CN111159150A - 一种数据扩充方法及装置 - Google Patents
一种数据扩充方法及装置 Download PDFInfo
- Publication number
- CN111159150A CN111159150A CN201911315197.7A CN201911315197A CN111159150A CN 111159150 A CN111159150 A CN 111159150A CN 201911315197 A CN201911315197 A CN 201911315197A CN 111159150 A CN111159150 A CN 111159150A
- Authority
- CN
- China
- Prior art keywords
- target area
- original data
- enhanced
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000000903 blocking effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 8
- 238000013434 data augmentation Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,公开了一种数据扩充方法及装置。该方法包括:设置匹配阈值;获取带标注的原始数据集及其对应目标集合;根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;对所述目标区域进行数据增强处理,获取增强目标区域;将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。采用本发明技术方案不但可以对个性化问题进行针对性数据扩充,且成本不高。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种数据扩充方法及装置。
背景技术
随着人工智能和计算机技术的发展,深度学习被广泛应用于人们的生产和生活中。通过大量数据的训练,深度学习在分类,目标检测等方面明显优于传统方法。然而,数据收集难度较大,尤其是小样本数据,收集周期较长,时间成本较高。另外,数据标注工作量繁重,需要大量成熟标注员长期标注,人力成本较高,标注效果和效率和标注员的标注水平相关度较大这也增加了数据标注的不确定性。因此,基于现有数据进行数据扩充,用于模拟现实场景变得尤为重要。
在现有技术的实现过程中,发明人发现现有技术至少存在如下技术问题:
现有技术中,数据扩充并未对个性化问题进行针对性数据扩充,使得数据扩充方法效果不加,且数据扩充成本较高。
发明内容
本发明的目的在于提供一种数据扩充方法及装置,以克服现有技术中的缺陷。
为解决上述技术问题,本发明的实施方式提供了一种数据扩充方法,包括:
设置匹配阈值;
获取带标注的原始数据集及其对应目标集合;
根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;
对所述目标区域进行数据增强处理,获取增强目标区域;
将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。
为解决上述技术问题,本发明的实施方式还提供了一种数据扩充装置,包括:
预设单元,用于设置匹配阈值;
信息获取单元,用于获取带标注的原始数据集及其对应目标集合;
目标获取单元,用于根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;
增强单元,用于对所述目标区域进行数据增强处理,获取增强目标区域;
样本信息获取单元,用于将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。
本发明提供的一种数据扩充方法及装置,通过设置匹配阈值;获取带标注的原始数据集及其对应目标集合;根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;对所述目标区域进行数据增强处理,获取增强目标区域;将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。采用本发明技术方案不但可以对个性化问题进行针对性数据扩充,且成本不高。
附图说明
图1是本发明实施例提供的一种数据扩充方法流程图;
图2是本发明实施例提供的一种数据扩充装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请各权利要求所要求保护的技术方案。
本发明的第一实施方式涉及一种数据扩充方法。具体流程如图1所示。
该方法包括:
101:设置匹配阈值;
102:获取带标注的原始数据集及其对应目标集合;
103:根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;
104:对所述目标区域进行数据增强处理,获取增强目标区域;
105:将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。
需要说明的是,所述获取带标注的原始数据集及其对应目标集合的步骤,包括:
获取带标注的原始数据集及待检测目标信息;
根据所述待检测目标信息,从所述带标注的原始数据集,获取所述目标集合;所述目标集合包括:所述待检测目标类别,高和宽。
还需要说明的是,该方法还包括:
对所述增强目标区域的图像边缘进行平滑处理。
还需要说明的是,所述将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本的步骤包括:
设置等效边长阈值;
判断所述当前原始数据中的目标区域的等效边长是否超过所述等效边长阈值;
以上所述等效边长公式:
其中,w为所述原始数据中目标区域的宽度,h为所述原始数据中目标区域的高度,a为等效边长。
如果超过所述等效边长阈值,则采用所述增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本;
如果不超过所述等效边长阈值,则将所述增强目标区域至少一次黏贴在所述原始数据样本图像中,获取带有增强目标区域的原始数据样本。
还需要说明的是,所述如果超过所述等效边长阈值,则采用所述增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本的步骤,还包括:
获取遮挡块属性信息;
根据所述遮挡块属性信息,对所述增强目标区域进行随机遮挡,获取遮挡后的增强目标区域;
采用所述遮挡后的增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本。
本发明的第二实施方式涉及一种数据扩充装置。如图2所示。该装置包括:
预设单元201,用于设置匹配阈值;
信息获取单元202,用于获取带标注的原始数据集及其对应目标集合;
目标获取单元203,用于根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;
增强单元204,用于对所述目标区域进行数据增强处理,获取增强目标区域;
样本信息获取单元205,用于将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。
需要说明的是,所述信息获取单元,还用于获取带标注的原始数据集及待检测目标信息;根据所述待检测目标信息,从所述带标注的原始数据集,获取所述目标集合;所述目标集合包括:所述待检测目标类别,高和宽。
还需要说明的是,该装置还包括:
平滑处理单元,用于对所述增强目标区域的图像边缘进行平滑处理。
还需要说明的是,所述样本信息获取单元,还用于设置等效边长阈值;判断所述当前原始数据中的目标区域的等效边长是否超过所述等效边长阈值;如果超过所述等效边长阈值,则采用所述增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本;如果不超过所述等效边长阈值,则将所述增强目标区域至少一次黏贴在所述原始数据样本图像中,获取带有增强目标区域的原始数据样本。
还需要说明的是,所述样本信息获取单元,还用于获取遮挡块属性信息;根据所述遮挡块属性信息,对所述增强目标区域进行随机遮挡,获取遮挡后的增强目标区域;采用所述遮挡后的增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
为了描述的方便,描述以上装置是以功能分为各种单元/模块分别描述。当然,在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
基于以上实施例,本发明针对遮挡,小目标,类别不平衡等问题发明了一种数据扩充方法。本发明技术方案首先将带标注的原始数据集中的目标区域,从所述原始数据中裁剪出来并记录该区域的类别,高和宽,形成目标集合;其次,在从所述带标注的原始数据集中随机选出目标区域;根据所述随机选出的目标区域的类别,高和宽的情况,再将所述带标注的原始数据集中当前原始数据从所述目标集合的数据中挑选出其对应目标区域。再次,将采用数据增强方法中除噪、重采样、镜像翻转、反射变换、PCA抖动、色彩抖动处理等随机抽取一种方法用于所述目标区域的局部数据增强;进一步对所述局部数据增强的目标区域进行边缘平滑,将平滑处理后的数据增强后的目标区域替换到所述当前原始数据的目标区域中,或者,将平滑处理后的数据增强后的目标区域随机至少一次黏贴到所述当前原始数据的目标区域中。
上述随机至少一次黏贴到所述当前原始数据的目标区域适用于目标区域的类别数量较少情况;通过重复上述多次黏贴,缓解类别间数量不平衡问题。因此,对于面积较小的目标区域,在上述过程的基础上,在目标图中随机粘贴多次,用于增加小目标的整体关注区域的面积。
本发明技术方案的具体实现流程如下:
S1:获取带标注的原始数据集;
S2:遍历所述带标注的原始数据集的目标区域ROI,将原始数据中目标区域(ROI)裁剪出来并记录其类别,高和宽,制作成目标集合;
S3:再次遍历所述带标注的原始数据集,在目标区域ROI集合中随机挑选出与所述带标注的原始数据集中当前原始数据目标区域的类别相同,且大小为正负5%以内的候选目标区域ROI。
S4:对所述候选目标区域ROI进行数据增强方法,包括但不限于除噪、镜像翻转、反射变换、PCA抖动、色彩抖动处理等;
S5:对候选目标区域ROI图像边缘进行平滑处理;
S6:判断所述候选目标区域ROI等效边长较小(例如:设等效边长阈值为32;所述等效边长不大于32)则在所述当前原始数据上随机的多次粘贴所述候选目标区域ROI;若所述候选目标区域ROI等效边长大于32,则在所述所述候选目标区域ROI上使用随机擦拭法模拟遮挡,然后,将所述遮挡后的所述候选目标区域ROI替换所述当前原始数据中的目标区域。
经过上述操作后的原始数据则为扩充数据。该方法可用于但不限于目标检测,实例分割,语义分割,全景分割等。为解决现实数据中难以收集到的遮挡问题,难以保证的类别不平衡问题以及小目标问题提供了有效的数据扩充方法,进而能够有效提高检测和分割的精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种数据扩充方法,其特征在于,包括:
设置匹配阈值;
获取带标注的原始数据集及其对应目标集合;
根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;
对所述目标区域进行数据增强处理,获取增强目标区域;
将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。
2.根据权利要求1所述的数据扩充方法,其特征在于,所述获取带标注的原始数据集及其对应目标集合的步骤,包括:
获取带标注的原始数据集及待检测目标信息;
根据所述待检测目标信息,从所述带标注的原始数据集,获取所述目标集合;所述目标集合包括:所述待检测目标类别,宽和高。
3.根据权利要求2所述的数据扩充方法,其特征在于,该方法还包括:
对所述增强目标区域的图像边缘进行平滑处理。
4.根据权利要求2或3所述的数据扩充方法,其特征在于,所述将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本的步骤包括:
设置等效边长阈值;
判断所述当前原始数据中的目标区域的等效边长是否超过所述等效边长阈值;
如果超过所述等效边长阈值,则采用所述增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本;
如果不超过所述等效边长阈值,则将所述增强目标区域至少一次黏贴在所述原始数据样本图像中,获取带有增强目标区域的原始数据样本。
5.根据权利要求4所述的数据扩充方法,其特征在于,所述如果超过所述等效边长阈值,则采用所述增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本的步骤,还包括:
获取遮挡块属性信息;
根据所述遮挡块属性信息,对所述增强目标区域进行随机遮挡,获取遮挡后的增强目标区域;
采用所述遮挡后的增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本。
6.一种数据扩充装置,其特征在于,包括:
预设单元,用于设置匹配阈值;
信息获取单元,用于获取带标注的原始数据集及其对应目标集合;
目标获取单元,用于根据所述匹配阈值,获取所述带标注的原始数据集中当前原始数据在所述目标集合中对应的目标区域;
增强单元,用于对所述目标区域进行数据增强处理,获取增强目标区域;
样本信息获取单元,用于将所述增强目标区域添加到所述当前原始数据中,获取带有增强目标区域的原始数据样本。
7.根据权利要求6所述的数据扩充装置,其特征在于,所述信息获取单元,还用于获取带标注的原始数据集及待检测目标信息;根据所述待检测目标信息,从所述带标注的原始数据集,获取所述目标集合;所述目标集合包括:所述待检测目标类别,高和宽。
8.根据权利要求7所述的数据扩充装置,其特征在于,该装置还包括:
平滑处理单元,用于对所述增强目标区域的图像边缘进行平滑处理。
9.根据权利要求7或8所述的数据扩充装置,其特征在于,所述样本信息获取单元,还用于设置等效边长阈值;判断所述当前原始数据中的目标区域的等效边长是否超过所述等效边长阈值;如果超过所述等效边长阈值,则采用所述增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本;如果不超过所述等效边长阈值,则将所述增强目标区域至少一次黏贴在所述原始数据样本图像中,获取带有增强目标区域的原始数据样本。
10.根据权利要求9所述的数据扩充装置,其特征在于,所述样本信息获取单元,还用于获取遮挡块属性信息;根据所述遮挡块属性信息,对所述增强目标区域进行随机遮挡,获取遮挡后的增强目标区域;采用所述遮挡后的增强目标区域替换原始数据样本的目标区域,获取带有增强目标区域的原始数据样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911315197.7A CN111159150A (zh) | 2019-12-19 | 2019-12-19 | 一种数据扩充方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911315197.7A CN111159150A (zh) | 2019-12-19 | 2019-12-19 | 一种数据扩充方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111159150A true CN111159150A (zh) | 2020-05-15 |
Family
ID=70557373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911315197.7A Pending CN111159150A (zh) | 2019-12-19 | 2019-12-19 | 一种数据扩充方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111159150A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215815A (zh) * | 2020-10-12 | 2021-01-12 | 杭州视在科技有限公司 | 一种用于建筑工地的裸土覆盖自动检测方法 |
CN113012176A (zh) * | 2021-03-17 | 2021-06-22 | 北京百度网讯科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
CN113111966A (zh) * | 2021-04-29 | 2021-07-13 | 北京九章云极科技有限公司 | 一种图像处理方法和图像处理系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617624A (zh) * | 2013-12-13 | 2014-03-05 | 哈尔滨工业大学 | 用于高速视觉测量的基于合作目标的实时全局搜索方法 |
CN105374018A (zh) * | 2015-12-18 | 2016-03-02 | 厦门大学 | 一种对图像进行区域增强的方法 |
CN106776876A (zh) * | 2016-11-29 | 2017-05-31 | 用友网络科技股份有限公司 | 数据迁移方法和数据迁移系统 |
CN107644170A (zh) * | 2017-08-31 | 2018-01-30 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108805094A (zh) * | 2018-06-19 | 2018-11-13 | 合肥工业大学 | 基于人工脸的数据增强方法 |
CN109614455A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学 | 一种基于深度学习的地理信息的自动标注方法及装置 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109697464A (zh) * | 2018-12-17 | 2019-04-30 | 环球智达科技(北京)有限公司 | 基于物体检测和特征搜索的精确目标识别的方法及系统 |
CN109726404A (zh) * | 2018-12-29 | 2019-05-07 | 安徽省泰岳祥升软件有限公司 | 端到端模型的训练数据增强方法、装置及介质 |
CN109740626A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 基于深度学习的乳腺癌病理切片中癌症区域的检测方法 |
CN109858476A (zh) * | 2019-01-30 | 2019-06-07 | 中兴飞流信息科技有限公司 | 标签的扩充方法和电子设备 |
CN109902390A (zh) * | 2018-12-13 | 2019-06-18 | 中国石油大学(华东) | 一种基于小样本扩充的有利储层发育区预测方法 |
CN110021022A (zh) * | 2019-02-21 | 2019-07-16 | 哈尔滨理工大学 | 一种基于深度学习的甲状腺核医学图像诊断方法 |
CN110163376A (zh) * | 2018-06-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 样本检测方法、媒体对象的识别方法、装置、终端及介质 |
CN110246132A (zh) * | 2019-06-23 | 2019-09-17 | 中车青岛四方车辆研究所有限公司 | 轨道车辆螺栓松动检测方法及系统 |
CN110288019A (zh) * | 2019-06-21 | 2019-09-27 | 北京百度网讯科技有限公司 | 图像标注方法、装置和存储介质 |
-
2019
- 2019-12-19 CN CN201911315197.7A patent/CN111159150A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617624A (zh) * | 2013-12-13 | 2014-03-05 | 哈尔滨工业大学 | 用于高速视觉测量的基于合作目标的实时全局搜索方法 |
CN105374018A (zh) * | 2015-12-18 | 2016-03-02 | 厦门大学 | 一种对图像进行区域增强的方法 |
CN106776876A (zh) * | 2016-11-29 | 2017-05-31 | 用友网络科技股份有限公司 | 数据迁移方法和数据迁移系统 |
CN107644170A (zh) * | 2017-08-31 | 2018-01-30 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN110163376A (zh) * | 2018-06-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 样本检测方法、媒体对象的识别方法、装置、终端及介质 |
CN108805094A (zh) * | 2018-06-19 | 2018-11-13 | 合肥工业大学 | 基于人工脸的数据增强方法 |
CN109636772A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 |
CN109740626A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 基于深度学习的乳腺癌病理切片中癌症区域的检测方法 |
CN109614455A (zh) * | 2018-11-28 | 2019-04-12 | 武汉大学 | 一种基于深度学习的地理信息的自动标注方法及装置 |
CN109902390A (zh) * | 2018-12-13 | 2019-06-18 | 中国石油大学(华东) | 一种基于小样本扩充的有利储层发育区预测方法 |
CN109697464A (zh) * | 2018-12-17 | 2019-04-30 | 环球智达科技(北京)有限公司 | 基于物体检测和特征搜索的精确目标识别的方法及系统 |
CN109726404A (zh) * | 2018-12-29 | 2019-05-07 | 安徽省泰岳祥升软件有限公司 | 端到端模型的训练数据增强方法、装置及介质 |
CN109858476A (zh) * | 2019-01-30 | 2019-06-07 | 中兴飞流信息科技有限公司 | 标签的扩充方法和电子设备 |
CN110021022A (zh) * | 2019-02-21 | 2019-07-16 | 哈尔滨理工大学 | 一种基于深度学习的甲状腺核医学图像诊断方法 |
CN110288019A (zh) * | 2019-06-21 | 2019-09-27 | 北京百度网讯科技有限公司 | 图像标注方法、装置和存储介质 |
CN110246132A (zh) * | 2019-06-23 | 2019-09-17 | 中车青岛四方车辆研究所有限公司 | 轨道车辆螺栓松动检测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215815A (zh) * | 2020-10-12 | 2021-01-12 | 杭州视在科技有限公司 | 一种用于建筑工地的裸土覆盖自动检测方法 |
CN113012176A (zh) * | 2021-03-17 | 2021-06-22 | 北京百度网讯科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
CN113012176B (zh) * | 2021-03-17 | 2023-12-15 | 阿波罗智联(北京)科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
CN113111966A (zh) * | 2021-04-29 | 2021-07-13 | 北京九章云极科技有限公司 | 一种图像处理方法和图像处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414559B (zh) | 智能零售柜商品目标检测统一框架的构建方法及商品识别方法 | |
CN109753913B (zh) | 计算高效的多模式视频语义分割方法 | |
CN111462183A (zh) | 一种基于注意力机制双流网络的行为识别方法及系统 | |
CN111091091A (zh) | 目标对象重识别特征的提取方法、装置、设备及存储介质 | |
CN111159150A (zh) | 一种数据扩充方法及装置 | |
CN112329702B (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
CN111027343B (zh) | 条形码区域定位方法和装置 | |
CN112055172B (zh) | 一种监控视频的处理方法、装置以及存储介质 | |
CN107085726A (zh) | 基于多方法去噪和连通区域分析的甲骨拓片单字定位方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN104573675A (zh) | 作业图像的展示方法和装置 | |
CN110689134A (zh) | 执行机器学习过程的方法、装置、设备以及存储介质 | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及系统 | |
CN112052907A (zh) | 基于图像边缘信息的目标检测方法、装置及存储介质 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
CN112926595A (zh) | 深度学习神经网络模型的训练装置、目标检测系统及方法 | |
CN109033797B (zh) | 一种权限设置方法及装置 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 | |
CN110555344B (zh) | 车道线识别方法、装置、电子设备、存储介质 | |
Dimiccoli et al. | Hierarchical region-based representation for segmentation and filtering with depth in single images | |
US20160196473A1 (en) | Video Extraction Method and Device | |
CN113794815A (zh) | 用于提取视频关键帧的方法、装置及控制器 | |
CN106469267A (zh) | 一种验证码样本收集方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200515 |
|
WD01 | Invention patent application deemed withdrawn after publication |