步骤S104。其中：
步骤S101：获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；
在本公开中，样本数据包括样本图像以及标签，标签用于标注该样本图像中是否包含目标对象。样本图像可以从网络上收集得到，也可以专门利用图像采集工具采集得到；对于网络上收集到的样本图像，可以在收集的过程中根据对样本图像的检索关键词、发布样本图像时的文字描述等内容中得到对应的标签，也可以人工专门对样本图像进行标注得到对应的标签；而对于图像采集工具采集专门得到的样本图像则可以人工在采集过程中标注得到。当然可以理解的是，样本图像的收集过程不限于上述两种，在此不做限制。
在一些实施例中，样本图像对应的标签还用于标识样本图像中所包括的目标对象的类别。
步骤S102：将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；
本公开中，目标识别模型可以选用机器自学习模型，例如神经网络、卷积神经网络、深度神经网络、反馈神经网络等中的一种或多种组合。训练过程中，目标识别模型的输入可以是样本图像，目标识别模型的输出可以包括一个或多个通道，每个通道对应一个目标对象类别，且每个通道会输出一个特征图，该特征图中的每个像素的像素值可以是该像素属于该类别的目标对象的概率大小。
需要说明的是特征图与样本图像相对应，也即特征图中的像素与样本图像中的像素对应，对应的方式可以是一一对应，也可以是一对多。一一对应的情况下，特征图每个像素值的大小表示样本图像中对应像素属于目标对象的概率，而一对多的情况下，特征图中每个像素值的大小表示样本图像中对应的多个像素属于目标对象的概率。为了能够表达的更加清楚，本文所描述的特征图中每个像素是否属于目标对象等同于该特征图中该像素在样本图像中对应的某个或某些像素是否属于目标对象。
在一些实施例中，样本图像中包括多个目标对象时，步骤S102中，将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图，包括：
将所述样本图像输入至所述目标识别模型，并由所述目标识别模型输出对应于多个所述目标对象的多个特征图。
该可选的实施例中，在样本图像的标签中仅包括是否包含目标对象的这一标签时，目标识别模型的输出可以仅包括一个通道，训练后的识别模型能够识别出图像中是否包括目标对象以及目标对象所在的目标区域，但是无法识别目标对象的类别。
而样本图像的标签包括是否包含目标对象的标签以及目标对象类别的标签时，目标识别模型的输出可以包括多个通道，每个通道对应目标识别模型能够识别出来的一个目标对象类别，且训练完成后目标识别模型能够识别出图像中是否包含目标对象、目标对象所在的位置区域以及目标对象的类别。在实际应用中，可以根据实际情况进行选择是否识别多种类别的目标对象，在此不做限制。
可以理解的是，目标识别模型的训练过程中，目标识别模型所输出的特征图的准确率不高，也就是说特征图中像素值对应的上述概率并不是该像素属于目标对象的真实概率，而是一个预估的值。经过大量样本图像训练并对模型参数进行调整后，目标识别模型所输出的特征图的准确率会越来越高。
步骤S103：确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；
本公开中，针对目标识别模型所输出的特征图，可以从中确定出一个预测目标区域，该预测目标区域可以是目标识别模型根据当前的识别能力所所识别出的目标对象所在的位置区域。对于需要识别多种类别的目标对象的目标识别模型，目标识别模型的多个通道会分别输出一张特征图，每张特征图中的像素值大小用于表示该像素属于该特征图对应的目标对象类别的目标对象的概率大小，此时可以仅针对该样本图像的标签中标注了其所包含的目标对象的类别的一个或多个通道中的特征图，并且对该一个或多个特征图分别确定预测目标区域。
例如，样本图像1中包括两个目标对象类别A和B，那么样本图像输入至目标识别模型之后，可以针对对应目标对象类别A和B的两个通道中的两张特征图分别进行处理，也即分别确定预测目标区域，而可以不针对其他通道中的特征图进行处理。
在一可选的实施例中，步骤S103中，确定所述特征图中的预测目标区域，包括：
根据所述特征图中的概率大小确定预测目标区域的中心点；
根据所述中心点确定所述预测目标区域。
该可选的实施例中，得到了对应目标对象的特征图之后，可以从特征图中选择其中一个像素点作为预测目标区域的中心点，进而从该中心点向外扩充一定范围后得到预测目标区域。在一些实施例中，预测目标区域可以是矩形、圆形、三角形、椭圆形等任意形状的区域。
在一可选的实施例中，根据所述特征图中的概率大小确定预测目标区域的中心点，包括：
将所述特征图中概率最大的像素点确定为所述预测目标区域的中心点。
该可选的实现方式中，特征图中每个像素的像素值大小用于表示该像素点属于目标对象的概率，因此概率越大，该像素点属于目标对象的可能性就越大，因此可以从特征图中选择最有可能属于目标对象的像素点也即概率最大的像素点作为预测目标区域的中心点，并基于该中心点得到目标预测区域。
在一可选的实施例中，根据所述中心点确定所述预测目标区域，包括：
以所述中心点为中心向外扩充得到多个不同大小的多个预测目标区域。
该可选的实现方式中，可以确定多个大小不同的预测目标区域，并且每个预测目标区域的中心点为同一个。在一些实施例中，多个大小不同的预测目标区域的形状可以相同。在另一些实施例中，多个大小不同的预测目标区域可以是包含与被包含的关系，也即小的预测目标区域位于大的预测目标区域内。通过这种方式得到的多个预测目标区域之间的像素均值差异和方差异在满足预设监督条件的情况下，预测目标区域的可信度越高。因此，根据所述预测目标区域与预设监督条件调整所述目标识别模型的模型参数的过程中，可以设置第一预设监督条件和第二预设监督条件，其中第一预设监督条件用于监督多个预测目标区域的像素均值之间的差异，而第二预设监督条件用于监督多个预测目标区域的方差均值之间的差异。
步骤S104：根据所述预测目标区域与预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述特征图中预测目标区域可信时所要满足的条件。
本公开中，在目标识别模型的训练过程中，目标识别模型针对样本图像输出的预测目标区域的准确率不高，这是因为预测目标区域是根据特征图所确定的，而特征图在训练之初的准确率非常低，因此该预测目标区域的准确率显然也不高。
模型训练的目的是经过每一次样本图像的训练，通过对模型参数进行调整后，使得使用调整后的模型参数对下个样本图像进行识别时，所输出的特征图的准确率有所提升，进而使得预测目标区域的准确率更高，经过大量样本图像的训练后，最终使得目标识别模型所输出的特征图的准确率达到一定程度，进而使得预测目标区域的准确率也达到一定程度。
特征图中每个像素的像素值对应属于目标对象的概率大小，该像素值越大说明该像素越有可能属于目标对象，因此可以确定的是样本图像中目标对象所在的真实区域中，特征图上的像素均值一定是要大于其他区域中的像素均值，并且真实区域中像素的方差值小于其他区域中的像素方差值，而且真实区域中方差值的大小与其他区域中方差值的大小一定差别较大，会产生较大波动。因此，如果预测目标区域满足上述均值和方差这两个条件(即预测目标区域中的像素均值大于其他区域中的像素均值，且方差值小于其他区域中的像素方差值)，则预测目标区域的可信度很高，也即预测目标区域的可信度高于预设阈值时要满足的条件可以设置为预设监督条件，例如预设监督条件可以为预测目标区域中的像素均值大于其他区域中像素均值，而预测目标区域中的方差值小于其他区域中的像素方差值。
模型参数的调整可以简单举例说明如下：预测目标区域的实际情况(例如像素均值和方差值)与预设监督条件相差较大(例如预测目标区域中的像素均值并不比其他区域中的像素均值大，和/或预测目标区域中的像素方差值也不比其他区域中的像素方差值小)，此时可以对模型参数进行调整，例如增大或减少模型参数。而具体模型参数的调整可以采用已有技术中的调整方式，在此不再赘述。
在一些可选的实施例中，步骤S104中，根据所述预测目标区域与预设监督条件调整所述目标识别模型的模型参数，包括：
计算所述多个预测目标区域的像素均值和像素方差；
以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数。
该可选的实现方式中，计算每个预测目标区域内的像素均值和像素方差。假如预测目标区域预测准确的话，多个预测目标区域从内到外其特征图上的像素均值和方差之间的差异会满足一定的条件，例如，由于越靠近目标对象的中心，特征图上像素值就会越大，因此里面的预测目标区域的像素均值会大于外面的预测目标区域的像素均值，并且里面的预测目标区域的像素方差会小于外面的预测目标区域的像素方差。因此，可以将多个预测目标区域的像素均值之间的差异(例如大小差异)作为第一预设监督条件，而将多个预测目标区域的像素方差之间的差异作为第二预设监督条件调整目标识别模型的参数，使得调整后的目标识别模型的模型参数能够更加准确的识别出下一样本图像中目标对象的预测目标区域。
在一可选的实施例中，以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数，包括：
以靠近所述中心点的所述预测目标区域的均值大于远离所述中心点的所述预测目标区域的均值为所述第一预设监督条件、以靠近所述中心点的所述预测目标区域的方差值小于远离所述中心点的所述预测目标区域的方差值为所述第二预设监督条件调整所述目标识别模型的模型参数。
该可选的实现方式中，多个预测目标区域中，越靠近中心点的预测目标区域的像素均值越大，越远离中心点的预测目标区域的像素均值越小，以这一条件作为第一预设监督条件；而越靠近中心点的预测目标区域的像素方差越大，越远离中心点的预测目标区域的像素方差越小，以这一条件作为第二预设监督条件；通过第一预设监督条件和第二预设监督条件的监督训练目标识别模型，也即调整模型参数，最终在训练次数达到一定值或者模型参数不再变化时结束对目标识别模型的训练。
本公开中，通过大量样本图像的训练后，目标识别模型的模型参数会被调整为较佳的值，使得目标识别模型的识别准确率较高，在迭代训练的次数达到一定数量，或者模型参数呈收敛状态(也即再利用样本图像训练时，根据模型参数调整方式模型参数不再发生变化)时，可以结束目标识别模型的训练，进而由目标识别模型对待识别图像进行在线识别。
在上文中，虽然按照上述的顺序描述了上述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。
本公开实施例还提供一种目标识别方法。本实施例提供的该目标识别方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。如图2所示，该目标识别方法主要包括如下步骤：
步骤S201：接收待识别图像；
步骤S202：利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用上述目标识别模型的训练方法预先训练得到。
本公开中，利用上述目标识别模型训练得到目标识别模型之后，可以利用该目标识别模型在线识别待识别图像。在接收到待识别图像之后，可以将该待识别图像输入至目标识别模型中，而目标识别模型则会从待识别图像中识别出目标对象。
目标识别模型的具体细节可以参见上述对目标识别模型的训练方法的描述，在此不再赘述。
在一可选的实施例中，步骤S202中，利用目标识别模型识别所述待识别图像中的目标对象，包括：
利用所述目标识别模型确定所述待识别图像中的待识别特征图；
根据所述待识别特征图确定所述待识别图像种是否包含所述目标对象和/或所述目标对象所在的目标区域。
该可选的实现方式中，待识别图像输入至目标识别模型后，目标识别模型可以输出对应的特征图。该特征图中的像素值用于表示对应的像素属于目标对象的概率，在该概率较大时，可以认为该像素为目标对象上的，否则该像素则属于背景区域。因此，利用该特征图就可以确定该待识别图像中是否包含目标对象，以及目标对象所在的目标区域(也即特征图中像素值大于预设阈值的一片区域)。
在一些实施例中，目标识别模型在训练过程中，被训练成能够识别目标对象类别的情况下，目标识别模型的输出可以包括多个通道，而每个通道对应一个对象类别，且在输入待识别图像后，目标识别模型的每个通道都会输出一个相对应的特征图。如果待识别图像中包括某个或某些类别的目标对象，则相应通道输出的特征图中目标区域处的像素值会较大，而其他通道输出的特征图中所有区域的像素值可能都趋于0。因此可以分别从各个通道输出的特征图中确定出待识别图像中是否包含目标对象、目标对象的类别以及目标对象的目标区域。
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。
本公开实施例提供一种目标识别模型的训练装置。该装置可以执行上述目标识别模型的训练方法实施例中所述的步骤。如图3所示，该装置300主要包括：
获取模块301，用于获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；
输入模块302，用于将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；
确定模块303，用于确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；
调整模块304，用于根据所述预测目标区域和预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述预测目标区域可信时所要满足的条件。
进一步地，所述标签还用于标识所述目标对象的类别。
进一步地，所述样本图像中包括多个目标对象时，所述输入模块，包括：
输入子模块，用于将所述样本图像输入至所述目标识别模型，并由所述目标识别模型输出对应于多个所述目标对象的多个特征图。
进一步地，所述确定模块，包括：
第一确定子模块，用于根据所述特征图中的概率大小确定预测目标区域的中心点；
第二确定子模块，用于根据所述中心点确定所述预测目标区域。
进一步地，所述第一确定子模块，包括：
第三确定子模块，用于将所述特征图中概率最大的像素点确定为所述预测目标区域的中心点。
进一步地，所述第二确定子模块，包括：
获得子模块，用于以所述中心点为中心向外扩充得到多个不同大小的多个预测目标区域。
进一步地，所述调整模块，包括：
计算子模块，用于计算所述多个预测目标区域的像素均值和像素方差；
第一调整子模块，用于以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数。
进一步地，所述第一调整子模块，包括：
第二调整子模块，用于以靠近所述中心点的所述预测目标区域的均值大于远离所述中心点的所述预测目标区域的均值为所述第一预设监督条件、以靠近所述中心点的所述预测目标区域的方差值小于远离所述中心点的所述预测目标区域的方差值为所述第二预设监督条件调整所述目标识别模型的模型参数。
进一步地，所述预测目标区域为矩形区域。
图3所示装置可以执行图1所示实施例的方法，本实施例未详细描述的部分，可参考对图1所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1所示实施例中的描述，在此不再赘述。
本公开实施例还提供一种目标识别装置。该装置可以执行上述目标识别方法实施例中所述的步骤。该目标识别装置主要包括：
接收模块，用于接收待识别图像；
识别模块，用于利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用上述目标识别模型的训练装置预先训练得到。
进一步地，所述识别模块，包括：
第四确定子模块，用于利用所述目标识别模型确定所述待识别图像中的待识别特征图；
第五确定子模块，用于根据所述待识别特征图确定所述待识别图像种是否包含所述目标对象和/或所述目标对象所在的目标区域。
上述目标识别装置可以执行上述实施例中的目标识别方法，本实施例未详细描述的部分，可参考对上述实施例中目标识别方法的相关说明。该技术方案的执行过程和技术效果上述实施例中目标识别方法的描述，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备400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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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：获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；根据所述预测目标区域和预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述预测目标区域可信时所要满足的条件。
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，还使得该电子设备：接收待识别图像；利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用上述目标识别模型的训练方法预先训练得到。
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、Sma l lta lk、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/或流程图中的每个方框、以及框图和/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 (15)
1.一种目标识别模型的训练方法，包括：
获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；
将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；
确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；
根据所述预测目标区域和预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述预测目标区域可信时所要满足的条件。
2.如权利要求1中所述的方法，其中所述标签还用于标识所述目标对象的类别。
3.如权利要求1中所述的方法，其中所述样本图像中包括多个目标对象时，将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图，包括：
将所述样本图像输入至所述目标识别模型，并由所述目标识别模型输出对应于多个所述目标对象的多个特征图。
4.如权利要求1中所述的方法，其中确定所述特征图中的预测目标区域，包括：
根据所述特征图中的概率大小确定预测目标区域的中心点；
根据所述中心点确定所述预测目标区域。
5.如权利要求4中所述的方法，其中根据所述特征图中的概率大小确定预测目标区域的中心点，包括：
将所述特征图中概率最大的像素点确定为所述预测目标区域的中心点。
6.如权利要求5中所述的方法，其中根据所述中心点确定所述预测目标区域，包括：
以所述中心点为中心向外扩充得到多个不同大小的多个预测目标区域。
7.如权利要求6中所述的方法，其中根据所述预测目标区域与预设监督条件调整所述目标识别模型的模型参数，包括：
计算所述多个预测目标区域的像素均值和像素方差；
以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数。
8.如权利要求7中所述的方法，其中以所述多个预测目标区域之间的像素均值之间的差异为第一预设监督条件、且以所述多个预测目标区域之间的像素方差之间的差异为第二预设监督条件调整所述目标识别模型的模型参数，包括：
以靠近所述中心点的所述预测目标区域的均值大于远离所述中心点的所述预测目标区域的均值为所述第一预设监督条件、以靠近所述中心点的所述预测目标区域的方差值小于远离所述中心点的所述预测目标区域的方差值为所述第二预设监督条件调整所述目标识别模型的模型参数。
9.如权利要求1-8任一项中所述的方法，其中所述预测目标区域为矩形区域。
10.一种目标识别方法，包括：
接收待识别图像；
利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用权利要求1-9任一项所述的方法预先训练得到。
11.如权利要求10中所述的方法，其中利用目标识别模型识别所述待识别图像中的目标对象，包括：
利用所述目标识别模型确定对应于所述待识别图像的特征图；
根据所述特征图确定所述待识别图像中是否包含所述目标对象和/或所述目标对象所在的目标区域。
12.一种目标识别模型的训练装置，包括：
获取模块，用于获取样本数据；其中，所述样本数据包括样本图像以及标签，所述标签至少用于标识所述样本图像中是否包括目标对象；
输入模块，用于将所述样本图像输入至目标识别模型，并由所述目标识别模型输出特征图；其中，在所述样本图像中包括至少一个目标对象时，所述特征图中包括所述样本图像中像素属于所述至少一个目标对象的概率大小；
确定模块，用于确定所述特征图中的预测目标区域；其中，所述预测目标区域对应所述样本图像中所述至少一个目标对象所在的区域；
调整模块，用于根据所述预测目标区域和预设监督条件调整所述目标识别模型的模型参数；其中，所述预设监督条件包括所述预测目标区域可信时所要满足的条件。
13.一种目标识别装置，包括：
接收模块，用于接收待识别图像；
识别模块，用于利用目标识别模型识别所述待识别图像中的目标对象；其中，所述目标识别模型利用权利要求12所述的装置预先训练得到。
14.一种电子设备，包括：
存储器，用于存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，使得所述处理器运行时实现根据权利要求1-11中任意一项所述的方法。
15.一种非暂态计算机可读存储介质，用于存储计算机可读指令，当所述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1-11中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910485154.7A CN110287817B (zh) | 2019-06-05 | 2019-06-05 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910485154.7A CN110287817B (zh) | 2019-06-05 | 2019-06-05 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287817A true CN110287817A (zh) | 2019-09-27 |
| CN110287817B CN110287817B (zh) | 2021-09-21 |
Family
ID=68003376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910485154.7A Active CN110287817B (zh) | 2019-06-05 | 2019-06-05 | 目标识别及目标识别模型的训练方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287817B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838125A (zh) * | 2019-11-08 | 2020-02-25 | 腾讯医疗健康(深圳)有限公司 | 医学图像的目标检测方法、装置、设备、存储介质 |
| CN111340131A (zh) * | 2020-03-09 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
| CN114078108A (zh) * | 2020-08-11 | 2022-02-22 | 天津拓影科技有限公司 | 图像中异常区域的处理方法、装置和图像分割方法、装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927762A (zh) * | 2013-01-11 | 2014-07-16 | 浙江大华技术股份有限公司 | 一种目标车辆自动跟踪方法及装置 |
| US20170169313A1 (en) * | 2015-12-14 | 2017-06-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and method based on deep learning and neural network learning |
| CN108230390A (zh) * | 2017-06-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 训练方法、关键点检测方法、装置、存储介质和电子设备 |
| CN108830280A (zh) * | 2018-05-14 | 2018-11-16 | 华南理工大学 | 一种基于区域提名的小目标检测方法 |
| CN109002747A (zh) * | 2017-06-07 | 2018-12-14 | 北京航空航天大学 | 基于几何特征的星上可见光遥感图像舰船检测方法 |
| CN109523573A (zh) * | 2018-11-23 | 2019-03-26 | 上海新世纪机器人有限公司 | 目标对象的跟踪方法和装置 |
| US10262214B1 (en) * | 2018-09-05 | 2019-04-16 | StradVision, Inc. | Learning method, learning device for detecting lane by using CNN and testing method, testing device using the same |
| CN109658401A (zh) * | 2018-12-14 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
-
2019
- 2019-06-05 CN CN201910485154.7A patent/CN110287817B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927762A (zh) * | 2013-01-11 | 2014-07-16 | 浙江大华技术股份有限公司 | 一种目标车辆自动跟踪方法及装置 |
| US20170169313A1 (en) * | 2015-12-14 | 2017-06-15 | Samsung Electronics Co., Ltd. | Image processing apparatus and method based on deep learning and neural network learning |
| CN109002747A (zh) * | 2017-06-07 | 2018-12-14 | 北京航空航天大学 | 基于几何特征的星上可见光遥感图像舰船检测方法 |
| CN108230390A (zh) * | 2017-06-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 训练方法、关键点检测方法、装置、存储介质和电子设备 |
| CN108830280A (zh) * | 2018-05-14 | 2018-11-16 | 华南理工大学 | 一种基于区域提名的小目标检测方法 |
| US10262214B1 (en) * | 2018-09-05 | 2019-04-16 | StradVision, Inc. | Learning method, learning device for detecting lane by using CNN and testing method, testing device using the same |
| CN109523573A (zh) * | 2018-11-23 | 2019-03-26 | 上海新世纪机器人有限公司 | 目标对象的跟踪方法和装置 |
| CN109658401A (zh) * | 2018-12-14 | 2019-04-19 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN109766830A (zh) * | 2019-01-09 | 2019-05-17 | 深圳市芯鹏智能信息有限公司 | 一种基于人工智能图像处理的舰船目标识别系统及方法 |
Non-Patent Citations (5)
| Title |
|---|
| YI LI等: "Fully Convolutional Instance-aware Semantic Segmentation", 《ARXIV:1611.07709V1》 * |
| ZHONG-QIU ZHAO等: "Object Detection with Deep Learning: A Review", 《ARXIV:1807.05511V2》 * |
| 谢昭等: "基于视觉统计概率模型的目标定位", 《中国图象图形学报》 * |
| 谭光鸿等: "基于卷积神经网络的低参数量实时图像分割算法", 《激光与光电子学进展》 * |
| 陈昌宇: "基于深度分割网络的高速公路监控视频雨天检测算法研究", 《中国优秀硕士学位论文全文数据库_信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838125A (zh) * | 2019-11-08 | 2020-02-25 | 腾讯医疗健康(深圳)有限公司 | 医学图像的目标检测方法、装置、设备、存储介质 |
| CN110838125B (zh) * | 2019-11-08 | 2024-03-19 | 腾讯医疗健康(深圳)有限公司 | 医学图像的目标检测方法、装置、设备、存储介质 |
| CN111340131A (zh) * | 2020-03-09 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 图像的标注方法、装置、可读介质和电子设备 |
| CN114078108A (zh) * | 2020-08-11 | 2022-02-22 | 天津拓影科技有限公司 | 图像中异常区域的处理方法、装置和图像分割方法、装置 |
| CN114078108B (zh) * | 2020-08-11 | 2023-12-22 | 北京阅影科技有限公司 | 图像中异常区域的处理方法、装置和图像分割方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287817B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829433B (zh) | 人脸图像识别方法、装置、电子设备及存储介质 | |
| CN110287817A (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
| CN109034365A (zh) | 深度学习模型的训练方法及装置 | |
| CN110321958A (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
| EP3690644A1 (en) | Electronic device and operation method therefor | |
| CN107729143B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
| CN109598304B (zh) | 分类模型校准方法、装置、设备及可读介质 | |
| WO2022121801A1 (zh) | 信息处理方法、装置和电子设备 | |
| CN109947989A (zh) | 用于处理视频的方法和装置 | |
| CN110287950A (zh) | 目标检测及目标检测模型的训练方法、装置和电子设备 | |
| CN109815365A (zh) | 用于处理视频的方法和装置 | |
| CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
| CN109961032A (zh) | 用于生成分类模型的方法和装置 | |
| CN113112497B (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
| CN109902446A (zh) | 用于生成信息预测模型的方法和装置 | |
| CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
| CN111291715B (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
| CN109816023A (zh) | 用于生成图片标签模型的方法和装置 | |
| CN113392018B (zh) | 流量分发方法、装置、存储介质及电子设备 | |
| CN107948721A (zh) | 推送信息的方法和装置 | |
| CN109582442A (zh) | 内存溢出oom的处理方法、电子设备及计算机存储介质 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN112770003A (zh) | 控制电子设备的方法、装置、终端和存储介质 | |
| CN117312845A (zh) | 样本标注方法、介质以及电子设备 | |
| CN110348367A (zh) | 视频分类方法、视频处理方法、装置、移动终端及介质 |
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 |