CN110555485A - 穿模样本生成、模型训练、检测方法、装置及介质 - Google Patents
穿模样本生成、模型训练、检测方法、装置及介质 Download PDFInfo
- Publication number
- CN110555485A CN110555485A CN201910860005.4A CN201910860005A CN110555485A CN 110555485 A CN110555485 A CN 110555485A CN 201910860005 A CN201910860005 A CN 201910860005A CN 110555485 A CN110555485 A CN 110555485A
- Authority
- CN
- China
- Prior art keywords
- die
- sample
- phenomenon
- image
- detection model
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提供一种穿模样本生成、模型训练、检测方法,可应用于3D游戏开发领域,辅助游戏测试人员进行角色穿模检测。游戏测试人员首先将游戏自动化运行后保存的视频转换为图像,然后将游戏图像输入到穿模检测模型中,穿模检测模型自动地判断图像中的游戏角色是否穿模,最后游戏测试人员只需要检查输出的图像中是否真的包含了角色穿模的图像。本申请实施例还提供一种装置、设备及介质,从而可以提高游戏测试人员的工作效率,在较短的时间内检查较多的游戏视频,减少测试过程中的人力成本。其中,穿模检测模型通过穿模样本训练得到,穿模样本通过本申请所提供的穿模样本生成方法由正常样本通过样本融合得到,能够生成大量用于模型训练的样本。
Description
技术领域
本发明涉及计算机技术领域,更具体地说,涉及一种穿模样本生成、模型训练、检测方法、装置及介质。
背景技术
在3D(3Dimensions)显示的领域,尤其是在3D游戏中,显示画面因为角色的碰撞体积设定错误,导致角色相互穿透或者重叠的情况,称为穿模现象。
穿模现象会造成用户不好的使用体验,因此需要针对穿模现象进行自动化的穿模检测,现有技术中,通常采用基于姿态检测的穿模检测方案,具体实施方式为,根据3D图像检测每个角色的位置,然后识别每个角色的姿态(骨架提取),最后判断两个相近的角色在姿态上是否发生重叠,从而判定角色是否发生穿模。
然而,采用上述方法,当角色与角色之间存在较大重叠时,难以准确地识别到每个角色的位置,导致姿态检测算法估计出的角色骨架发生偏差,无法判断两个角色是否存在穿模的问题。
因此,现有技术并不能很好的实现对穿模现象的检测。
发明内容
有鉴于此,为解决上述问题,本发明提供的技术方案如下:
一种穿模样本生成方法,包括:
获取正常样本,所述正常样本为不存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
提取所述正常样本中的第一对象和第二对象,所述第一对象及所述第二对象为所述正常样本中显示的任意两个对象;
将所述第一对象与所述第二对象融合,得到第一样本,所述第一样本为存在穿模现象的图像样本,所述第一样本用于穿模检测模型的训练。
一种穿模样本生成装置,包括:
获取单元,所述获取单元用于获取正常样本,所述正常样本为不存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
提取单元,所述提取单元用于提取所述获取单元获取的所述正常样本中的第一对象和第二对象,所述第一对象及所述第二对象为所述正常样本中显示的任意两个对象;
融合单元,所述融合单元用于将所述提取单元提取的所述第一对象与所述第二对象融合,得到第一样本,所述第一样本为存在穿模现象的图像样本,所述第一样本用于穿模检测模型的训练。
本申请所提供的一种穿模样本生成方法,应用于3D游戏的穿模检测中,包括:获取正常样本,所述正常样本为不存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;提取所述正常样本中的第一对象和第二对象,所述第一对象及所述第二对象为所述正常样本中显示的任意两个对象;将所述第一对象与所述第二对象融合,得到第一样本,所述第一样本为存在穿模现象的图像样本,所述第一样本用于穿模检测模型的训练。本申请所提供方法,能够通过对正常的图像样本进行融合处理,得到大量穿模样本,从而解决了现有技术中穿模样本不易获得、数量较少的问题。
一种穿模检测模型训练方法,包括:
获取第一样本,所述第一样本为存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
通过所述第一样本训练得到第一穿模检测模型;
通过所述第一穿模检测模型对正常样本进行检测,得到第一检测结果,其中,所述正常样本为不存在穿模现象的图像样本;
获取所述第一检测结果中误判为存在穿模现象的图像样本作为第二样本;
通过所述第一样本和所述第二样本训练得到第二穿模检测模型,所述第二穿模检测模型用于对三维图像显示对象进行检测,以检测所述三维图像显示对象之间是否发生穿模现象。
一种穿模检测模型训练装置,包括:
第一获取单元,所述第一获取单元用于获取第一样本,所述第一样本为存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
第一训练单元,所述第一训练单元用于通过所述第一获取单元获取的所述第一样本训练得到第一穿模检测模型;
检测单元,所述检测单元用于通过所述第一训练单元训练得到的所述第一穿模检测模型对正常样本进行检测,得到第一检测结果,其中,所述正常样本为不存在穿模现象的图像样本;
第二获取单元,所述第二获取单元用于获取所述检测单元检测的所述第一检测结果中误判为存在穿模现象的图像样本作为第二样本;
第二训练单元,所述第二训练单元用于通过所述第一获取单元获取的所述第一样本和所述第二获取单元获取的所述第二样本训练得到第二穿模检测模型,所述第二穿模检测模型用于对三维图像显示对象进行检测,以检测所述三维图像显示对象之间是否发生穿模现象。
本申请所提供的一种穿模检测模型训练方法,应用于3D游戏的穿模检测中,包括:获取第一样本,所述第一样本为存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;通过所述第一样本训练得到第一穿模检测模型;通过所述第一穿模检测模型对正常样本进行检测,得到第一检测结果,其中,所述正常样本为不存在穿模现象的图像样本;获取所述第一检测结果中误判为存在穿模现象的图像样本作为第二样本;通过所述第一样本和所述第二样本训练得到第二穿模检测模型,所述第二穿模检测模型用于对三维图像显示对象进行检测,以检测所述三维图像显示对象之间是否发生穿模现象。本申请所提供方法,能够在建立第一穿模检测模型后,通过正常样本,获取到第一穿模检测模型难以正确识别的第二样本,从而根据第二样本对第一穿模检测模型进行微调,得到更加准确的第二穿模检测模型。
一种穿模检测方法,包括:
将第一图像输入穿模检测模型中,所述第一图像为包含三维图像显示对象的待测图像;所述穿模检测模型为通过如权利要求6所述的方法训练得到的所述第二穿模检测模型;
所述穿模检测模型从所述第一图像中获取初步判断为发生了穿模现象的第一对象,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
所述穿模检测模型输出所述第一对象在所述第一图像中的第一位置,以及对所述第一位置发生穿模现象的评估分数;
当所述评估分数大于预设值,判断所述第一位置发生了穿模现象;
在所述第一图像中用标注框标注所述第一位置,生成第一检测图像;
输出所述第一检测图像作为所述第一图像的穿模检测结果。
一种穿模检测装置,包括:
输入单元,所述输入单元用于将第一图像输入穿模检测模型中,所述第一图像为包含三维图像显示对象的待测图像;所述穿模检测模型为上述穿模检测模型训练装置训练得到的所述第二穿模检测模型;
第一获取单元,所述获取单元用于根据所述穿模检测模型从所述第一图像中获取初步判断为发生了穿模现象的第一对象,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
第一输出单元,所述第一输出单元用于根据所述穿模检测模型输出所述第一对象在所述第一图像中的第一位置,以及对所述第一位置发生穿模现象的评估分数;
执行单元,所述指定单用用于,当所述第一输出单元输出的所述评估分数大于预设值,判断所述第一位置发生了穿模现象;
标注单元,所述标注单元用于在所述第一图像中用标注框标注所述第一位置,生成第一检测图像;
第二输出单元,所述第二输出单元用于输出所述标注单元标注的所述第一检测图像作为所述第一图像的穿模检测结果。
本申请所提供的一种穿模检测方法,应用于3D游戏的穿模检测中,包括:将第一图像输入穿模检测模型中,所述第一图像为包含三维图像显示对象的待测图像;所述穿模检测模型从所述第一图像中获取初步判断为发生了穿模现象的第一对象,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;所述穿模检测模型输出所述第一对象在所述第一图像中的第一位置,以及对所述第一位置发生穿模现象的评估分数;当所述评估分数大于预设值,判断所述第一位置发生了穿模现象;在所述第一图像中用标注框标注所述第一位置,生成第一检测图像;输出所述第一检测图像作为所述第一图像的穿模检测结果。本申请所提供方法,能够将游戏图像输入到穿模检测模型中,自动地判断图像中的对象是否穿模,最后测试人员只需要检查输出的图像中是否真的包含了对象穿模的图像。从而提高测试效率。
一种计算机设备,所述计算机设备包括:交互装置、输入/输出(I/O)接口、处理器和存储器,所述存储器中存储有程序指令;
所述交互装置用于获取用户输入的操作指令;
所述处理器用于执行存储器中存储的程序指令,执行上述任意一项所述的方法。
一种计算机可读存储介质,包括指令,当所述指令在计算机设备上运行时,使得所述计算机设备执行上述任意一项所述的方法。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1A为本申请实施例所提供的穿模样本生成方法的一个实施例的流程图;
图1B为本申请实施例所提供的穿模样本生成方法的另一个实施例的流程图;
图1C为本申请实施例所提供的穿模样本生成方法的另一个实施例的流程图;
图1D为本申请实施例所提供的穿模样本生成方法的另一个实施例的流程图;
图1E为本申请实施例所提供的穿模样本生成方法的另一个实施例的流程图;
图2为本申请实施例提供的穿模检测模型训练方法的流程图;
图3为本申请实施例提供的穿模检测方法的流程图;
图4为本申请实施例提供的分布式系统应用于区块链系统的结构示意图;
图5为本申请实施例提供的区块结构的示意图;
图6为本申请实施例所提供的计算机设备的示意图;
图7为本申请实施例所提供的穿模样本生成装置的示意图;
图8为本申请实施例所提供的穿模检测模型训练装置的示意图;
图9为本申请实施例所提供的穿模检测装置的示意图。
具体实施方式
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,所描述的实施例仅仅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,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在3D(3 Dimensions)显示的领域,尤其是在3D游戏中,显示画面因为角色的碰撞体积设定错误,导致角色相互穿透或者重叠的情况,称为穿模现象。
穿模现象会造成用户不好的使用体验,因此需要针对穿模现象进行自动化的穿模检测,当前,通常采用以下两种方式实现穿模检测:
1、基于姿态检测的穿模检测方案。
基于姿态检测的穿模检测方案的具体实施方式为,根据3D图像检测每个角色的位置,然后识别每个角色的姿态(骨架提取),最后判断两个相近的角色在姿态上是否发生重叠,从而判定角色是否发生穿模。
然而,采用上述方法,当角色与角色之间存在较大重叠时,难以准确地识别到每个角色的位置,导致姿态检测算法估计出的角色骨架发生偏差,无法判断两个角色是否存在穿模的问题。
2、基于目标检测的游戏角色穿模检测方案
基于目标检测的游戏角色穿模检测方案是将存在穿模的角色作为检测目标,在收集大量的穿模样本后,训练基于深度学习的目标检测模型,从而检测游戏图像中是否存在穿模的角色。
然而,基于目标检测的游戏角色穿模检测方案的主要缺点在于穿模样本难以收集。训练目标检测模型需要大量的样本,但是角色穿模的图像样本较少,通过人力收集足以支持训练模型的样本数量非常困难,因此不易于开展。
综上所述,当前的技术手段并不能很好的实现对穿模现象的检测。
因此,针对上述问题,本申请实施例提供了一种穿模样本生成方法、穿模检测模型训练方法和穿模检测方法,可以应用于对3D显示领域的穿模检测中,为便于理解,本申请实施例以3D游戏为例,对3D游戏中游戏角色的穿模现象进行检测,需要说明的是,本申请实施例所提供的方法可以不仅限于3D游戏,还可以是涉及3D模型的其他领域,对此本申请实施例并不进行限定。以下首先结合附图,对本申请实施例所提供的方法进行详细说明。
请参阅图1A,如图1A所示,本申请实施例所提供的穿模样本生成方法,包括以下步骤。
101、获取正常样本。
本实施例中,正常样本为不存在穿模现象的图像样本,穿模现象为三维图像显示对象之间发生重叠或穿透的现象。
可选地,如图1B所示,获取正常样本的方式可以为:
1011、在三维图像显示软件正常运行的过程中对三维图像显示软件的界面进行录制,得到第一视频信息。
本实施例中,以三维图像显示软件为3D游戏为例,测试人员可以进行一局游戏,按照上述步骤1011,在测试人员进行游戏的过程中对该局游戏进行录制,得到第一视频信息,由于该局游戏测试人员全程参与,因此自然可以知道第一视频信息中是否有穿模现象,从而选择一局没有发生穿模现象的第一视频信息。
1012、获取第一视频信息中的至少一帧图像,作为正常样本中的图像样本。
本实施例中,由于已经确认第一视频信息为没有发生穿模现象的视频信息,因此只需要按照样本量的需要,从第一视频信息中截取所需要帧数的图像,即可得到大量不存在穿模现象的正常样本,优选地,可以在第一视频信息中截取2000至3000张图像作为正常样本。
需要说明的是,对于上述步骤101所得到的正常样本,可以进一步分为标注集和验证集两部分,优选地,正常样本中10%的图像作为标注集,其余图像作为验证集;其中,标注集中的图像样本用于执行后续步骤103,以得到用于训练穿模检测模型的第一样本,验证集中的图像样本用于执行后续步骤203和205,以实现对穿模检测模型的验证和微调。
102、提取正常样本中的第一对象和第二对象。
本实施例中,第一对象及第二对象为正常样本中显示的任意两个对象,例如,以3D篮球游戏为例,该第一对象和第二对象可以分别为篮球游戏中的两名运动员角色a和角色b。
需要说明的是,任何一种能够从图像中实现自动抠图的方法,都可以应用在上述步骤102中,作为一种优选的方案,本申请实施例提供一种具体实现方式。
可选地,提取正常样本中的第一对象和第二对象的方式可以为:
标注第一对象的第一轮廓与第二对象的第二轮廓。
本实施例中,在每张正常样本的图像中标注角色的轮廓,标注轮廓的角色要求没有被其他角色遮挡,例如图1C所示,图1C为一个3D篮球游戏的界面截图,是一张没有穿模现象的正常样本,在该截图中,具有多名篮球运动员角色位于篮球场上,通过标注手段可以得到每个角色的轮廓,之后随即选择两名角色作为第一对象和第二对象。优选地,本方法可以通过图像标注软件labelme来实现。
103、将第一对象与第二对象融合,得到第一样本。
本是实施例中,通过对第一对象和第二对象进行融合,从而主动地模拟了第一对象与第二对象之间发生穿模的现象,从而得到了第一样本为存在穿模现象的图像样本,该第一样本可以作为后续训练穿模检测模型的材料。
可选地,请参阅图1D,作为一种优选的实施方式,将第一对象与第二对象融合,得到第一样本的具体实现方式可以包括以下步骤。
1031、将第一轮廓与第二轮廓等比例缩放,使得第一轮廓与第二轮廓高度相同。
本实施例中,由于3D图像中存在近大远小的关系,因此对于随机扣取的第一轮廓与第二轮廓,需要对其进行等比例缩放,以模拟实际工作过程中第一对象与第二对象发生穿模的情况。可选地,若判断第一轮廓与第二轮廓本身的高度相近,则可以跳过不执行步骤1031。
1032、将第一轮廓与第二轮廓相交。
本实施例中,请参阅图1E,如图1E所示,对于所提取的第一对象:篮球运动员角色a,和第二对象:篮球运动员角色b,自动将二者放到相交的位置,以模拟角色a和角色b之间发生穿模的位置关系。
1033、判断第一轮廓与第二轮廓之间的相交面积是否大于预设值。
本实施例中,穿模现象的发生要求穿模的两个对象之间相交的面积大于预设值,例如,如图1C所示的3D篮球游戏的界面截图中,角色301为侧身的状态,此时该角色由于在画面中显示的面积较小,在实际工作过程中,该状态下的角色不会与其他角色发生穿模,若将该角色301与其他角色模拟穿模,所得到的样本不利于后续训练模型识别的准确性。
1034、当第一轮廓与第二轮廓的相交面积大于预设值时,将相交面积分为第一相交面和第二相交面。
本实施例中,对于第一相交面和第二相交面,需要进一步区分出第一相交面为第一轮廓的一部分,第二相交面为第二轮廓的一部分。因为若不做区分,相交面积中只有第一相交面或第二相交面,相当于第一相交面和第二相交面处于一种重叠的状态,而在实际工作过程中,3D角色之间发生重叠为正常现象,不属于异常的穿模现象,只有明确区分第一相交面和第二相交面分别属于第一轮廓和第二轮廓,才能模拟穿模现象。
具体地,可以利用K-means算法进行了二分类,从而将相交面积内的区域分为两部分,一部分区域的图像由角色a生成,另一部分区域的图像由角色b生成,并且记录角色a和角色b融合后的位置,可选地,上述步骤还可以通过其他聚类方法或者超像素分割方法将区域分为两个类别,生成两个角色身体相互穿透的样本。
1035、将第一相交面和第二相交面所在的区域作为第一样本。
本实施例中,第一相交面和第二相交面所在的区域即为模拟穿模现象所在的区域,因此将该区域设定为第一样本,从而可以为后续训练模型提供素材。
上述步骤101至103中,针对不易获得大量穿模样本的问题,上述步骤通过对正常样本中的图像进行提取和融合,合成为模拟的穿模样本,从而能够根据需要生成大量的穿模样本,以满足后续模型训练的需求。
上述提供了一种穿模样本生成方法,基于上述穿模样本生成方法,本申请实施例进一步提供了一种穿模检测模型训练方法,能够通过上述穿模样本生成方法所生成的穿模样本进行训练,从而得到穿模检测模型,以实现对穿模现象的自动检测。
需要说明的是,本申请所提供的穿模检测模型训练方法所利用的穿模样本,也可以不是通过上述穿模样本生成方法所生成的,只要是具有穿模现象的穿模样本,均可以通过本申请实施例所提供的穿模检测模型训练方法生成穿模检测模型。为便于理解,本申请实施例以上述穿模样本生成方法所生成的第一样本为例,对本申请所提供的穿模检测模型训练方法进行说明。
请参阅图2,如图2所示,本申请所提供的穿模检测模型训练方法,包括以下步骤。
201、获取第一样本。
本实施例中,该第一样本为上述步骤101至103所生成的第一样本,该第一样本为存在穿模现象的图像样本,该穿模现象为三维图像显示对象之间发生重叠或穿透的现象,具体可参阅上述步骤101至103,此处不再赘述。
202、通过第一样本训练得到第一穿模检测模型。
本实施例中,利用第一样本生成穿模样本训练检测模型,该穿模样本训练检测模型可以使用YoloV3或者Faster R-CNN,训练的学习速率设定为1e-3,训练完成后获得一个初始的穿模检测模型,可选地,也可以选择其他基于卷积神经网络的目标检测的方法,在利用穿模样本训练模型的情况下,在后续步骤中达到同样的检测效果。
需要说明的是,还可以通过其他方式训练第一样本得到第一穿模检测模型,对此本申请实施例并不进行限定。
203、通过第一穿模检测模型对正常样本进行检测,得到第一检测结果。
本实施例中,该正常样本为不存在穿模现象的图像样本,具体地,该正常样本可以进一步细化为前述的验证集,关于该验证集的具体生成方式可参阅上述步骤101,此处不再赘述。由于第一穿模检测模型所检测的样本全部为没有穿模现象的正常样本,因此,在第一穿模检测模型正常工作的情况下,所输出的结果应该全部都判定为没有穿模现象,然而在实际工作的过程中,仅凭第一样本训练出的第一穿模检测模型依然会发生误判的情况,因此需要对第一穿模检测模型进行微调。
204、获取第一检测结果中误判为存在穿模现象的图像样本作为第二样本。
本实施例中,第二样本为第一穿模检测模型错误识别的样本,因此该第二样本即为当前第一穿模检测模型无法正确识别的难样本,需要基于这些难样本,对第一穿模检测模型进行微调,以进一步提升第一穿模检测模型的准确性。
205、通过第一样本和第二样本训练得到第二穿模检测模型。
本实施例中,通过第一样本和第二样本训练得到第二穿模检测模型,从而实现对穿模检测模型的微调,微调过程中的学习速率可以为上述203步骤中学习速率的十分之一,从而在微调过程中获得更短的神经网络步长,精确实现微调。微调过程中,基于第一样本训练,使得第二穿模检测模型能够学习穿模现象的特征,从而对游戏画面中的角色穿模现象进行识别,进一步地,针对一些较难识别的难样本,通过第二样本进一步对第二穿模检测模型进行微调,从而使得第二穿模检测模型能够学习到一些原本有可能误判为穿模的正常样本,以进一步提升第二穿模检测模型的识别准确率。所得到的第二穿模检测模型用于对三维图像显示对象进行检测,以检测所述三维图像显示对象之间是否发生穿模现象,例如检测3D游戏中角色之间是否发生穿模现象。
上述步骤201至205提供了一种穿模检测模型训练方法,通过穿模样本训练得到第一穿模检测模型,之后通过没有穿模现象的正常样本对第一穿模检测模型的工作情况进行验证,以验证该第一穿模检测模型是否存在误判,当存在误判时,获取误判的样本,从而对第一穿模检测模型进行微调,得到第二穿模检测模型,在经过微调后,最终得到的第二穿模检测模型相比于第一穿模检测模型误报率会发生降低。
基于上述步骤所提供的穿模检测模型训练方法所生成的第二穿模检测模型,即可实现对三维图像显示对象的检测,从而自动化地判断三维图像的显示对象之间是否发生穿模现象,例如自动化地检测3D游戏的运行过程中,游戏角色之间是否发生穿模,以提高3D游戏对于穿模现象的检测效率。
因此,基于上述穿模检测模型训练方法,本申请实施例进一步提供一种穿模检测方法,能够基于上述穿模检测模型训练方法所得到的第二穿模检测模型,实现对穿模现象的自动检测。为便于理解,以下进一步结合附图,对本申请实施例所提供的穿模检测方法做详细说明。
请参阅图3,如图3所示,本申请实施例所提供的穿模检测方法包括以下步骤。
301、将第一图像输入穿模检测模型中。
本实施例中,第一图像为包含三维图像显示对象的待测图像,例如,可以为3D游戏中录制得到游戏画面截图;该穿模检测模型为通过上述步骤201至205所提供的穿模检测模型训练方法得到的第二穿模检测模型,对此可以具体参阅上述步骤201至205,此处不再赘述。
302、穿模检测模型从第一图像中获取初步判断为发生了穿模现象的第一对象。
本实施例中,穿模现象为三维图像显示对象之间发生重叠或穿透的现象,穿模检测模型对输入的图像进行打分,其中,0分为完全没有穿模现象的图像,1分为百分百判定有穿模现象的图像,在0和1之间,数值越高,图像样本中包含穿模现象的概率越高,从而穿模检测模型可以通过打分的方式输出检测结果。
303、穿模检测模型输出第一对象在第一图像中的第一位置,以及对第一位置发生穿模现象的评估分数。
本实施例中,穿模检测模型不仅针对整个图像样本进行打分,还针对单个图像样本中,可能发生穿模现象的各个对象进行打分,在穿模检测模型输出结果时,不仅输出第一对象在在第一图像中的第一位置,还输出该第一位置发中生穿模现象的评估分数。
304、当评估分数大于预设值,判断第一位置发生了穿模现象。
本实施例中,例如预设值为0.5,则当第一位置发中生穿模现象的评估分数大于0.5时,即可判断第一位置发生了穿模现象,当评估分数低于0.5时,则不认为该第一位置发生了穿模现象。
305、在第一图像中用标注框标注第一位置,生成第一检测图像。
本实施例中,由于已经判定第一位置中发生了穿模现象,因此对该第一位置通过标注框进行标记,例如,可以通过红色方框对第一位置进行圈定,从而在第一检测图像中,用户可以通过该红色方框直观地看到穿模现象发生的位置。
306、输出第一检测图像作为第一图像的穿模检测结果。
本实施例中,当穿模检测模型完成了对待测图像的检测后,输出第一检测图像作为检测结果,从而完成了穿模现象的自动化检测,用户可以通过穿模检测结果中红色方框的标记,直观地看到检测结果,也有利于用户后续进一步通过肉眼判断该处是否真的发生了穿模现象,从而检验当前穿模检测模型的检测是否正确,若发生了错误,还可以将当前检测错误的样本作为难样本重新输入到穿模检测模型中进行模型训练,从而在具体使用的过程中逐步增加穿模检测模型的准确性。
上述步骤301至306所提供的方法,在3D游戏开发领域,可以辅助游戏测试人员进行角色穿模检测。游戏测试人员首先将游戏自动化运行后保存的视频转换为图像,然后将游戏图像输入到穿模检测模型中,穿模检测模型自动地判断图像中的游戏角色是否穿模,最后游戏测试人员只需要检查输出的图像中是否真的包含了角色穿模的图像。这样可以提高游戏测试人员的工作效率,在较短的时间内检查较多的游戏视频,减少测试过程中的人力成本。
本发明实施例涉及的方法可以是由客户端、多个节点(接入网络中的任意形式的计算设备,如服务器、用户终端)通过网络通信的形式连接形成的分布式系统。
以分布式系统为区块链系统为例,参见图4,图4是本发明实施例提供的分布式系统400应用于区块链系统的一个可选的结构示意图,由多个节点401(接入网络中的任意形式的计算设备,如服务器、用户终端)和客户端402形成,节点之间形成组成的点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission ControlProtocol)协议之上的应用层协议。在分布式系统中,任何机器如服务器、终端都可以加入而成为节点,节点包括硬件层、中间层、操作系统层和应用层。
参见图4示出的区块链系统中各节点的功能,涉及的功能包括:
1、路由,节点具有的基本功能,用于支持节点之间的通信。
节点除具有路由功能外,还可以具有以下功能:
2、应用,用于部署在区块链中,根据实际业务需求而实现特定业务,记录实现功能相关的数据形成记录数据,在记录数据中携带数字签名以表示任务数据的来源,将记录数据发送到区块链系统中的其他节点,供其他节点在验证记录数据来源以及完整性成功时,将记录数据添加到临时区块中。
例如,应用实现的业务包括:
1)、执行本申请实施例所提供的上述各种方法,以实现对3D游戏中穿模现象的快速检测。
2)、区块链,包括一系列按照产生的先后时间顺序相互接续的区块(Block),新区块一旦加入到区块链中就不会再被移除,区块中记录了区块链系统中节点提交的记录数据。
参见图5,图5是本发明实施例提供的区块结构(Block Structure)一个可选的示意图,每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希值,各区块通过哈希值连接形成区块链。另外,区块中还可以包括有区块生成时的时间戳等信息。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了相关的信息,用于验证其信息的有效性(防伪)和生成下一个区块。
上述对本申请实施例提供的方案进行了介绍。可以理解的是,计算机设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
从硬件结构上来描述,上述方法可以由一个实体设备实现,也可以由多个实体设备共同实现,还可以是一个实体设备内的一个逻辑功能模块,本申请实施例对此不作具体限定。
例如,上述方法均可以通过图6中的计算机设备来实现。图6为本申请实施例提供的计算机设备的硬件结构示意图。该计算机设备包括至少一个处理器601,通信线路602,存储器603以及至少一个通信接口604。
处理器601可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,服务器IC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路602可包括一通路,在上述组件之间传送信息。
通信接口604,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
存储器603可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyer服务器able programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过通信线路602与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器603用于存储执行本申请方案的计算机执行指令,并由处理器601来控制执行。处理器601用于执行存储器603中存储的计算机执行指令,从而实现本申请上述实施例提供的方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,处理器601可以包括一个或多个CPU,例如图6中的CPU0和CPU1。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,例如图6中的处理器601和处理器607。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,计算机设备还可以包括输出设备605和输入设备606。输出设备605和处理器601通信,可以以多种方式来显示信息。例如,输出设备605可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备606和处理器601通信,可以以多种方式接收用户的输入。例如,输入设备606可以是鼠标、键盘、触摸屏设备或传感设备等。
上述的计算机设备可以是一个通用设备或者是一个专用设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digitalassistant,PDA)、移动手机、平板电脑、无线终端设备、嵌入式设备或有图6中类似结构的设备。本申请实施例不限定计算机设备的类型。
本申请实施例可以根据上述方法示例对存储设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
比如,以采用集成的方式划分各个功能单元的情况下,图7示出了一种穿模样本生成装置的示意图。
如图7所示,本申请实施例提供的穿模样本生成装置,包括:
获取单元701,所述获取单元701用于获取正常样本,所述正常样本为不存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
提取单元702,所述提取单元702用于提取所述获取单元701获取的所述正常样本中的第一对象和第二对象,所述第一对象及所述第二对象为所述正常样本中显示的任意两个对象;
融合单元703,所述融合单元703用于将所述提取单元702提取的所述第一对象与所述第二对象融合,得到第一样本,所述第一样本为存在穿模现象的图像样本,所述第一样本用于穿模检测模型的训练。
可选地,所述获取单元701,还用于:
在三维图像显示软件正常运行的过程中对所述三维图像显示软件的界面进行录制,得到第一视频信息;
获取所述第一视频信息中的至少一帧图像,作为所述正常样本中的图像样本。
可选地,所述提取单元702,还用于:
标注所述第一对象的第一轮廓与所述第二对象的第二轮廓;
所述将所述第一对象与所述第二对象融合,得到第一样本,包括:
将所述第一轮廓与所述第二轮廓相交;
当所述第一轮廓与所述第二轮廓的相交面积大于预设值时,将所述相交面积分为第一相交面和第二相交面,其中,所述第一相交面为所述第一轮廓的一部分,所述第二相交面为所述第二轮廓的一部分;
将所述第一相交面和所述第二相交面所在的区域作为所述第一样本。
可选地,所述装置还包括分类单元704,所述分类单元704用于:
将所述正常样本中的图像分为标注集和验证集两部分,其中,所述标注集中的图像样本用于训练穿模检测模型,所述验证集中的图像样本用于验证穿模检测模型的准确性;
所述提取所述正常样本中的第一对象和第二对象,包括:
从所述标注集中提取所述第一对象和所述第二对象。
可选地,上述装置可以为第一终端,所述第一终端为区块链中的区块节点设备。
图8示出了一种穿模检测模型训练装置的示意图。
如图8所示,本申请实施例提供的穿模检测模型训练装置,包括:
第一获取单元801,所述第一获取单元801用于获取第一样本,所述第一样本为存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
第一训练单元802,所述第一训练单元802用于通过所述第一获取单元801获取的所述第一样本训练得到第一穿模检测模型;
检测单元803,所述检测单元803用于通过所述第一训练单元802训练得到的所述第一穿模检测模型对正常样本进行检测,得到第一检测结果,其中,所述正常样本为不存在穿模现象的图像样本;
第二获取单元804,所述第二获取单元804用于获取所述检测单元803检测的所述第一检测结果中误判为存在穿模现象的图像样本作为第二样本;
第二训练单元805,所述第二训练单元805用于通过所述第一获取单元801获取的所述第一样本和所述第二获取单元804获取的所述第二样本训练得到第二穿模检测模型,所述第二穿模检测模型用于对三维图像显示对象进行检测,以检测所述三维图像显示对象之间是否发生穿模现象。
图9示出了一种穿模检测装置的示意图。
如图9所示,本申请实施例提供的穿模检测装置,包括:
输入单元901,所述输入单元901用于将第一图像输入穿模检测模型中,所述第一图像为包含三维图像显示对象的待测图像;所述穿模检测模型为上述穿模检测模型训练装置训练得到的所述第二穿模检测模型
第一获取单元902,所述获取单元用于根据所述穿模检测模型从所述第一图像中获取初步判断为发生了穿模现象的第一对象,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
第一输出单元903,所述第一输出单元903用于根据所述穿模检测模型输出所述第一对象在所述第一图像中的第一位置,以及对所述第一位置发生穿模现象的评估分数;
执行单元904,所述指定单用用于,当所述第一输出单元903输出的所述评估分数大于预设值,判断所述第一位置发生了穿模现象;
标注单元905,所述标注单元905用于在所述第一图像中用标注框标注所述第一位置,生成第一检测图像;
第二输出单元906,所述第二输出单元906用于输出所述标注单元905标注的所述第一检测图像作为所述第一图像的穿模检测结果。
进一步的,本发明实施例还提供一种计算机存储介质,包括指令,当该指令在计算机设备上运行时,使得该计算机设备执行上述方法。
有关本申请实施例提供的计算机存储介质中存储的程序的详细描述可参照上述实施例,在此不做赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种穿模样本生成方法,其特征在于,包括:
获取正常样本,所述正常样本为不存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
提取所述正常样本中的第一对象和第二对象,所述第一对象及所述第二对象为所述正常样本中显示的任意两个对象;
将所述第一对象与所述第二对象融合,得到第一样本,所述第一样本为存在穿模现象的图像样本,所述第一样本用于穿模检测模型的训练。
2.根据权利要求1所述的方法,其特征在于,所述获取正常样本,包括:
在三维图像显示软件正常运行的过程中对所述三维图像显示软件的界面进行录制,得到第一视频信息;
获取所述第一视频信息中的至少一帧图像,作为所述正常样本中的图像样本。
3.根据权利要求1所述的方法,其特征在于,所述提取所述正常样本中的第一对象和第二对象,包括:
标注所述第一对象的第一轮廓与所述第二对象的第二轮廓;
所述将所述第一对象与所述第二对象融合,得到第一样本,包括:
将所述第一轮廓与所述第二轮廓相交;
当所述第一轮廓与所述第二轮廓的相交面积大于预设值时,将所述相交面积分为第一相交面和第二相交面,其中,所述第一相交面为所述第一轮廓的一部分,所述第二相交面为所述第二轮廓的一部分;
将所述第一相交面和所述第二相交面所在的区域作为所述第一样本。
4.根据权利要求3所述的方法,其特征在于,所述获取正常样本之后,还包括:
将所述正常样本中的图像分为标注集和验证集两部分,其中,所述标注集中的图像样本用于训练穿模检测模型,所述验证集中的图像样本用于验证穿模检测模型的准确性;
所述提取所述正常样本中的第一对象和第二对象,包括:
从所述标注集中提取所述第一对象和所述第二对象。
5.根据权利要求1至4任一所述的方法,其特征在于,所述方法由第一终端执行,所述第一终端为区块链中的区块节点设备。
6.一种穿模检测模型训练方法,其特征在于,包括:
获取第一样本,所述第一样本为存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
通过所述第一样本训练得到第一穿模检测模型;
通过所述第一穿模检测模型对正常样本进行检测,得到第一检测结果,其中,所述正常样本为不存在穿模现象的图像样本;
获取所述第一检测结果中误判为存在穿模现象的图像样本作为第二样本;
通过所述第一样本和所述第二样本训练得到第二穿模检测模型,所述第二穿模检测模型用于对三维图像显示对象进行检测,以检测所述三维图像显示对象之间是否发生穿模现象。
7.一种穿模检测方法,其特征在于,包括:
将第一图像输入穿模检测模型中,所述第一图像为包含三维图像显示对象的待测图像;所述穿模检测模型为通过如权利要求6所述的方法训练得到的所述第二穿模检测模型;
所述穿模检测模型从所述第一图像中获取初步判断为发生了穿模现象的第一对象,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
所述穿模检测模型输出所述第一对象在所述第一图像中的第一位置,以及对所述第一位置发生穿模现象的评估分数;
当所述评估分数大于预设值,判断所述第一位置发生了穿模现象;
在所述第一图像中用标注框标注所述第一位置,生成第一检测图像;
输出所述第一检测图像作为所述第一图像的穿模检测结果。
8.一种穿模样本生成装置,其特征在于,包括:
获取单元,所述获取单元用于获取正常样本,所述正常样本为不存在穿模现象的图像样本,所述穿模现象为三维图像显示对象之间发生重叠或穿透的现象;
提取单元,所述提取单元用于提取所述获取单元获取的所述正常样本中的第一对象和第二对象,所述第一对象及所述第二对象为所述正常样本中显示的任意两个对象;
融合单元,所述融合单元用于将所述提取单元提取的所述第一对象与所述第二对象融合,得到第一样本,所述第一样本为存在穿模现象的图像样本,所述第一样本用于穿模检测模型的训练。
9.一种计算机设备,其特征在于,所述计算机设备包括:交互装置、输入/输出(I/O)接口、处理器和存储器,所述存储器中存储有程序指令;
所述交互装置用于获取用户输入的操作指令;
所述处理器用于执行存储器中存储的程序指令,执行如权利要求1-7中任意一项所述的方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机设备上运行时,使得所述计算机设备执行如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910860005.4A CN110555485A (zh) | 2019-09-11 | 2019-09-11 | 穿模样本生成、模型训练、检测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910860005.4A CN110555485A (zh) | 2019-09-11 | 2019-09-11 | 穿模样本生成、模型训练、检测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555485A true CN110555485A (zh) | 2019-12-10 |
Family
ID=68740024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910860005.4A Pending CN110555485A (zh) | 2019-09-11 | 2019-09-11 | 穿模样本生成、模型训练、检测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555485A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222416A (zh) * | 2019-12-24 | 2020-06-02 | 杭州威佩网络科技有限公司 | 一种样本数据生成方法、装置及系统 |
CN112734886A (zh) * | 2021-01-08 | 2021-04-30 | 北京爱奇艺科技有限公司 | 生物体模型穿模检测方法、装置、电子设备及存储介质 |
CN113177996A (zh) * | 2021-04-07 | 2021-07-27 | 网易(杭州)网络有限公司 | 虚拟模型的穿模分析方法、装置、处理器及电子装置 |
CN113704134A (zh) * | 2021-09-23 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种模型检测方法和相关装置 |
-
2019
- 2019-09-11 CN CN201910860005.4A patent/CN110555485A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222416A (zh) * | 2019-12-24 | 2020-06-02 | 杭州威佩网络科技有限公司 | 一种样本数据生成方法、装置及系统 |
CN112734886A (zh) * | 2021-01-08 | 2021-04-30 | 北京爱奇艺科技有限公司 | 生物体模型穿模检测方法、装置、电子设备及存储介质 |
CN113177996A (zh) * | 2021-04-07 | 2021-07-27 | 网易(杭州)网络有限公司 | 虚拟模型的穿模分析方法、装置、处理器及电子装置 |
CN113704134A (zh) * | 2021-09-23 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 一种模型检测方法和相关装置 |
CN113704134B (zh) * | 2021-09-23 | 2023-06-06 | 腾讯科技(深圳)有限公司 | 一种模型检测方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555485A (zh) | 穿模样本生成、模型训练、检测方法、装置及介质 | |
CN110275958B (zh) | 网站信息识别方法、装置和电子设备 | |
US9846634B2 (en) | Visual graphical user interface verification | |
CN109241709B (zh) | 基于滑块验证码验证的用户行为识别方法及装置 | |
CN110378343A (zh) | 一种财务报销数据处理方法、装置及系统 | |
CN109901968A (zh) | 一种自动化页面数据校验方法和装置 | |
CN109684803A (zh) | 基于手势滑动的人机验证方法 | |
CN107832216A (zh) | 一种埋点测试方法及装置 | |
CN110175851A (zh) | 一种作弊行为检测方法及装置 | |
EP3330817A2 (en) | Model processing method and apparatus, and machine-readable medium | |
CN106921969A (zh) | 终端真伪验证方法、装置及系统 | |
US11821751B2 (en) | Verifying map data using challenge questions | |
CN110175609A (zh) | 界面元素检测方法、装置及设备 | |
CN113657361A (zh) | 页面异常检测方法、装置及电子设备 | |
CN108704312A (zh) | 美术资源的测试方法及装置 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN108334869B (zh) | 人脸部件的选择、人脸识别方法和装置,以及电子设备 | |
CN110837563B (zh) | 案件的裁判方法、装置和系统 | |
CN110837562B (zh) | 案件的处理方法、装置和系统 | |
CN113256289B (zh) | 区块链的判别方法、装置及电子设备 | |
CN113254338B (zh) | 测试用例生成方法、装置及设备 | |
CN112799956B (zh) | 资产识别能力测试方法、装置及系统装置 | |
KR102217092B1 (ko) | 애플리케이션의 품질 정보 제공 방법 및 장치 | |
CN117150149B (zh) | 一种线下近距离交友的方法、装置、物联手表和介质 | |
CN114926179A (zh) | 交易风险检测方法、装置、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 |