CN110414480A - 训练图像产生方法与电子装置 - Google Patents
训练图像产生方法与电子装置 Download PDFInfo
- Publication number
- CN110414480A CN110414480A CN201910733079.1A CN201910733079A CN110414480A CN 110414480 A CN110414480 A CN 110414480A CN 201910733079 A CN201910733079 A CN 201910733079A CN 110414480 A CN110414480 A CN 110414480A
- Authority
- CN
- China
- Prior art keywords
- image
- particular artifact
- processor
- training
- mask matrix
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
训练图像产生方法与电子装置。所述方法包括:获得包含特定物件的第一图像;去除第一图像中非属于特定物件的部分以获得第二图像;决定目标图像中的第一位置;根据第一位置,将第二图像中的特定物件贴至目标图像中以产生训练图像;以及使用训练图像训练一模型。
Description
技术领域
本发明涉及一种训练图像产生方法与电子装置。
背景技术
先进驾驶辅助系统(Advanced Driver Assistant System,ADAS),是利用安装于车上的各式各样的传感器(例如,可检测光、热、压力等变量),在第一时间收集车内外的环境数据,进行静、动态物体的辨识、检测与追踪等技术上的处理,从而能够让驾驶者在最快的时间察觉可能发生的危险,以引起驾驶者的注意和提高安全性的主动安全技术。
ADAS采用的传感器主要有摄像头、雷达、激光和超声波等,可以探测光、热、压力或其它用于监测汽车状态的变量。前述的传感器通常位于车辆的前后保险杆、后照镜、驾驶杆内部或者挡风玻璃上。其中,摄像头可以获取车辆周围场景图像,所获得的图像通常可以用来进行目标检测。例如,检测前方车辆、行人、交通标志等等物体。目前来说,常会结合深度学习算法、机器学习算法或卷积神经网络等技术来进行目标物的检测。
而在利用卷积神经网络进行目标检测时,通常需要大量的训练图像来进行训练,但是通过摄像头采集到的数据(即实际路况的数据)中交通标志的数目远远小于车辆或者行人的数据。这是由于在马路上,交通标志的个数本身相对于车辆或行人等物体就比较少,这就引起了数据不平衡问题。当遇到数据不平衡时,以总体分类准确率为学习目标的传统分类算法会过多地关注多数类的物体,从而使得针对少数类的物体的分类的性能下降。
发明内容
本发明提供一种训练图像产生方法与电子装置,可以增加训练图像中某特定物件(例如,交通标志)的数量,由此在使用训练图像训练用于识别该特定物件的模型后,可以有较高的预测准确率,并且避免数据不平衡所带来的问题。
本发明提出一种训练图像产生方法,用于一电子装置,所述方法包括:获得包含一特定物件的一第一图像;去除所述第一图像中非属于所述特定物件的部分以获得对应所述特定物件的一第二图像;决定一目标图像中的一第一位置;根据所述第一位置,将所述第二图像中的所述特定物件贴至所述目标图像中以产生一训练图像;以及使用所述训练图像训练用于识别所述特定物件的一模型。
本发明提出一种电子装置,包括:处理器。处理器用以执行下述操作:获得包含一特定物件的一第一图像;去除所述第一图像中非属于所述特定物件的部分以获得对应所述特定物件的一第二图像;决定一目标图像中的一第一位置;根据所述第一位置,将所述第二图像中的所述特定物件贴至所述目标图像中以产生一训练图像;以及使用所述训练图像训练用于识别所述特定物件的一模型。
基于上述,本发明的训练图像产生方法与电子装置,可以增加训练图像中某特定物件(例如,交通标志)的数量,由此在使用训练图像训练用于识别该特定物件的模型后,可以有较高的预测准确率,并且避免数据不平衡所带来的问题。
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
附图说明
图1是依照本发明的一实施例所绘示的电子装置的方块图。
图2是依照本发明的一实施例所绘示的第一图像的示意图。
图3是依照本发明的一实施例所绘示的目标图像的示意图。
图4A与图4B是依照本发明的一实施例所绘示的使用遮罩(mask)去除图像中非属于交通标志的部分的示意图。
图5是依照本发明的一实施例所绘示的产生训练图像的示意图。
图6是依照本发明的一实施例所绘示的训练图像产生方法的示意图。
符号说明
100:电子装置
20:处理器
22:输入输出电路
24:储存电路
w、w0:宽
h、h0:高
30、60:图像
32:目标图像
40:矩阵
90:训练图像
S601~S609:步骤
具体实施方式
现将详细参考本发明之示范性实施例,在附图中说明所述示范性实施例之实例。另外,凡可能之处,在附图及实施方式中使用相同标号的元件/构件代表相同或类似部分。
图1是依照本发明的一实施例所绘示的电子装置的方块图。
请参照图1,电子装置100包括处理器20、输入输出电路22以及储存电路24。其中,输入输出电路22以及储存电路24分别耦接至处理器20。电子装置100例如是桌上型计算机、伺服器、手机、平板计算机、笔记型计算机等电子移动装置,在此不设限。
处理器20可以是中央处理器(Central Processing Unit,CPU),或是其他可编程之通用或专用的微处理器(Microprocessor)、数字信号处理器(Digital SignalProcessor,DSP)、可编程控制器、专用集成电路(Application Specific IntegratedCircuit,ASIC)或其他类似元件或上述元件的组合。
输入输出电路22例如是用于从电子装置100外部或其他来源取得相关数据的输入接口或电路。此外,输入输出电路22也可以将电子装置100产生的数据传送给其他电子装置的输出接口或电路,在此并不设限。
储存电路24可以是任何型态的固定或可移动随机存取存储器(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、快闪存储器(flash memory)或类似元件或上述元件的组合。
在本范例实施例中,电子装置100的储存电路24中储存有多个程序码片段,在上述程序码片段被安装后,会由处理器20来执行。例如,储存电路24中包括多个模块,通过这些模块来分别执行应用于电子装置100的训练图像产生方法的各个操作,其中各模块是由一或多个程序码片段所组成。然而本发明不限于此,电子装置100的各个操作也可以是使用其他硬件形式的方式来实现。
在先进驾驶辅助系统(Advanced Driver Assistance System,ADAS)中,可以配置有被训练用来识别一图像中的特定物件(例如,交通标志或车辆)的模型。一般来说,用于训练前述模型的训练图像通常是从行车记录器采集到的图像。然而在实际场景中,车辆的个数通常远大于交通标志的个数,此情况导致训练数据不平衡的问题。在训练图像中交通标志较少的情况下,卷积神经网络的模型训练结果会对车辆有较好的识别率,但是交通标志准确率却很低。
因此,本发明提出一种训练图像产生方法,用以增加训练图像中某特定物件(例如,交通标志)的数量,由此在使用训练图像训练用于识别该特定物件的模型后,该模型可以有较高的准确率。
以下以训练用以识别一图像中的交通标志的模型为范例进行说明。特别是,为了提高模型的预测准确度,需增加训练图像中交通标志的数量。
图2是依照本发明的一实施例所绘示的第一图像的示意图。图3是依照本发明的一实施例所绘示的目标图像的示意图。
请同时参照图2与图3,在此假设处理器20欲增加目标图像32中交通标志的数量以产生训练图像。首先,处理器20例如可以通过输入输出电路22获得包含交通标志的图像30(亦称为,第一图像)。例如,可以通过一标注工具软件从一原始图像中撷取出包含交通标志的图像30。或者,图像30也可以是通过使用者手动地从原始图像中框选出,在此并不作限制。
在本实施例中,当图像30大于目标图像32时,处理器20会(例如,随机地)决定一缩小倍率,并根据此缩小倍率将图像30缩小以使得图像30的大小小于目标图像32的大小。此外,当图像30非大于目标图像32时,处理器20可以不用对图像30进行缩小。
详细来说,在此假设图像30具有宽度w0与高度h0,目标图像32具有宽度w与高度h。当宽度w0大于宽度w或高度h0大于高度h时,处理器20会判断图像30大于目标图像32。此时,处理器20会决定一缩小倍率,并根据此缩小倍率将图像30缩小以使得图像30的大小小于目标图像32的大小。
接着,处理器20会去除图像30中非属于交通标志的部分以获得对应交通标志的图像(以下称为,第二图像)。例如,处理器20可以将图像30乘以一遮罩矩阵以获得前述的第二图像。
更详细来说,图4A与图4B是依照本发明的一实施例所绘示的使用遮罩去除图像中非属于交通标志的部分的示意图。
首先,请参照图4A,首先,处理器20可以根据前述的图像30的大小决定一遮罩矩阵40。例如,处理器20会将遮罩矩阵40的大小调整为符合图像30(或缩小后的图像30)的大小。在本实施例中,遮罩矩阵40包括(2*r0+1)列与(2*r0+1)行,r0为一非零的正整数。在本实施例中,r0为图像30中交通标志的半径。此外,处理器20会使用下述公式(1)设定遮罩矩阵40中第i列第j行的值:
也就是说,当(i-r0)2+(j-r0)2小于r0 2时,处理器20会将遮罩矩阵40中第i列第j行的值设定为1。当(i-r0)2+(j-r0)2非小于r0 2时,处理器20会将遮罩矩阵40中第i列第j行的值设定为0。其中,i与j分别为大于零且小于或等于(2*r0+1)的正整数。
在决定出遮罩矩阵40后,请参照图4B,处理器20会将图像30乘以遮罩矩阵40以获得图像60。在此,图像60即前述的第二图像。特别是图像60中仅剩下交通标志且非属于交通标志的部分已去除。
之后,图5是依照本发明的一实施例所绘示的产生训练图像的示意图。
请参照图5,处理器20在目标图像32中决定(例如,随机地)一个位置(xoffset,yoffset)(亦称为,第一位置)。处理器20会根据此第一位置,将图像60中的交通标志(不含背景部分)贴至目标图像32中以产生一训练图像90。需注意的是,前述的xoffset,yoffset需要满足(xoffset+w0*s<w,yoffset+h0*s<h),由此避免图像60超越目标图像32的边界。其中,s为前述的缩小倍率。
之后,处理器20可以重新选择图像并且重复上述的步骤,即可在训练图像90中产生其他更多的交通标志。而在产生训练图像90后,处理器20可以使用训练图像90训练用于识别交通标志的模型。
特别是,前述产生训练图像的流程可以以虚拟码(pseudo code)简单表示如下:
图6是依照本发明的一实施例所绘示的训练图像产生方法的示意图。
请参照图6,在步骤S601中,处理器20获得包含特定物件的第一图像。在步骤S603中,处理器20去除第一图像中非属于特定物件的部分以获得对应于特定物件的第二图像。在步骤S605中,处理器20决定目标图像中的第一位置。在步骤S607中,处理器20根据第一位置,将第二图像中的特定物件贴至目标图像中以产生训练图像。最后在步骤S609中,处理器20使用训练图像训练用于识别特定物件的模型。
综上所述,本发明的训练图像产生方法与电子装置可以增加训练图像中某特定物件(例如,交通标志)的数量,由此在使用训练图像训练用于识别该特定物件的模型后,可以有较高的预测准确率。
虽然本发明已以实施例公开如上,然而其并非用以限定本发明,任何所属技术领域中的技术人员,在不脱离本发明的精神和范围内,应当可作些许的更动与润饰,因此本发明的保护范围当视所附的权利要求所界定者为准。
Claims (14)
1.一种训练图像产生方法,用于一电子装置,所述方法包括:
获得包含一特定物件的一第一图像;
去除所述第一图像中非属于所述特定物件的部分以获得对应所述特定物件的一第二图像;
决定一目标图像中的一第一位置;
根据所述第一位置,将所述第二图像中的所述特定物件贴至所述目标图像中以产生一训练图像;以及
使用所述训练图像训练用于识别所述特定物件的一模型。
2.如权利要求1所述的训练图像产生方法,其中获得包含所述特定物件的所述第一图像的步骤包括:
使用一标注工具从一原始图像中撷取出包含所述特定物件的所述第一图像。
3.如权利要求1所述的训练图像产生方法,其中去除所述第一图像中非属于所述特定物件的部分以获得对应所述特定物件的所述第二图像的步骤包括:
将所述第一图像乘以一遮罩矩阵以获得所述第二图像。
4.如权利要求3所述的训练图像产生方法,其中将所述第一图像乘以所述遮罩矩阵的步骤之前,所述方法更包括:
决定所述遮罩矩阵,其中所述遮罩矩阵包括(2*r0+1)列与(2*r0+1)行,r0为一非零的正整数。
5.如权利要求4所述的训练图像产生方法,更包括:
当(i-r0)2+(j-r0)2小于r0 2时,将所述遮罩矩阵中第i列第j行的值设定为1;以及
当(i-r0)2+(j-r0)2非小于r0 2时,将所述遮罩矩阵中第i列第j行的值设定为0。
6.如权利要求3所述的训练图像产生方法,更包括:
当所述第一图像大于所述目标图像时,决定一缩小倍率并根据所述缩小倍率将所述第一图像缩小以使得所述第一图像的大小小于所述目标图像的大小;以及
将所述遮罩矩阵的大小调整为符合所述缩小后的所述第一图像的大小。
7.如权利要求1所述的训练图像产生方法,其中所述特定物件为一交通标志。
8.一种电子装置,包括:
一处理器,其中
所述处理器获得包含一特定物件的一第一图像,
所述处理器去除所述第一图像中非属于所述特定物件的部分以获得对应所述特定物件的一第二图像,
所述处理器决定一目标图像中的一第一位置,
所述处理器根据所述第一位置,将所述第二图像中的所述特定物件贴至所述目标图像中以产生一训练图像,
所述处理器使用所述训练图像训练用于识别所述特定物件的一模型。
9.如权利要求8所述的电子装置,其中在获得包含所述特定物件的所述第一图像的操作中,
所述处理器使用一标注工具从一原始图像中撷取出包含所述特定物件的所述第一图像。
10.如权利要求8所述的电子装置,其中在去除所述第一图像中非属于所述特定物件的部分以获得对应所述特定物件的所述第二图像的操作中,
将所述第一图像乘以一遮罩矩阵以获得所述第二图像。
11.如权利要求10所述的电子装置,其中在将所述第一图像乘以所述遮罩矩阵的操作之前,
所述处理器决定所述遮罩矩阵,其中所述遮罩矩阵包括(2*r0+1)列与(2*r0+1)行,r0为一非零的正整数。
12.如权利要求11所述的电子装置,其中
当(i-r0)2+(j-r0)2小于r0 2时,所述处理器将所述遮罩矩阵中第i列第j行的值设定为1,
当(i-r0)2+(j-r0)2非小于r0 2时,所述处理器将所述遮罩矩阵中第i列第j行的值设定为0。
13.如权利要求12所述的电子装置,其中
当所述第一图像大于所述目标图像时,所述处理器决定一缩小倍率并根据所述缩小倍率将所述第一图像缩小以使得所述第一图像的大小小于所述目标图像的大小,
所述处理器将所述遮罩矩阵的大小调整为符合所述缩小后的所述第一图像的大小。
14.如权利要求8所述的电子装置,其中所述特定物件为一交通标志。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733079.1A CN110414480A (zh) | 2019-08-09 | 2019-08-09 | 训练图像产生方法与电子装置 |
TW108131658A TWI734186B (zh) | 2019-08-09 | 2019-09-03 | 訓練影像產生方法與電子裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733079.1A CN110414480A (zh) | 2019-08-09 | 2019-08-09 | 训练图像产生方法与电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414480A true CN110414480A (zh) | 2019-11-05 |
Family
ID=68366755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910733079.1A Pending CN110414480A (zh) | 2019-08-09 | 2019-08-09 | 训练图像产生方法与电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110414480A (zh) |
TW (1) | TWI734186B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160481A (zh) * | 2019-12-31 | 2020-05-15 | 苏州安智汽车零部件有限公司 | 基于深度学习的adas目标检测方法及系统 |
CN113705593A (zh) * | 2020-05-21 | 2021-11-26 | 孙民 | 产生训练数据的方法及电子装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800058A (zh) * | 2012-07-06 | 2012-11-28 | 哈尔滨工程大学 | 基于稀疏表示的遥感图像去云方法 |
CN105678315A (zh) * | 2014-12-05 | 2016-06-15 | 戴尔菲技术公司 | 生成训练图像的方法以及目标识别系统的学习方法 |
CN106056158A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于掩膜矩阵和快速傅立叶变换的模板图像全局搜索方法 |
CN106485676A (zh) * | 2016-09-29 | 2017-03-08 | 天津大学 | 一种基于稀疏编码的LiDAR点云数据修复方法 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN108236784A (zh) * | 2018-01-22 | 2018-07-03 | 腾讯科技(深圳)有限公司 | 模型的训练方法和装置、存储介质、电子装置 |
CN109146830A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 用于生成训练数据的方法、装置、系统和存储介质 |
CN109816014A (zh) * | 2019-01-22 | 2019-05-28 | 天津大学 | 生成深度学习目标检测网络训练用带标注数据集的方法 |
CN110008832A (zh) * | 2019-02-27 | 2019-07-12 | 西安电子科技大学 | 基于深度学习人物图像自动分割方法、信息数据处理终端 |
CN110047064A (zh) * | 2019-03-27 | 2019-07-23 | 中国农业机械化科学研究院 | 一种马铃薯疮痂检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110255794A1 (en) * | 2010-01-15 | 2011-10-20 | Copanion, Inc. | Systems and methods for automatically extracting data by narrowing data search scope using contour matching |
TWI494899B (zh) * | 2012-12-19 | 2015-08-01 | Ind Tech Res Inst | 影像內週期性雜訊修補方法 |
TWI672638B (zh) * | 2017-05-04 | 2019-09-21 | 宏達國際電子股份有限公司 | 影像處理方法、非暫態電腦可讀取媒體以及影像處理系統 |
TWI662355B (zh) * | 2018-03-12 | 2019-06-11 | 緯創資通股份有限公司 | 影像背景去除系統、影像背景更換裝置、影像背景去除方法、及其電腦程式產品 |
-
2019
- 2019-08-09 CN CN201910733079.1A patent/CN110414480A/zh active Pending
- 2019-09-03 TW TW108131658A patent/TWI734186B/zh active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800058A (zh) * | 2012-07-06 | 2012-11-28 | 哈尔滨工程大学 | 基于稀疏表示的遥感图像去云方法 |
CN105678315A (zh) * | 2014-12-05 | 2016-06-15 | 戴尔菲技术公司 | 生成训练图像的方法以及目标识别系统的学习方法 |
CN106056158A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于掩膜矩阵和快速傅立叶变换的模板图像全局搜索方法 |
CN106485676A (zh) * | 2016-09-29 | 2017-03-08 | 天津大学 | 一种基于稀疏编码的LiDAR点云数据修复方法 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN108236784A (zh) * | 2018-01-22 | 2018-07-03 | 腾讯科技(深圳)有限公司 | 模型的训练方法和装置、存储介质、电子装置 |
CN109146830A (zh) * | 2018-07-17 | 2019-01-04 | 北京旷视科技有限公司 | 用于生成训练数据的方法、装置、系统和存储介质 |
CN109816014A (zh) * | 2019-01-22 | 2019-05-28 | 天津大学 | 生成深度学习目标检测网络训练用带标注数据集的方法 |
CN110008832A (zh) * | 2019-02-27 | 2019-07-12 | 西安电子科技大学 | 基于深度学习人物图像自动分割方法、信息数据处理终端 |
CN110047064A (zh) * | 2019-03-27 | 2019-07-23 | 中国农业机械化科学研究院 | 一种马铃薯疮痂检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160481A (zh) * | 2019-12-31 | 2020-05-15 | 苏州安智汽车零部件有限公司 | 基于深度学习的adas目标检测方法及系统 |
CN111160481B (zh) * | 2019-12-31 | 2024-05-10 | 苏州安智汽车零部件有限公司 | 基于深度学习的adas目标检测方法及系统 |
CN113705593A (zh) * | 2020-05-21 | 2021-11-26 | 孙民 | 产生训练数据的方法及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202111595A (zh) | 2021-03-16 |
TWI734186B (zh) | 2021-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5521164B2 (ja) | 連続して存在する英数字を識別するための画像処理システムおよびその方法 | |
CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN108229523B (zh) | 图像检测、神经网络训练方法、装置和电子设备 | |
JP6688277B2 (ja) | プログラム、学習処理方法、学習モデル、データ構造、学習装置、および物体認識装置 | |
Hoang et al. | Enhanced detection and recognition of road markings based on adaptive region of interest and deep learning | |
GB2580671A (en) | A computer vision system and method | |
CN106971185B (zh) | 一种基于全卷积网络的车牌定位方法及装置 | |
CN111311010B (zh) | 车辆风险预测方法、装置、电子设备及可读存储介质 | |
JP2021119506A (ja) | ナンバープレート認識方法、ナンバープレート認識モデルの訓練方法及び装置 | |
CN111008576B (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
CN111652209B (zh) | 损伤检测方法、装置、电子设备及介质 | |
CN112200189B (zh) | 基于SPP-YOLOv3的车型识别方法、装置及计算机可读存储介质 | |
JP2017068608A (ja) | 演算装置、方法及びプログラム | |
CN110414480A (zh) | 训练图像产生方法与电子装置 | |
JP2021189625A (ja) | 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム | |
KR101921071B1 (ko) | 다중 프레임에서의 센서 융합을 통한 3차원 객체의 포즈 추정 방법 및 이를 구비한 장치 | |
KR20100064140A (ko) | 지능형 자동차를 위한 교통 표지판 검출 방법 및 상기 방법을 실행하는 시스템 | |
Rövid et al. | Towards raw sensor fusion in 3D object detection | |
CN112528903B (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
Nguyen et al. | MultiLevel feature pooling network for uncalibrated stereo rectification in autonomous vehicles | |
CN112200182A (zh) | 基于深度学习的晶圆id识别方法和装置 | |
CN113743434A (zh) | 一种目标检测网络的训练方法、图像增广方法及装置 | |
JP5365408B2 (ja) | 移動体認識装置、移動体認識方法及びプログラム | |
Apatean et al. | Visible-infrared fusion in the frame of an obstacle recognition system | |
CN112561889A (zh) | 目标物检测方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |