CN111104967A - 图像识别网络训练方法、图像识别方法、装置及终端设备 - Google Patents

图像识别网络训练方法、图像识别方法、装置及终端设备 Download PDF

Info

Publication number
CN111104967A
CN111104967A CN201911213586.9A CN201911213586A CN111104967A CN 111104967 A CN111104967 A CN 111104967A CN 201911213586 A CN201911213586 A CN 201911213586A CN 111104967 A CN111104967 A CN 111104967A
Authority
CN
China
Prior art keywords
image
image recognition
recognition network
sample
image sample
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
Application number
CN201911213586.9A
Other languages
English (en)
Other versions
CN111104967B (zh
Inventor
孔庆杰
林姝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingrui Vision Intelligent Technology Shanghai Co Ltd
Original Assignee
Jingrui Vision Intelligent Technology Shanghai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jingrui Vision Intelligent Technology Shanghai Co Ltd filed Critical Jingrui Vision Intelligent Technology Shanghai Co Ltd
Priority to CN201911213586.9A priority Critical patent/CN111104967B/zh
Publication of CN111104967A publication Critical patent/CN111104967A/zh
Application granted granted Critical
Publication of CN111104967B publication Critical patent/CN111104967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本申请适用于图像识别技术领域，提供了图像识别网络训练方法、图像识别方法、装置及终端设备，该图像识别网络训练方法包括：获取第一图像样本和第二图像样本，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；基于所述第一图像样本对第一图像识别网络进行训练；基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练，训练后的所述第二图像识别网络用于对待识别图像样本进行识别。上述图像识别网络训练方法能够利用分辨率高的第一图像样本的信息优化常规图像识别的精度，尽可能提高网络的识别性能。

Description

图像识别网络训练方法、图像识别方法、装置及终端设备
技术领域
本申请属于图像识别技术领域，尤其涉及图像识别网络训练方法、图像识别方法、装置及终端设备。
背景技术
图像识别在各个领域均有应用，近年来因为人工智能和神经网络的飞速发展，使得图像识别的效果和质量得到了极大提升。然而神经网络类方法的性能比较依赖于图像样本的质量，但高质量图像的采集成本远高于低质量图像的采集成本，因此传统的图像识别技术的成本较高且识别效果不够理想。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了图像识别网络训练方法、图像识别方法、装置及终端设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种图像识别网络训练方法，包括：
获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；
基于所述第一图像样本对第一图像识别网络进行训练；
基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别。
在第一方面的一种可能的实现方式中，所述获取第一图像样本和第二图像样本，包括：
获取按照第一采样频率对所述目标物体中的部分物体进行采样得到的第一图像样本；
获取按照第二采样频率对所述目标物体进行采样得到的所述第二图像样本；
其中，所述第一采样频率小于所述第二采样频率。
在第一方面的一种可能的实现方式中，所述基于所述第一图像样本对第一图像识别网络进行训练，包括：
基于所述第一图像样本确定所述第一图像识别网络的第一损失函数。
示例性的，所述第一损失函数为
Figure BDA0002298846610000021
其中，l为交叉熵损失函数，且
Figure BDA0002298846610000022
R(f)为正则项，σ为sigmoid函数，yi为目标物体的类别，
Figure BDA0002298846610000023
为第一图像样本，所述第一图像识别网络的输入样本为
Figure BDA0002298846610000024
在第一方面的一种可能的实现方式中，所述基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练，包括：
基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数；
对所述第二损失函数进行最小化处理，得到训练后的第二图像识别网络。
在第一方面的一种可能的实现方式中，所述基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数，包括：
将第二图像样本的类别标签作为硬标签，将所述第一图像识别网络的输出作为软标签，根据所述第二图像识别网络的输出、所述硬标签和所述软标签，计算损失加权获得所述第二损失函数。
示例性的，可以根据
Figure BDA0002298846610000025
确定所述第二图像识别网络的第二损失函数fs；
其中，l为交叉熵损失函数，且
Figure BDA0002298846610000031
λ为控制辅助卷积网络成分比例的权重，si为所述第一图像识别网络的输出，且si＝σ(ft(xi)/T)，T为所述第一图像识别网络预测标签硬度的参数，σ为sigmoid函数，ft为所述第一损失函数，yi为目标物体的类别，xi为第二图像样本，第二图像识别网络的样本输入为(xi,yi)。
第二方面，本申请实施例提供了一种图像识别方法，包括：
获取待识别图像样本；
通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为如第一方面中所述的第二图像识别网络。
第三方面，本申请实施例提供了一种图像识别网络训练装置，包括：
第一获取模块，用于获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；
第一训练模块，用于基于所述第一图像样本对第一图像识别网络进行训练；
第二训练模块，用于基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别。
第四方面，本申请实施例提供了一种图像识别装置，包括：
第二获取模块，用于获取待识别图像样本；
识别模块，用于通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为在第一方面中所述的第二图像识别网络。
第五方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的图像识别网络训练方法，或实现如第二方面所述的图像识别方法。
第六方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如如第一方面任一项所述的图像识别网络训练方法，或实现如第二方面所述的图像识别方法。
第七方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的如第一方面任一项所述的图像识别网络训练方法，或实现如第二方面所述的图像识别方法。
可以理解的是，上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例，通过分辨率较高的第一图像样本训练第一图像识别网络，并根据训练后的第一图像识别网络和分辨率较低的第二图像样本一起训练第二图像识别网络，从而通过训练后的第二图像识别网络对待识别的图像样本进行识别，因此能够利用分辨率高的第一图像样本的信息优化常规图像识别的精度，尽可能提高网络的识别性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一示例性实施例提供的图像识别网络训练方法或图像识别方法的应用环境示意图；
图2是本申请一示例性实施例提供的图像识别网络训练方法的流程示意图；
图3是本申请一示例性实施例提供的图像识别网络训练方法的流程示意图；
图4是本申请一示例性实施例提供的图像识别方法的流程示意图；
图5是本申请一示例性实施例提供的图像识别网络训练装置的结构示意图；
图6是本申请一示例性实施例提供的图像识别网络训练装置的结构示意图；
图7是本申请一示例性实施例提供的图像识别装置的结构示意图；
图8是本申请一示例性实施例提供的终端设备的结构示意图；
图9是本申请一示例性实施例提供的图像识别网络训练方法或图像识别方法所适用的计算机的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图像识别在各个领域均有应用，近年来因为人工智能和神经网络的飞速发展，使得图像识别的效果和质量得到了极大提升。然而神经网络类方法的性能极大程度的依赖于图像样本的质量，但高质量图像的采集成本远高于低质量图像的采集成本。因此采用低质量图像进行图像识别会导致识别效果较差，而采用高质量图像进行图像识别会极大增加成本。
基于上述问题，本申请实施例中的图像识别网络训练方法，通过分辨率较高的高质量图像训练第一图像识别网络，并根据训练后的第一图像识别网络和分辨率较低的低质量图像一起训练第二图像识别网络，通过训练后的第二图像识别网络对待识别的图像样本进行识别，能够利用高质量图像的信息优化常规图像识别的精度，尽可能提高网络的识别性能。
图1为本申请实施例提供的图像识别网络训练方法或图像识别方法的应用环境示意图。参见图1，第一图像采集设备11可以用于采集目标物体30的第一图像样本，第二图像采集设备12可以用于采集目标物体30的第二图像样本，且第一图像样本的分辨率高于第二图像样本的分辨率；图像处理设备20用于基于第一图像样本对第一图像识别网络进行训练，并根据第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练，训练后的第二图像识别网络用于对待识别图像样本进行识别，从而能够利用分辨率高的第一图像样本的信息优化常规图像识别的精度，提高网络的识别性能。
另外，第一图像采集设备11可以按照一个较低的采样频率得到第一图像样本(即高质量图像)，第二图像采样设备12可以按照一个较高的采样频率得到第二图像样本(即低质量图像)，这样第一图像样本的数量少于第二图像样本的数量，所以能够在尽量控制图像样本采集成本的基础上，利用分辨率高的第一图像样本的信息优化常规图像识别的精度，提高网络的识别性能。
以下结合图1对本申请实施例的图像识别网络训练方法和图像识别方法进行详细说明。
图2是本申请一实施例提供的图像识别网络训练方法的示意性流程图，参照图2，对该图像识别网络训练方法的详述如下：
在步骤101中，获取第一图像样本和第二图像样本。
其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率。
本步骤中，可以通过图像采集设备采集目标物体的图像样本，例如可以直接获取图像采集设备采集的目标物体的图像样本以进行后续步骤的处理，也可以向图像采集设备发送图像采集指令，并获取图像采集设备基于该图像采集指令采集到的目标物体的图像样本，本申请实施例对此不予限定。
示例性的，第一图像样本和第二图像样本可以为多个图像样本，例如第一图像采集设备11可以按照一定的采样频率对目标物体进行采样得到第一图像样本，第二图像采集设备12可以按照一定的采样频率对目标物体进行采样得到第二图像样本。
其中，第一图像采集设备11和第二图像采集设备12可以为不同的图像采集设备，分别采集目标物体的第一图像样本和第二图像样本；第一图像采集设备11和第二图像采集设备12也可以为同一图像采集设备，分别采集目标物体的第一图像样本和第二图像样本。
另外，目标物体可以为多个物体也可以为一个物体，本申请实施例对此不予限定。在目标物体为多个物体的情况下，可以对部分物体和/或所有物体进行图像采集，得到第一图像样本和第二图像样本。
一些实施例中，可以通过工业相机采集图像样本。其中，工业相机具有图像稳定性高、传输能力高和抗干扰能力高等优点，例如可以是基于CCD(Charge Coupled Device，电荷藕合器件图像传感器)芯片的工业相机或CMOS(Complementary Metal OxideSemiconductor，互补金属氧化物半导体)芯片的工业相机。
一些实施例中，可以按照不同的采样频率对目标物体进行采样，得到上述第一图像样本和第二图像样本。
示例性的，参见图3，所述获取第一图像样本和第二图像样本，可以包括：
在步骤1011中，获取按照第一采样频率对所述目标物体中的部分物体进行采样得到的第一图像样本。
其中，所述目标物体可以包括多个物体，第一图像样本可以只针对于目标物体中的部分物体，因此，可以按照第一采样频率对目标物体中的部分物体进行采样得到第一图像样本。
示例性的，可以对部分物体采集高分辨率图像，例如可以是物体静止状态的图像，可以是物体各个角度的图像，清晰度较高，作为第一图像样本，记为
Figure BDA0002298846610000081
需要说明的是，这里的高分辨率是相对于第二图像样本的分辨率而言的，并不具体限定分辨率的范围；这里的清晰度较高也是相对于第二图像样本的清晰度而言的，并不具体限定清晰度的程度。
其中，部分物体的选择可以基于实际需要进行设定，本申请实施例并不限定上述的部分物体具体是哪些物体或符合什么条件的物体。
在步骤1012中，获取按照第二采样频率对所述目标物体进行采样得到的所述第二图像样本。
其中，所述目标物体可以包括多个物体，第二图像样本可以对应目标物体中的所有物体，因此，可以按照第二采样频率对目标物体中的所有物体进行采样，得到第二图像样本。
示例性的，可以对目标物体采集低分辨率图像，例如可以是物体静止状态的图像，可以是物体各个角度的图像，清晰度较低，作为第二图像样本，记为xi。需要说明的是，这里的低分辨率是相对于第一图像样本的分辨率而言的，并不具体限定分辨率的范围；这里的清晰度较低也是相对于第一图像样本的清晰度而言的，并不具体限定清晰度的程度。
其中，所述第一采样频率小于所述第二采样频率。
具体地，可以按照一个较低的采样频率得到第一图像样本(即高质量图像)，可以按照一个较高的采样频率得到第二图像样本(即低质量图像)，这样第一图像样本的数量少于第二图像样本的数量，所以能够在尽量控制图像样本采集成本的基础上，利用分辨率高的第一图像样本的信息优化常规图像识别的精度，提高网络的识别性能。
在步骤102中，基于所述第一图像样本对第一图像识别网络进行训练。
示例性的，参见图3，步骤102具体可以包括：
基于所述第一图像样本确定所述第一图像识别网络的第一损失函数。
例如，所述第一损失函数可以为
Figure BDA0002298846610000091
其中，l为交叉熵损失函数，且
Figure BDA0002298846610000092
R(f)为正则项，σ为sigmoid函数，yi为目标物体的类别标签，
Figure BDA0002298846610000093
为第一图像样本。第一图像识别网络的样本输入为
Figure BDA0002298846610000094
本步骤中，使用高分辨率的第一图像样本作为特权信息，训练第一图像识别网络，第一图像识别网络的输入类型可以不同，但第一图像样本(高质量图像)的信息仍然可以被传递，从而优化第二图像识别网络的性能。
在步骤103中，基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练。
本步骤中，可以结合第二图像样本和训练后的第一图像识别网络，确定第二图像识别网络的损失函数，再对损失函数进行最小化处理，得到训练后的第二图像识别网络。
具体地，参见图3，步骤103具体可以包括以下步骤：
在步骤1031中，基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数。
示例性的，步骤1031中具体可以包括：
将第二图像的类别标签作为硬标签，将所述第一图像识别网络的输出作为软标签，根据所述第二图像识别网络的输出、所述硬标签和所述软标签，计算损失加权获得所述第二损失函数。
例如，可以根据
Figure BDA0002298846610000101
确定所述第二图像识别网络的第二损失函数fs。
其中，l为交叉熵损失函数，且
Figure BDA0002298846610000102
λ为控制辅助卷积网络成分比例的权重，si为所述第一图像识别网络的输出，且si＝σ(ft(xi)/T)，T为所述第一图像识别网络预测标签硬度的参数，σ为sigmoid函数，ft为所述第一损失函数，yi为目标物体的类别标签，xi为第二图像样本。第二图像识别网络的样本输入为(xi,yi)。
在步骤1032中，对所述第二损失函数进行最小化处理，得到训练后的第二图像识别网络。
一些实施例中，上述第一图像识别网络和第二图像识别网络可以为卷积神经网络CNN，例如可以为RCNN网络、Fast CNN网络、Faster CNN网络或Mask CNN网络等，具体使用哪种CNN网络可以根据情况进行选择，本申请实施例对此不予限定。
上述图像识别网络训练方法，通过分辨率较高的第一图像样本训练第一图像识别网络，并根据训练后的第一图像识别网络和分辨率较低的第二图像样本一起训练第二图像识别网络，从而通过训练后的第二图像识别网络对待识别的图像样本进行识别，因此能够利用分辨率高的第一图像样本的信息优化常规图像识别的精度，尽可能提高网络的识别性能。
图4是本申请一实施例提供的图像识别方法的示意性流程图，参照图4，对该图像识别方法的详述如下：
在步骤201中，获取待识别图像样本。
其中，待识别图像样本可以为分辨率较低的图像样本，例如待识别图像样本可以为上述第二图像样本；待识别图像样本也可以为分辨率较高的图像样本，例如待识别图像样本可以为上述第一图像样本；待识别图像样本也可以包括分辨率较高的图像样本和分辨率较低的图像样本，例如待识别图像样本可以为上述第一图像样本和第二图像样本，本申请实施例对此不予限定，具体可以根据实际需要及成本要求等进行灵活选择。
具体地，可以通过第二图像采集设备12按照预设频率采集目标物体的待识别图像样本，发送给图像处理设备20进行如步骤201和步骤202的处理过程。
在步骤202中，通过图像识别网络对所述待识别图像样本进行识别。
其中，本步骤中的图像识别网络可以为上述图像识别网络训练方法中训练后的第二图像识别网络。
具体地，可以将低质量图像作为待识别图像，在获得待识别图像样本xi之后，可以不需要使用高成本采集的图像样本
Figure BDA0002298846610000111
直接由训练后的第二图像识别网络输出识别结果
Figure BDA0002298846610000112
需要说明的是，这里的待识别图像样本xi可以直接使用前述的第一图像样本，也可以对目标物体进行重新采集得到待识别图像样本，本申请实施例对此不予限定。
上述图像识别方法，通过训练后的第二图像识别网络对待识别图像样本进行识别，由于训练后的第二图像识别网络通过第一图像样本和第二图像样本得到，能够利用分辨率高的第一图像样本的信息优化第二图像识别网络识别的精度，因此具有较高的图像识别精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的图像识别网络训练方法，图5示出了本申请实施例提供的图像识别网络训练装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图5，本申请实施例中的图像识别网络训练装置可以包括第一获取模块301、第一训练模块302和第二训练模块303。
其中，第一获取模块301，用于获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率
第一训练模块302，用于基于所述第一图像样本对第一图像识别网络进行训练；
第二训练模块303，用于基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别。
参见图6，一些实施例中，第一获取模块301可以包括：
第一获取单元3011，用于获取按照第一采样频率对所述目标物体中的部分物体进行采样得到的第一图像样本；
第二获取单元3012，用于获取按照第二采样频率对所述目标物体进行采样得到的所述第二图像样本；
其中，所述第一采样频率小于所述第二采样频率。
可选的，第一训练模块302具体可以用于：
基于所述第一图像样本确定所述第一图像识别网络的第一损失函数。
可选的，第二训练模块303可以包括：
确定单元3031，用于基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数；
最小化单元3032，用于对所述第二损失函数进行最小化处理，得到训练后的第二图像识别网络。
示例性的，确定单元3031具体可以用于：
将第二图像的类别标签作为硬标签，将所述第一图像识别网络的输出作为软标签，根据所述第二图像识别网络的输出、所述硬标签和所述软标签，计算损失加权获得所述第二损失函数。
对应于上文实施例所述的图像识别方法，图7示出了本申请实施例提供的图像识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图7，本申请实施例中的图像识别装置可以包括第二获取模块401和识别模块402。
其中，第二获取模块401，用于获取待识别图像样本；
识别模块402，用于通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为上述图像识别网络训练方法中训练后的第二图像识别网络。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图8，该终端设500可以包括：至少一个处理器510、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序，所述处理器510执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S103，例如图4所示实施例中的步骤201至步骤202。或者，处理器410执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块301至303的功能，例如图7所示模块401至402的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器520中，并由处理器510执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备500中的执行过程。
本领域技术人员可以理解，图8仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器520可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的缺陷检测方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
以所述终端设备为计算机为例。图9示出的是与本申请实施例提供的计算机的部分结构的框图。参考图9，计算机包括：通信电路610、存储器620、输入单元630、显示单元640、音频电路650、无线保真(wireless fidelity，WiFi)模块660、处理器670以及电源680等部件。本领域技术人员可以理解，图9中示出的计算机结构并不构成对计算机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图9对计算机的各个构成部件进行具体的介绍：
通信电路610可用于收发信息或通话过程中，信号的接收和发送，特别地，将图像采集设备发送的图像样本接收后，给处理器670处理；另外，将图像采集指令发送给图像采集设备。通常，通信电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，通信电路610还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(GeneralPacket Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long TermEvolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器620可用于存储软件程序以及模块，处理器670通过运行存储在存储器620的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元630可用于接收输入的数字或字符信息，以及产生与计算机的用户设置以及功能控制有关的键信号输入。具体地，输入单元630可包括触控面板631以及其他输入设备632。触控面板631，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上或在触控面板631附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器670，并能接收处理器670发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632。具体地，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及计算机的各种菜单。显示单元640可包括显示面板641，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板641。进一步的，触控面板631可覆盖显示面板641，当触控面板631检测到在其上或附近的触摸操作后，传送给处理器670以确定触摸事件的类型，随后处理器670根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图9中，触控面板631与显示面板641是作为两个独立的部件来实现计算机的输入和输入功能，但是在某些实施例中，可以将触控面板631与显示面板641集成而实现计算机的输入和输出功能。
音频电路650可提供用户与计算机之间的音频接口。音频电路650可将接收到的音频数据转换后的电信号，传输到扬声器由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路650接收后转换为音频数据，再将音频数据输出处理器670处理后，经通信电路610以发送给比如另一计算机，或者将音频数据输出至存储器620以便进一步处理。
WiFi属于短距离无线传输技术，计算机通过WiFi模块660可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块660，但是可以理解的是，其并不属于计算机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器670是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器670可包括一个或多个处理单元；优选的，处理器670可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器670中。
计算机还包括给各个部件供电的电源680(比如电池)，优选的，电源680可以通过电源管理系统与处理器670逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述图像识别网络训练方法各个实施例中的步骤，或实现上述图像识别方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述图像识别网络训练方法各个实施例中的步骤，或实现上述图像识别方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图像识别网络训练方法，其特征在于，包括：
获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；
基于所述第一图像样本对第一图像识别网络进行训练；
基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别。
2.如权利要求1所述的图像识别网络训练方法，其特征在于，所述获取第一图像样本和第二图像样本，包括：
获取按照第一采样频率对所述目标物体中的部分物体进行采样得到的第一图像样本；
获取按照第二采样频率对所述目标物体进行采样得到的所述第二图像样本；
其中，所述第一采样频率小于所述第二采样频率。
3.如权利要求1所述的图像识别网络训练方法，其特征在于，所述基于所述第一图像样本对第一图像识别网络进行训练，包括：
基于所述第一图像样本确定所述第一图像识别网络的第一损失函数。
4.如权利要求3所述的图像识别网络训练方法，其特征在于，所述基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练，包括：
基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数；
对所述第二损失函数进行最小化处理，得到训练后的第二图像识别网络。
5.如权利要求4所述的图像识别网络训练方法，其特征在于，所述基于所述第二图像样本和训练后的第一图像识别网络，确定所述第二图像识别网络的第二损失函数，包括：
将第二图像样本的类别标签作为硬标签，将所述第一图像识别网络的输出作为软标签，根据所述第二图像识别网络的输出、所述硬标签和所述软标签，计算损失加权获得所述第二损失函数。
6.一种图像识别方法，其特征在于，所述方法包括：
获取待识别图像样本；
通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为如权利要求1至5任一项中所述的第二图像识别网络。
7.一种图像识别网络训练装置，其特征在于，包括：
第一获取模块，用于获取第一图像样本和第二图像样本；其中，所述第一图像样本的分辨率大于所述第二图像样本的分辨率；
第一训练模块，用于基于所述第一图像样本对第一图像识别网络进行训练；
第二训练模块，用于基于所述第二图像样本和训练后的第一图像识别网络，对第二图像识别网络进行训练；其中，训练后的所述第二图像识别网络用于对待识别图像样本进行识别。
8.一种图像识别装置，其特征在于，包括：
第二获取模块，用于获取待识别图像样本；
识别模块，用于通过图像识别网络对所述待识别图像样本进行识别；其中，所述图像识别网络为如权利要求1至5任一项中所述的第二图像识别网络。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的图像识别网络训练方法，或实现如权利要求6所述的图像识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的图像识别网络训练方法，或实现如权利要求6所述的图像识别方法。
CN201911213586.9A 2019-12-02 2019-12-02 图像识别网络训练方法、图像识别方法、装置及终端设备 Active CN111104967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911213586.9A CN111104967B (zh) 2019-12-02 2019-12-02 图像识别网络训练方法、图像识别方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911213586.9A CN111104967B (zh) 2019-12-02 2019-12-02 图像识别网络训练方法、图像识别方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN111104967A true CN111104967A (zh) 2020-05-05
CN111104967B CN111104967B (zh) 2023-12-22

Family

ID=70420858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911213586.9A Active CN111104967B (zh) 2019-12-02 2019-12-02 图像识别网络训练方法、图像识别方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111104967B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348112A (zh) * 2020-11-24 2021-02-09 深圳市优必选科技股份有限公司 图像识别模型的训练方法、训练装置及终端设备
CN112365398A (zh) * 2020-09-11 2021-02-12 成都旷视金智科技有限公司 超分辨率网络训练方法、数字变焦方法、装置及电子设备
CN112784857A (zh) * 2021-01-29 2021-05-11 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置
CN116912604A (zh) * 2023-09-12 2023-10-20 浙江大华技术股份有限公司 模型训练方法、图像识别方法、装置以及计算机存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107832799A (zh) * 2017-11-20 2018-03-23 北京奇虎科技有限公司 基于摄像头场景的对象识别方法及装置、计算设备
US20180357800A1 (en) * 2017-06-09 2018-12-13 Adobe Systems Incorporated Multimodal style-transfer network for applying style features from multi-resolution style exemplars to input images
CN109345456A (zh) * 2018-09-30 2019-02-15 京东方科技集团股份有限公司 生成对抗网络训练方法、图像处理方法、设备及存储介质
CN109919110A (zh) * 2019-03-13 2019-06-21 北京航空航天大学 视频关注区域检测方法、装置及设备
CN110059717A (zh) * 2019-03-13 2019-07-26 山东大学 用于乳腺钼靶数据集的卷积神经网络自动分割方法及系统
CN110084119A (zh) * 2019-03-26 2019-08-02 安徽艾睿思智能科技有限公司 基于深度学习的低分辨率人脸图像识别方法
WO2019191346A1 (en) * 2018-03-28 2019-10-03 Kla-Tencor Corporation Training a neural network for defect detection in low resolution images
CN110490136A (zh) * 2019-08-20 2019-11-22 电子科技大学 一种基于知识蒸馏的人体行为预测方法
CN111724310A (zh) * 2019-03-21 2020-09-29 马上消费金融股份有限公司 图像修复模型的训练方法、图像修复方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10755099B2 (en) * 2018-11-13 2020-08-25 Adobe Inc. Object detection in images
CN109871902B (zh) * 2019-03-08 2022-12-13 哈尔滨工程大学 一种基于超分辨率对抗生成级联网络的sar小样本识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180357800A1 (en) * 2017-06-09 2018-12-13 Adobe Systems Incorporated Multimodal style-transfer network for applying style features from multi-resolution style exemplars to input images
CN107832799A (zh) * 2017-11-20 2018-03-23 北京奇虎科技有限公司 基于摄像头场景的对象识别方法及装置、计算设备
WO2019191346A1 (en) * 2018-03-28 2019-10-03 Kla-Tencor Corporation Training a neural network for defect detection in low resolution images
CN109345456A (zh) * 2018-09-30 2019-02-15 京东方科技集团股份有限公司 生成对抗网络训练方法、图像处理方法、设备及存储介质
CN109919110A (zh) * 2019-03-13 2019-06-21 北京航空航天大学 视频关注区域检测方法、装置及设备
CN110059717A (zh) * 2019-03-13 2019-07-26 山东大学 用于乳腺钼靶数据集的卷积神经网络自动分割方法及系统
CN111724310A (zh) * 2019-03-21 2020-09-29 马上消费金融股份有限公司 图像修复模型的训练方法、图像修复方法及装置
CN110084119A (zh) * 2019-03-26 2019-08-02 安徽艾睿思智能科技有限公司 基于深度学习的低分辨率人脸图像识别方法
CN110490136A (zh) * 2019-08-20 2019-11-22 电子科技大学 一种基于知识蒸馏的人体行为预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365398A (zh) * 2020-09-11 2021-02-12 成都旷视金智科技有限公司 超分辨率网络训练方法、数字变焦方法、装置及电子设备
CN112365398B (zh) * 2020-09-11 2024-04-05 成都旷视金智科技有限公司 超分辨率网络训练方法、数字变焦方法、装置及电子设备
CN112348112A (zh) * 2020-11-24 2021-02-09 深圳市优必选科技股份有限公司 图像识别模型的训练方法、训练装置及终端设备
CN112348112B (zh) * 2020-11-24 2023-12-15 深圳市优必选科技股份有限公司 图像识别模型的训练方法、训练装置及终端设备
CN112784857A (zh) * 2021-01-29 2021-05-11 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置
CN112784857B (zh) * 2021-01-29 2022-11-04 北京三快在线科技有限公司 一种模型训练以及图像处理方法及装置
CN116912604A (zh) * 2023-09-12 2023-10-20 浙江大华技术股份有限公司 模型训练方法、图像识别方法、装置以及计算机存储介质
CN116912604B (zh) * 2023-09-12 2024-01-16 浙江大华技术股份有限公司 模型训练方法、图像识别方法、装置以及计算机存储介质

Also Published As

Publication number Publication date
CN111104967B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN111060514B (zh) 缺陷检测方法、装置及终端设备
CN111104967B (zh) 图像识别网络训练方法、图像识别方法、装置及终端设备
CN111368934B (zh) 图像识别模型训练方法、图像识别方法以及相关装置
US11363196B2 (en) Image selection method and related product
WO2019020014A1 (zh) 解锁控制方法及相关产品
CN107679481B (zh) 解锁控制方法及相关产品
CN111027528B (zh) 语种识别方法、装置、终端设备及计算机可读存储介质
CN107784271B (zh) 指纹识别方法及相关产品
CN107451454B (zh) 解锁控制方法及相关产品
CN111612093A (zh) 一种视频分类方法、视频分类装置、电子设备及存储介质
CN111125523B (zh) 搜索方法、装置、终端设备及存储介质
CN110688347A (zh) 文件存储方法、文件存储装置及终端设备
CN107256380A (zh) 指纹注册方法及相关产品
CN107330867B (zh) 图像合成方法、装置、计算机可读存储介质和计算机设备
CN107193470B (zh) 解锁控制方法及相关产品
CN111160174B (zh) 网络训练方法、车头朝向识别方法、装置及终端设备
CN107179596B (zh) 对焦方法及相关产品
CN113112442A (zh) 缺陷检测方法、装置及终端设备
CN110717486B (zh) 文本检测方法、装置、电子设备和存储介质
CN111210299B (zh) 一种单号生成及管理方法及装置
CN113011497A (zh) 图像比对方法和系统
CN111242081B (zh) 视频检测方法、目标检测网络训练方法、装置及终端设备
CN113159267A (zh) 一种图像数据处理方法、装置及终端设备
CN111858525A (zh) 日志追踪方法、生成方法、追踪装置、生成装置及系统
CN106933456B (zh) 一种相册显示方法、装置及移动终端

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