CN111160219A - 对象完整度评估方法、装置、电子设备及存储介质 - Google Patents
对象完整度评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111160219A CN111160219A CN201911366237.0A CN201911366237A CN111160219A CN 111160219 A CN111160219 A CN 111160219A CN 201911366237 A CN201911366237 A CN 201911366237A CN 111160219 A CN111160219 A CN 111160219A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- evaluated
- trained
- scale
- network
- 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
Images
Classifications
-
- 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明实施例提供一种对象完整度评估方法、装置、电子设备及存储介质,所述方法包括:将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征;将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果;和/或将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果;基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。本发明能够评估对象完整度,以降低重识别模型或属性识别模型的误识别率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种对象完整度评估方法、装置、电子设备及存储介质。
背景技术
在安防领域中,基于人工智能的图像识别占有极其重要的地位,比如重识别以及属性识别等。重识别是一种跨设备识别技术,可以理解为一个图像采集设备采集到某个待评估对象,通过在其余设备中查找该待评估对象对应的图像,从而自动得到该待评估对象在哪些地方出现过的结构化信息;属性识别是一种将基于目标检测的识别技术,比如识别目标人员穿的衣服颜色或款式,目标车辆的轮胎形状等。然而,在真实场景中,由于相机的安装位置和待评估对象姿态等因素,导致获取感兴趣目标出现不完整的情况,比如出现图像采集设备采集到的图像中,待评估对象是被图像边缘截断的,或者待评估对象某部分被其他物体遮挡,而重识别模型或属性识别模型在不知道待识别对象是否完整的情况下进行识别,可能会导致误识别。
发明内容
本发明实施例提供一种对象完整度评估方法,能够评估对象完整度,以降低重识别模型或属性识别模型的误识别率。
第一方面,本发明实施例提供一种对象完整度评估方法,包括:
将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或
将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;
基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。
可选的,所述预先训练好的第一评估网络包括第一尺度评价算子以及第二尺度评价算子,所述第一评估结果包括第一尺度比例以及第二尺度比例,所述通过所述第一全连接层输出第一评估结果,包括:
通过所述第一尺度评价算子,计算得到第一尺度特征;
通过所述第二尺度评价算子,计算得到第二尺度特征;
将所述第一尺度特征以及第二尺度特征分别通过激活函数进行映射,对应得到第一尺度比例以及第二尺度比例;
所述基于所述第一评估结果对所述待评估图像的待评估对象进行完整度评估包括:
计算第一尺度比例与第二尺度比例之和,并根据所述第一尺度比例与第二尺度比例之和对所述待评估图像的待评估对象进行完整度评估。
可选的,所述第一评估网络的训练,包括:
构建对象样本数据集,所述对象样本数据集中包括每个对象样本的第一尺度比例标注以及第二尺度比例标注;
构建第一损失函数,并通过的所述对象样本数据集对所述第一损失函数迭代计算,训练得到最小第一损失函数,其中,所述第一损失函数的输入为样本特征的激活函数映射。
可选的,所述预先训练好的第二评估网络包括多个属性评价算子,所述第二评估结果包括多个属性值,所述通过所述预先训练好的第二评估网络输出第二评估结果,包括:
通过所述多个属性评价算子,计算得到对应的多个属性特征;
将所述多个属性特征通过二分类映射到二值空间,得到对应的多个属性值。
可选的,所述第二评估网络的训练,包括:
构建属性样本数据集,所述属性样本数据集中包括每个属性样本的正样本标注;
构建第二损失函数,并通过的所述属性样本数据集对所述第二损失函数迭代计算,训练得到最小第二损失函数,其中,所述第二损失函数的输入为样本特征的激活函数映射。
可选的,所述方法还包括:
将所述池化特征输入预先训练好的第三评估网络,通过所述预先训练好的第三评估网络输出第三评估结果;
其中,所述预先训练好的第三评估网络包括反卷积算子以对所述池化特征进行反卷积计算,所述第三评估结果包括待评估对象的置信度掩膜;
基于所述第一评估结果、第二评估结果、第三评估结果中的到少一个对待评估图像的待评估对象进行完整度评估。
可选的,所述通过所述预先训练好的第三评估网络输出第三评估结果,包括:
对所述池化特征进行反卷积计算,得到所述待评估对象的反卷积特征图;
在所述反卷积特征图划分为N个评估区域;
计算每个评估区域为所述待评估对象的置信度;
根据所述置信度,对各个评估区域进行掩膜。
第二方面,本发明实施例提供一种对象完整度评估装置,包括:
提取模块,用于将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
第一计算模块,用于将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或
第二计算模块,用于将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;
评估模块,用于基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上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本发明实施例提供的对象完整度评估方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的对象完整度评估方法中的步骤。
本发明实施例中,将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
在本发明实施例中,将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。通过对提取到的对象进行尺度因子和/或属性因子计算,使得计算结果中包括对象的尺度和/或属性,通过对象的尺度和/或属性对图像中的对象进行评估,从而能够评估对象完整度,以降低重识别模型或属性识别模型的误识别率。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种对象完整度评估方法的流程图;
图2是本发明实施例提供的另一种对象完整度评估方法的流程图;
图3是本发明实施例提供的一种对象完整度评估装置的结构示意图;
图4是本发明实施例提供的另一种对象完整度评估装置的结构示意图;
图5是本发明实施例提供的另一种对象完整度评估装置的结构示意图;
图6是本发明实施例提供的另一种对象完整度评估装置的结构示意图;
图7是本发明实施例提供的另一种对象完整度评估装置的结构示意图;
图8是本发明实施例提供的另一种对象完整度评估装置的结构示意图;
图9是本发明实施例提供的另一种对象完整度评估装置的结构示意图;
图10是本发明实施例提供的一种电子设备的结构示意图。
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,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种对象完整度评估方法的流程图,如图1所示,包括以下步骤:
101、将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征。
上述的待评估图像可以是用户自行上传,也可以是通过图像采集设备拍摄后实时上传。在一种可能的实施例中,对于自动的重识别任务,针对第一个待评估对象,在重识别后,可以根据重识别的结果进行自动建档,此时,可以是图像采集设备自动对每一帧图像进行上传。
上述待评估图像包括待评估对象,上述的待评估图像可以是运动对象,上述的运动对象指的是可以从一个空间位置移动到另一个空间位置的对象,比如人员、车辆、船只、动物等运动对象。
上述的卷积神经神经网络可以是轻量的卷积神经网络,轻量的卷积神经网络由于算法的压缩,可以快速提取目标特征。比如,上述卷积神经网络可以是基于MobilenetV2_0.5构架的卷积神经网络,以MobilenetV2_0.5为主干网络的模型可以达到高速逐帧处理检测和跟踪对象。需要说明的是,上述的卷积神经网络也可以称为主干网络。上述的卷积神经网络包括卷积层以及池化层,上述的卷积层用于特征提取,上述的池化层用于对特征图像进行下采样,以得到感受野更大的特征图像,上述的池化特征指的是对特征图像进行下采样后的特征图像。上述的池化特征可以是在卷积神经网络中任一池化层进行提取,也可以是在卷积神经网络中的最后几层池化层进行提取,本发明实施例中,在卷积神经网络中的倒数第二层进行提取,即可以保证足够的感受野,也保留了较丰富的细节特征。
102、将所述池化特征输入预先训练好的第一评估网络,通过预先训练好的第一评估网络输出第一评估结果。
上述预先训练好的第一评估网络包括上述待评估对象的尺度评价算子。
在该步骤中,上述的尺度评价算子可以是用于提取池化特征中尺度特征的计算核,使得上述第一评估网络中输出的结果具有尺度信息,从而可以根据该尺度信息对待评估对象进行评估。
具体的,上述预先训练好的第一评估网络包括第一尺度评估算子以及第二尺度评估算子,上述的第一评估网络输出的第一评估结果包括第一尺度比例以及第二尺度比例。通过第一尺度评估算子,可以计算得到第一尺度比例,通过第二尺度评估算子,可以计算得到第二尺度比例。比如,对于一个待评估对象,可以通过第一尺度评估算子,计算该待评估对象的第一尺度比例,通过第二尺度评估算子,计算该待评估对象的第二尺度比例。
上述的第一尺度比例可以是任意方向上的待评估对象的截断比例,上述的第二尺度比例可以是与第一尺度比例在相对方向上的待评估对象的截断比例。上述的截断指的是待评估对象被图像边缘分割掉的部分,而并非遮挡。
举例来说,假设以人体作为待评估对象,上述的尺度比例可以是人体超出图像边缘的部分与人体本身的比例,比如第一尺度比例可以由上到下方向上的截断,此时,第一尺度比例可以是人体上半身截断比例,上述的上半身截断指从上到下人体缺失部分占人体的比例;第二尺度比例可以是由下到上方向上的截断,此时,第二尺度比例以是人体下半身截断比例,上述的下半身截断指人睛到上人体缺失部分占人体的比例。以人体为例,其余类型的待评估对象也可以对应设置第一尺度比例与第二尺度比例,比如,当车辆作为待评估对象时,第一尺度比例可以是车辆前半身截断比例,第二尺度比例可以是车辆后半身截断比例等。
更具体的,第一评估网络中包括第一全连接层,在第一全连接层中,通过第一尺度评价算子,将池化特征映射到第一节点上,得到第一尺度特征,通过第二尺度评价算子,将池化特征映射到第二节点上,得到第二尺度特征。第一评估网络中还包括激活层,上述激活层可以是激活函数sigmoid,也可以是tanh函数、Relu函数等激活函数,对第一尺度特征以及第二尺度特征的对应的特征值进行映射,使得到第一节点与第二节点对应的特征值的值域在在0到1之间,通过浮点数进行表达,以符合第一尺度比例以及第二尺度比例的比例表达形式。
在本发明实施例中,上述的第一评估网络的训练可以是先构建对象样本数据集,再通过样本数据集对第一评估网络进行训练。
具体的,对象样本数据集可以是人体对象样本数据集、车辆对象样本数据集、船只样本数据集、动物样本数据集等。上述的对象样本集中标注了第一尺度比例以及第二尺度比例作为标签数据,使得到第一评估网络可以根据标签进行训练,以学习到不同对象的第一尺度比例以及第二尺度比例。需要说明的是,上述的对象样本数据集的标注可以采用人工标,也可以采用算法标注。在标注过程中,上述的第一尺度比例t0为0≤t0<1,上述的第二尺度比例t1为0≤t1<1,其中,在同一个样本中,t0+t1<1。
进一步的,构建第一损失函数,在训练过程中,需要最小化损失函数,具体的,第一损失函数可以是如下的损失函数:
其中,上述的N表示样本数,表示第一评估网络中第一全连接层的两个输出,即第一尺度特征以及第二尺度特征,经过sigmoid转换到[0,1]范围作为第一尺度比例以及第二尺度比例,yt表示样本对应的尺度比例标签。在训练过程中,可以采用梯度下降法对该第一损失函数进行迭代计算,得到最小化的损失函数。具体的,对于一个样本输入,期望该样本输入通过第一评估网络后的输入是接近或等于该样本的标签的,在上述的损失函数,样本输入为sigmoid与yt越接近,其绝对值就越小。在将模型训练到收敛后,得到最小损失函数,第一评估网络训练完成,可以通过验证集对该第一评估网络进行验证,验证集中也包括带有标签的样本数据,与训练不同的是,在前向推理阶段,只输入样本数据而不输入标签,在第一评估网络输入对应的评估结果后,再与对应的标签进行比对,计算第一评估网络的准确度。
本发明实施例中,上述第一评估网络中,将样本特征通过sigmoid转换到[0,1]范围作为损失函数的输入,对输入进行约束,可使第一评估网络的收敛速度更快。
103、将池化特征输入预先训练好的第二评估网络,通过预先训练好的第二评估网络输出第二评估结果。
其中,上述预先训练好的第二评估网络包括对象属性评价算子。
在该步骤中,上述的属性评价算子可以是用于提取池化特征中属性特征的计算核,使得上述第二评估网络中输出的结果具有属性信息,从而可以根据该属性信息对待评估对象进行评估。
具体的,上述预先训练好的第二评估网络包括多个属性评估算子,上述的第二评估网络输出的第二评估结果包括多个属性值。上述的属性评估算子可以根据待评估对象所需要划分的属性类型进行确定,比如一个待评估对象可以通过三个属性进行描述,则可以设置三个属性评估算子,使得第二评估结果包括该三个属性值。上述的属性值可以是0或1,可以通过0或1确定该待评估对象是否具有对应属性,比如,人体可以通过头部、胸部、腹部、大腿和小腿共五个部分的属性类型进行描述,当待评估对象在图像中头部与腹部不可见时,则头部与腹部的属性值可以为0,其他可见的胸部、大腿和小腿对应的属性值为1。同样的,上述的以人体为例,对于其他的对象,也可以采用类似的属性类型设置方式确定通过多小个属性来描述该对象的特征,比对车辆,可以设置车头、车身、车尾、轮胎等属性类型用来描述车辆的特征。等等。
通过各个属性评估算子,对应可以计算得到属性值,比如,对于一个待评估对象为人体的情况,可以通过头部属性评价算子,计算该待评估对象的头部属性值,通过胸部属性评价算子,计算该待评估对象的胸部属性值。需要说明的是,上述的第二评估网络输出的第二结果为0或1的二值结果,即是可见或不可见。上述第二评估网络输出的第二评估结果可以是向量的形式,比如,以人体的五个属性值为例,第二评估结果可以对应为[p0,p1,p2,p3,p4]的五维向量,如果该区段可见,则属性值为1,否则为0。例如向量[0,1,1,1,0]表示胸部、腹部和大腿可见,而头部和小腿是不可见的。
更具体的,第二评估网络中包括第二全连接层,在第二全连接层中,通过属性评价算子,将池化特征映射到对应各个属性的节点(向量维度)上,得到对应的各个特征。第二评估网络为二值预测网络,即对每个属性预测结果输出0或1。
在本发明实施例中,上述的第二评估网络的训练可以是先构建对象样本数据集,再通过样本数据集对第二评估网络进行训练。
具体的,对象样本数据集可以是人体对象样本数据集、车辆对象样本数据集、船只样本数据集、动物样本数据集等。上述的对象样本集中标注了各个属性可见性标签,比如,对于可见的属性,则标签为1,不可见的不标注,没有标签,即该样本数据集中可以只对正样本进行标注。在一种可能的实施例中,上述的对象样本数据集中也可以包括负样本标签,即对被遮挡的属性进行标注,使其标签为0。需要说明的是,上述的对象样本数据集的标注可以采用人工标,也可以采用算法标注。
进一步的,构建第二损失函数,在训练过程中,需要最小化损失函数,具体的,第二损失函数可以是如下的损失函数:
其中,N表示样本数,上述的M表达有M个属性对应的节点,当然,上述的,表示可见属性对应的节点的第二全连接层输出,经过激活函数映射成[0,1]的可见概率,具体的,可以是通过激活函数sigmoid映射成[0,1]的可见概率,采用交叉熵损失函数计算各个节点总的损失。i表示节点索引,yni表示节点i对应的标签。在训练过程中,可以采用梯度下降法对该第二损失函数进行迭代计算,得到最小化的损失函数。具体的,对于一个正样本输入,期望该正样本输入通过第二评估网络后的输入是等于标签的,在上述的损失函数,正样本输入为与1越接近,其正样本标签的绝对值就越小,比如,正样本标签为1,则yni=1,此时损失函数为:
在得到最小损失函数后,第二评估网络训练完成,可以通过验证集对该第二评估网络进行验证,验证集中也包括带有标签的样本数据,与训练不同的是,在前向推理阶段,只输入样本数据而不输入标签,在第二评估网络输入对应的评估结果后,再与对应的标签进行比对,计算第二评估网络的准确度。
本发明实施例中,上述第二评估网络中,将样本特征通过sigmoid转换到[0,1]范围作为损失函数的输入,对输入进行约束,可使第二评估网络的收敛速度更快。
104、基于第一评估结果和/或第二评估结果对待评估图像的待评估对象进行完整度评估。
在本发明实施例中,基于第一评估结果可以对待评估对象进行完整度评估,具体的,第一评估结果包括第一尺度比例与第二尺度比例,可以计算第一尺度比例与第二尺度比例之和,判断第一尺度比例与第二尺度比例之和是否小于一个预设的比例阈值,比如小于0.2,则可以认为该待评估对象为完整的,可以在重识别和属性识别中作为输入。当第一尺度比例与第二尺度比例之和等于0时,则说明该待评估对象没有被图像边缘所截断。当第一尺度比例与第二尺度比例之和越接近1时,则说明该待评估对象被图像边缘所截断的部分越大。
基于第二评估结果可以对待评估对象进行完整度评估,具体的,第二评估结果包括多个属性值,上述的属性值可以被第二评估网络输出为一个向量,该向量中包括对应于各个属性的维度值,比如,以待评估对象为人体进行举例,该人体通过头部、胸部、腹部、小腿和大腿等五个属性进行表征,则第二评估网络输入的第二结果为[p0,p1,p2,p3,p4]的一个五维向量,可以通过设置评估向量对该第二评估结果进行计算,具体的,计算第二评估结果与评估向量之间的相似度,从而根据相似度对该待评估结果进行判断。比如,评估向量可以是[1,1,1,1,1]的一个五维向量,第二评估结果与评估向量的相似度越高,则待评估对象的完整度越高。
基于第一评估结果与第二评估结果对待评估对象进行完整度评估,可以是通过第一评估评估结果中第一尺度比例与第二尺度比例之和A,以及第二评估结果与评估向量的相似度B共同进行计算,可以通过下述公式进行计算总的评估分数C:
C=(aA-bB)2
其中,上述的a、b为一个乘法系数,代表A和B占总评估分数的权重,上述的评估分数C越大越好,可以设置一个评估分数阈值来对评估分数C进行判断,当评估分数C大于该评估分数阈值,则可以认为该待评估对象的完整度达到重识别和属性识别的要求。
在一种可能的实施例中,基于第一评估结果与第二评估结果对待评估对象进行完整度评估,还可以是将第一评估结果中的第一尺度比例与第二尺度比例融合到第二评估结果的向量中,在第二评估结果的向量中增加两个维度,作为第一尺度比例与第二尺度比例的维度,可以设置一个总的评估向量,对融合第一评估结果与第二评估结果的向量进行相似度计算,相似度大于一个阈值时,则可以认为该待评估对象的完整度达到重识别和属性识别的要求。比如,第二评估结果为[p0,p1,p2,p3,p4]的一个五维向量,融合后,增加了第一尺度比例t0以及第二尺度比例t1,则融合后的向量可以是[t0,t1,p0,p1,p2,p3,p4]一个七维向量,上述的评估向量可以是[0,0,1,1,1,1,1]的一个七维向量。
基于第一评估结果与第二评估结果的两种方式,都综合了第一评估结果与第二评估结果的评估维度,使得评估更精准。
在本发明实施例中,将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。通过对提取到的对象进行尺度因子和/或属性因子计算,使得计算结果中包括对象的尺度和/或属性,通过对象的尺度和/或属性对图像中的对象进行评估,从而能够评估对象完整度,以降低重识别模型或属性识别模型的误识别率。
需要说明的是,本发明实施例提供的对象完整度评估方法可以应用于需要对目标对象的完整度进行评估的手机、监控器、计算机、服务器等设备。
请参见图2,图2是本发明实施例提供的另一种对象完整度评估方法的流程示意图,如图2所示,所述方法包括:
201、将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取待评估图像的池化特征。
其中,上述待评估图像包括待评估对象。
202、将池化特征输入预先训练好的第三评估网络,通过所述预先训练好的第三评估网络输出第三评估结果。
其中,上述的预先训练好的第三评估网络包括反卷积算子以对上述的池化特征进行反卷积计算,得到反卷积的特征图像。具体的,反卷积算子包括放大因子,以将池化特征放大为预先设置的比例数。上述的放大因子可以是任意数值,比如2或3,则是将池化特征通过反卷积层放大2或3倍进行展示。
上述的第三评估结果包括待评估对象的置信度掩膜。上述的置信度掩膜可以理解为对属性待评估对象的区域进行掩膜。具体的,通过反卷积算子对池化特征进行反卷积计算,得到待评估对象的反卷积特征图像,在该反卷积特征图像中进行区域划分,将该反卷积特征图像划分为N个评估区域,比如划分为16×8个评估区域;计算每个评估区域为待评估对象的置信度,根据该置信度与置信度阈值的比较,当置信度大于置信度阈值的区域进行掩膜,比如,可以将大于该置信度阈值的区域掩膜为1,小于该置信度阈值的区域掩膜为0。上述的置信度表示该区域可见的概率。在第三结果中,区域掩膜为1的评估区域为对象可见区域,区域掩膜为0的评估区域为对象不可见区域。
在本发明实施例中,上述的第三评估网络的训练可以是构建对象样本数据集,通过样本数据集对第三评估网络进行训练。
具体的,对象样本数据集可以是人体对象样本数据集、车辆对象样本数据集、船只样本数据集、动物样本数据集等。上述的对象样本集中标注了各个可见性掩码标签,比如,对于可见的对象区域,则标签为1,不可见的对象区域不标注,没有标签,即该样本数据集中可以只对正样本进行标注。在一种可能的实施例中,上述的对象样本数据集中也可以包括负样本标签,即对被遮挡的属性进行标注,使其标签为0。需要说明的是,上述的对象样本数据集的标注可以采用人工标,也可以采用算法标注。
进一步的,构建第三损失函数,在训练过程中,需要最小化损失函数,具体的,第三损失函数可以是如下的损失函数:
其中,N表示样本数,表示各个区域的反卷积层输出,经过激活函数映射成[0,1]的置信度,具体的,可以是通过激活函数sigmoid映射成[0,1]的置信度,ym表示评估区域m对应的置信度标签。在训练过程中,可以采用梯度下降法对该第二损失函数进行迭代计算,得到最小化的损失函数。具体的,对于一个正样本输入,期望该正样本输入通过第三评估网络后的输入是等于标签的,在上述的损失函数,正样本输入为与ym越接近,其正样本标签的绝对值就越小。
在得到最小损失函数后,第三评估网络训练完成,可以通过验证集对该第三评估网络进行验证,验证集中也包括带有标签的样本数据,与训练不同的是,在前向推理阶段,只输入样本数据而不输入标签,在第三评估网络输入对应的评估结果后,再与对应的标签进行比对,计算第三评估网络的准确度。
本发明实施例中,上述第三评估网络中,将样本特征通过sigmoid转换到[0,1]范围作为损失函数的输入,对输入进行约束,可使第三评估网络的收敛速度更快。
203、基于第一评估结果、第二评估结果、第三评估结果中的到少一个对待评估图像的待评估对象进行完整度评估。
基于第三评估结果可以对待评估对象进行完整度评估,具体的,第三评估结果包括多个评估区域的掩膜值,上述的掩膜值可以被第三评估网络输出为一个矩阵,该矩阵中包括对应于各个评估区域的掩膜值,比如,以待评估对象为人体进行举例,该人体通过16×8个评估区域进行表征,则第三评估网络输入的第三结果为16×8的一个平面张量矩阵,可以通过设置评估矩阵对该第三评估结果进行计算,具体的,计算第三评估结果与评估矩阵之间的相似度,从而根据相似度对该待评估结果进行判断。比如,评估矩阵可以是16×8的一个平面张量矩阵,第三评估结果与评估矩阵的相似度越高,则待评估对象的完整度越高。
可选的,可以基于第一评估结果、第二评估结果以及第三评估结果中任意两个或三个对待评估对象的完整度进行评估。
其中,任意两个评估结果的结合可以参照图1中对应的实施例,采用下述公式进行:
C=(aA-bB)2
其中,上述的a、b为一个乘法系数,代表A和B占总评估分数的权重,当其中一个为第一评估结果时,上述的评估分数C越大越好,可以设置一个第一评估分数阈值来对评估分数C进行判断,当评估分数C大于该第一评估分数阈值,则可以认为该待评估对象的完整度达到重识别和属性识别的要求。当没有第一评估结果时,则上述的评估分数C越小越好,可以设置一个第二分数阈值,当评估分数C小于该第二评估分数阈值时,则可以认为该待评估对象的完整度达到重识别和属性识别的要求。
可选的,三个评估结果的结合可以采用下述公式进行:
C=(aA-bB-dD)2
其中,上述的A代表第一评估结果中的第一尺度比例与第二尺度比例之和,上述的B代表第二评估结果与评估向量的相似度,上述的D代表第三评估结果与评估矩阵的相似度,上述的a、b、c为一个乘法系数,代表A、B、C占总评估分数的权重,上述的评估分数C越大越好,可以设置第三评估分数阈值来对评估分数C进行判断,当评估分数C大于该第三评估分数阈值,则可以认为该待评估对象的完整度达到重识别和属性识别的要求。
可选的,上述的第一评估网络的训练、第二评估网络的训练以及第三评估网络的训练可以是单独与卷积神经网络进行训练,也可以是联合与卷积神经网络进行训练。
具体的,在联合训练时,对象样本数据集中的样本数据包括多类标签,即对于第一损失函数设置第一类标签,对于第二损失函数设置第二类标签,对于第三损失函数设置第三类标签,再对不同类标签添加对应的标签值。比如,第一类标签可以是yt,第二类标签可以是yni,第三类标签可以是ym,在通过样本数据进行训练时,则会根据不同的标签类型,将对应的标签值输入到对应的损失函数中。在联合训练时,当各个损失函数之和达到最小值,则训练完成。
需要说明的是,上述的联合训练可以是任意两个评估网络进行联合,也可以是三个评估网络进行联合。
基于第一评估结果、第二评估结果以及第三评估结果,综合了第一评估结果、第二评估结果以及第三评估结果的评估维度,使得评估更精准。
在本发明实施例中,将所述池化特征输入预先训练好的第三评估网络,通过所述预先训练好的第三评估网络输出第三评估结果;其中,所述预先训练好的第三评估网络包括反卷积算子以对所述池化特征进行反卷积计算,所述第三评估结果包括待评估对象的置信度掩膜;基于所述第三评估结果对所述待评估图像的待评估对象进行完整度评估。通过对提取到的对象进行置信度掩膜,使得计算结果中包括对象的可见区域置信度,通过对象的对象的可见区域置信度对图像中的对象进行评估,从而能够评估对象完整度,以降低重识别模型或属性识别模型的误识别率。
需要说明的是,本发明实施例提供的对象完整度评估方法可以应用于需要对目标对象的完整度进行评估的手机、监控器、计算机、服务器等设备。
请参见图3,图3是本发明实施例提供的一种对象完整度评估装置的结构示意图,如图3所示,所述装置包括:
提取模块301,用于将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
第一计算模块302,用于将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或
第二计算模块303,用于将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;
评估模块304,用于基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。
可选的,如图4所示,所述预先训练好的第一评估网络包括第一尺度评价算子以及第二尺度评价算子,所述第一评估结果包括第一尺度比例以及第二尺度比例,所述第一计算模块302,包括:
第一计算单元3021,用于通过所述第一尺度评价算子,计算得到第一尺度特征;
第二计算单元3022,用于通过所述第二尺度评价算子,计算得到第二尺度特征;
第一映射单元3023,用于将所述第一尺度特征以及第二尺度特征分别通过激活函数进行映射,对应得到第一尺度比例以及第二尺度比例;
所述评估模块304还用于计算第一尺度比例与第二尺度比例之和,并根据所述第一尺度比例与第二尺度比例之和对所述待评估图像的待评估对象进行完整度评估。
可选的,如图5所示,所述装置还包括:
第一样本模块305,用于构建对象样本数据集,所述对象样本数据集中包括每个对象样本的第一尺度比例标注以及第二尺度比例标注;
第一训练模块306,用于构建第一损失函数,并通过的所述对象样本数据集对所述第一损失函数迭代计算,训练得到最小第一损失函数,其中,所述第一损失函数的输入为样本特征的激活函数映射。
可选的,如图6所示,所述预先训练好的第二评估网络包括多个属性评价算子,所述第二评估结果包括多个属性值,所述第二计算模块303,包括:
第三计算单元3031,用于通过所述多个属性评价算子,计算得到对应的多个属性特征;
第二映射单元3032,用于将所述多个属性特征通过二分类映射到二值空间,得到对应的多个属性值。
可选的,如图7所示,所述装置还包括:
第二样本模块307,用于构建属性样本数据集,所述属性样本数据集中包括每个属性样本的正样本标注;
第二训练模块308,用于构建第二损失函数,并通过的所述属性样本数据集对所述第二损失函数迭代计算,训练得到最小第二损失函数,其中,所述第二损失函数的输入为样本特征的激活函数映射。
可选的,如图8所示,所述装置还包括:
第三计算模块309,用于将所述池化特征输入预先训练好的第三评估网络,通过所述预先训练好的第三评估网络输出第三评估结果;
其中,所述预先训练好的第三评估网络包括反卷积算子以对所述池化特征进行反卷积计算,所述第三评估结果包括待评估对象的置信度掩膜;
所述评估模块304还用于基于第一评估结果、第二评估结果、第三评估结果中的到少一个对待评估图像的待评估对象进行完整度评估。
可选的,如图9所示,所述第三计算模块309,包括:
第四计算单元3091,用于对所述池化特征进行反卷积计算,得到所述待评估对象的反卷积特征图;
划分单元3092,用于在所述反卷积特征图划分为N个评估区域;
第五计算单元3093,用于计算每个评估区域为所述待评估对象的置信度;
掩膜单元3094,用于根据所述置信度,对各个评估区域进行掩膜。
需要说明的是,本发明实施例提供的对象完整度评估装置可以应用于需要对目标对象的完整度进行评估的手机、监控器、计算机、服务器等设备。
本发明实施例提供的对象完整度评估装置能够实现上述方法实施例中对象完整度评估方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图10,图10是本发明实施例提供的一种电子设备的结构示意图,如图10所示,包括:存储器1002、处理器1001及存储在所述存储器1002上并可在所述处理器1001上运行的计算机程序,其中:
处理器1001用于调用存储器1002存储的计算机程序,执行如下步骤:
将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或
将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;
基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。
可选的,所述预先训练好的第一评估网络包括第一尺度评价算子以及第二尺度评价算子,所述第一评估结果包括第一尺度比例以及第二尺度比例,处理器1001执行的所述通过所述第一全连接层输出第一评估结果,包括:
通过所述第一尺度评价算子,计算得到第一尺度特征;
通过所述第二尺度评价算子,计算得到第二尺度特征;
将所述第一尺度特征以及第二尺度特征分别通过激活函数进行映射,对应得到第一尺度比例以及第二尺度比例;
所述基于所述第一评估结果对所述待评估图像的待评估对象进行完整度评估包括:
计算第一尺度比例与第二尺度比例之和,并根据所述第一尺度比例与第二尺度比例之和对所述待评估图像的待评估对象进行完整度评估。
可选的,处理器1001执行的所述第一评估网络的训练包括,包括:
构建对象样本数据集,所述对象样本数据集中包括每个对象样本的第一尺度比例标注以及第二尺度比例标注;
构建第一损失函数,并通过的所述对象样本数据集对所述第一损失函数迭代计算,训练得到最小第一损失函数,其中,所述第一损失函数的输入为样本特征的激活函数映射。
可选的,所述预先训练好的第二评估网络包括多个属性评价算子,所述第二评估结果包括多个属性值,处理器1001执行的所述通过所述预先训练好的第二评估网络输出第二评估结果,包括:,包括:
通过所述多个属性评价算子,计算得到对应的多个属性特征;
将所述多个属性特征通过二分类映射到二值空间,得到对应的多个属性值。
可选的,处理器1001执行的所述第二评估网络的训练,包括:
构建属性样本数据集,所述属性样本数据集中包括每个属性样本的正样本标注;
构建第二损失函数,并通过的所述属性样本数据集对所述第二损失函数迭代计算,训练得到最小第二损失函数,其中,所述第二损失函数的输入为样本特征的激活函数映射。
可选的,处理器1001还执行包括:
将所述池化特征输入预先训练好的第三评估网络,通过所述预先训练好的第三评估网络输出第三评估结果;
其中,所述预先训练好的第三评估网络包括反卷积算子以对所述池化特征进行反卷积计算,所述第三评估结果包括待评估对象的置信度掩膜;
基于所述基于第一评估结果、第二评估结果、第三评估结果中的到少一个对待评估图像的待评估对象进行完整度评估。
可选的,处理器1001执行的所述通过所述预先训练好的第三评估网络输出第三评估结果,包括:
对所述池化特征进行反卷积计算,得到所述待评估对象的反卷积特征图;
在所述反卷积特征图划分为N个评估区域;
计算每个评估区域为所述待评估对象的置信度;
根据所述置信度,对各个评估区域进行掩膜。
需要说明的是,上述电子设备可以是可以应用于需要对目标对象的完整度进行评估的手机、监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中对象完整度评估方法实现的各个过程,且可以达到相同的有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的对象完整度评估方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
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)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种对象完整度评估方法,其特征在于,包括以下步骤:
将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或
将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;
基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。
2.如权利要求1所述的方法,其特征在于,所述预先训练好的第一评估网络包括第一尺度评价算子以及第二尺度评价算子,所述第一评估结果包括第一尺度比例以及第二尺度比例,所述通过所述第一全连接层输出第一评估结果,包括:
通过所述第一尺度评价算子,计算得到第一尺度特征;
通过所述第二尺度评价算子,计算得到第二尺度特征;
将所述第一尺度特征以及第二尺度特征分别通过激活函数进行映射,对应得到第一尺度比例以及第二尺度比例;
所述基于所述第一评估结果对所述待评估图像的待评估对象进行完整度评估包括:
计算第一尺度比例与第二尺度比例之和,并根据所述第一尺度比例与第二尺度比例之和对所述待评估图像的待评估对象进行完整度评估。
3.如权利要求2所述的方法,其特征在于,所述第一评估网络的训练包括:
构建对象样本数据集,所述对象样本数据集中包括每个对象样本的第一尺度比例标注以及第二尺度比例标注;
构建第一损失函数,并通过的所述对象样本数据集对所述第一损失函数迭代计算,训练得到最小第一损失函数,其中,所述第一损失函数的输入为样本特征的激活函数映射。
4.如权利要求1所述的方法,其特征在于,所述预先训练好的第二评估网络包括多个属性评价算子,所述第二评估结果包括多个属性值,所述通过所述预先训练好的第二评估网络输出第二评估结果,包括:
通过所述多个属性评价算子,计算得到对应的多个属性特征;
将所述多个属性特征通过二分类映射到二值空间,得到对应的多个属性值。
5.如权利要求4所述的方法,其特征在于,所述第二评估网络的训练,包括:
构建属性样本数据集,所述属性样本数据集中包括每个属性样本的正样本标注;
构建第二损失函数,并通过的所述属性样本数据集对所述第二损失函数迭代计算,训练得到最小第二损失函数,其中,所述第二损失函数的输入为样本特征的激活函数映射。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
将所述池化特征输入预先训练好的第三评估网络,通过所述预先训练好的第三评估网络输出第三评估结果;
其中,所述预先训练好的第三评估网络包括反卷积算子以对所述池化特征进行反卷积计算,所述第三评估结果包括待评估对象的置信度掩膜;
基于所述第一评估结果、第二评估结果、第三评估结果中的到少一个对待评估图像的待评估对象进行完整度评估。
7.如权利要求6所述的方法,其特征在于,所述通过所述预先训练好的第三评估网络输出第三评估结果,包括:
对所述池化特征进行反卷积计算,得到所述待评估对象的反卷积特征图;
在所述反卷积特征图划分为N个评估区域;
计算每个评估区域为所述待评估对象的置信度;
根据所述置信度,对各个评估区域进行掩膜。
8.一种对象完整度评估装置,其特征在于,所述装置包括:
提取模块,用于将待评估图像输入预先训练好的卷积神经网络进行特征计算,提取所述待评估图像的池化特征,所述待评估图像包括待评估对象;
第一计算模块,用于将所述池化特征输入预先训练好的第一评估网络,通过所述预先训练好的第一评估网络输出第一评估结果,所述预先训练好的第一评估网络包括所述待评估对象的尺度评价算子;和/或
第二计算模块,用于将所述池化特征输入预先训练好的第二评估网络,通过所述预先训练好的第二评估网络输出第二评估结果,其中,所述预先训练好的第二评估网络包括对象属性评价算子;
评估模块,用于基于所述第一评估结果和/或所述第二评估结果对所述待评估图像的待评估对象进行完整度评估。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上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权利要求1至7中任一项所述的对象完整度评估方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的对象完整度评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911366237.0A CN111160219B (zh) | 2019-12-26 | 2019-12-26 | 对象完整度评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911366237.0A CN111160219B (zh) | 2019-12-26 | 2019-12-26 | 对象完整度评估方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160219A true CN111160219A (zh) | 2020-05-15 |
CN111160219B CN111160219B (zh) | 2022-04-26 |
Family
ID=70558301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911366237.0A Active CN111160219B (zh) | 2019-12-26 | 2019-12-26 | 对象完整度评估方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160219B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613490A (zh) * | 2021-01-08 | 2021-04-06 | 云从科技集团股份有限公司 | 一种行为识别方法、装置、机器可读介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291810A (zh) * | 2017-05-18 | 2017-10-24 | 深圳云天励飞技术有限公司 | 数据处理方法、装置及存储介质 |
CN108269250A (zh) * | 2017-12-27 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于卷积神经网络评估人脸图像质量的方法和装置 |
CN108280412A (zh) * | 2018-01-12 | 2018-07-13 | 西安电子科技大学 | 基于变结构cnn的高分辨sar图像目标检测方法 |
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN108876908A (zh) * | 2018-06-12 | 2018-11-23 | 哈尔滨工业大学 | 一种基于重建模型完整度的空间目标三维重建评估方法及应用 |
CN109784293A (zh) * | 2019-01-24 | 2019-05-21 | 苏州科达科技股份有限公司 | 多类目标对象检测方法、装置、电子设备、存储介质 |
CN110070533A (zh) * | 2019-04-23 | 2019-07-30 | 科大讯飞股份有限公司 | 一种目标检测结果的评测方法、装置、设备及存储介质 |
US20190272439A1 (en) * | 2016-11-10 | 2019-09-05 | Nippon Telegraph And Telephone Corporation | Image evaluation device, image evaluation method, and image evaluation program |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
-
2019
- 2019-12-26 CN CN201911366237.0A patent/CN111160219B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190272439A1 (en) * | 2016-11-10 | 2019-09-05 | Nippon Telegraph And Telephone Corporation | Image evaluation device, image evaluation method, and image evaluation program |
CN107291810A (zh) * | 2017-05-18 | 2017-10-24 | 深圳云天励飞技术有限公司 | 数据处理方法、装置及存储介质 |
CN108269250A (zh) * | 2017-12-27 | 2018-07-10 | 武汉烽火众智数字技术有限责任公司 | 基于卷积神经网络评估人脸图像质量的方法和装置 |
CN108280412A (zh) * | 2018-01-12 | 2018-07-13 | 西安电子科技大学 | 基于变结构cnn的高分辨sar图像目标检测方法 |
CN108510485A (zh) * | 2018-03-27 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的无参照图像质量评估方法 |
CN108876908A (zh) * | 2018-06-12 | 2018-11-23 | 哈尔滨工业大学 | 一种基于重建模型完整度的空间目标三维重建评估方法及应用 |
CN109784293A (zh) * | 2019-01-24 | 2019-05-21 | 苏州科达科技股份有限公司 | 多类目标对象检测方法、装置、电子设备、存储介质 |
CN110070533A (zh) * | 2019-04-23 | 2019-07-30 | 科大讯飞股份有限公司 | 一种目标检测结果的评测方法、装置、设备及存储介质 |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
Non-Patent Citations (3)
Title |
---|
CI-WEI LAN等: "A Privacy Reinforcement Approach against De-identified Dataset", 《2011 IEEE 8TH INTERNATIONAL CONFERENCE ON E-BUSINESS ENGINEERING》 * |
吴丹等: "融合掩码约束算法的Spindle Net行人重识别网络", 《长春理工大学学报(自然科学版)》 * |
杜久伦: "多视图行人重识别算法研究与数据采集", 《中国优秀硕士全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613490A (zh) * | 2021-01-08 | 2021-04-06 | 云从科技集团股份有限公司 | 一种行为识别方法、装置、机器可读介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111160219B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414432B (zh) | 对象识别模型的训练方法、对象识别方法及相应的装置 | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN110210551A (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN112966697B (zh) | 基于场景语义的目标检测方法、装置、设备及存储介质 | |
CN111523621A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
KR20180057096A (ko) | 표정 인식과 트레이닝을 수행하는 방법 및 장치 | |
CN110555481A (zh) | 一种人像风格识别方法、装置和计算机可读存储介质 | |
CN111476806B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN110222718B (zh) | 图像处理的方法及装置 | |
CN115862136A (zh) | 基于骨骼关节的轻量级加油员行为识别方法及装置 | |
CN113705596A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN114821014A (zh) | 基于多模态与对抗学习的多任务目标检测识别方法及装置 | |
Ravi et al. | Sign language recognition with multi feature fusion and ANN classifier | |
CN112200056A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN115797929A (zh) | 基于双注意力机制的小型农田图像分割方法、装置 | |
CN113033523B (zh) | 跌倒判断模型的构建方法及系统、跌倒判断方法及系统 | |
CN114764870A (zh) | 对象定位模型处理、对象定位方法、装置及计算机设备 | |
CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN111160219B (zh) | 对象完整度评估方法、装置、电子设备及存储介质 | |
CN114022684B (zh) | 人体姿态估计方法及装置 | |
CN115546668A (zh) | 海洋生物的检测方法、装置及无人机 | |
CN113870320A (zh) | 一种基于深度神经网络的行人追踪监控方法及系统 | |
CN112434576A (zh) | 一种基于深度相机的人脸识别方法及系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518000 1st floor, building 17, Shenzhen Dayun software Town, 8288 Longgang Avenue, Yuanshan street, Longgang District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Yuntian lifeI Technology Co., Ltd Address before: 518000 1st floor, building 17, Shenzhen Dayun software Town, 8288 Longgang Avenue, Yuanshan street, Longgang District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN INTELLIFUSION TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |