CN111177811A - 一种应用于云平台的消防点位自动布图的方法 - Google Patents
一种应用于云平台的消防点位自动布图的方法 Download PDFInfo
- Publication number
- CN111177811A CN111177811A CN201911350105.9A CN201911350105A CN111177811A CN 111177811 A CN111177811 A CN 111177811A CN 201911350105 A CN201911350105 A CN 201911350105A CN 111177811 A CN111177811 A CN 111177811A
- Authority
- CN
- China
- Prior art keywords
- fire
- image
- fighting
- cloud platform
- point location
- 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 35
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000779 smoke Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种应用于云平台的消防点位自动布图的方法,通过构建多种类别的消防点位训练模型,每种类别的消防点位训练模型检测出待识别的图像上的同类别消防点位位置坐标和类别信息,通过多种类别的消防点位训练模型,可以检测出带识别图像上所有消防点位位置坐标和类别信息,并且多种类别的消防点位训练模型检测的速度快、效率高和准确率高;通过在传统SVM分类模型构建的基础上增设了难例处理的步骤,将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,增加了SVM分类模型的参数,使得SVM分类模型检测结果误差更小、检测结果更精确。
Description
技术领域
本发明涉及点位布图领域,尤其涉及一种应用于云平台的消防点位自动布图的方法。
背景技术
随着物联网的普及,基于物联网的智慧消防物联云平台已经被广泛使用。由于智慧消防物联云平台联网单位多,因此,会产生大量的消防图纸,消防图纸一般是DWG格式的图纸,而智慧消防物联云平台不支持查看DWG格式的文件,因此,只能把DWG格式的消防图纸转换成PNG格式或者JPG格式的图片,这样才能在智慧消防物联云平台上显示。智慧消防物联云平台需要将消防图纸上的消防电位全部标注在PNG格式或者JPG格式的图片。由于消防图纸上的消防设备点位非常多,通过人工布图存在成本高、时间长和误差大的缺点,因此,为解决上述问题,本发明提供一种应用于云平台的消防点位自动布图的方法,可以提高消防点位布图的效率和准确率。
发明内容
有鉴于此,本发明提出了一种应用于云平台的消防点位自动布图的方法,可以提高消防点位布图的效率和准确率。
本发明的技术方案是这样实现的:本发明提供了一种应用于云平台的消防点位自动布图的方法,包括以下步骤:
S1、将待检测的消防图纸分别转换成两张相同的图片,分别将两张图片命名为显示图片和识别图片;
S2、构建训练模型;
S3、根据训练模型检测识别图片上的消防点位位置坐标和类别信息;
S4、按照识别图片和显示图片的比例,将S2中获取到的消防点位位置坐标和类别信息转换到显示图片,并将显示图片部署在智慧消防物联云平台。
在以上技术方案的基础上,优选的,训练模型包括多类别的消防点位训练模型,每种类别的消防点位训练模型检测同类别消防点位的消防点位位置坐标和类别信息。
进一步优选的,S2中构建训练模型具体包括以下步骤:
S101、在待检测的图片中包含目标图像的区域截取固定大小的图像,标记为正样本,将所有正样本存入正样本集;不包括目标图像的区域截取相同大小的图像标记为负样本,将所有负样本存入负样本集;
S102、将正样本和负样本进行灰度化与归一化处理;
S103、设置最大迭代次数与最小误差,分别对正样本和负样本进行循环计算,分别得到正特征向量和负特征向量;
S104、使用SVM分类器对正特征向量和负特征向量不断迭代训练,生成一个SVM分类模型;
S105、将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,并将训练后的SVM分类模型保存为xml文件,为检测识别图片上的消防点位位置坐标和类别信息提供基础。
进一步优选的,目标图像包括:烟感、温感、灭火器具和消火栓。
进一步优选的,SVM分类模型只能判断检测的图像是否与目标图像属于同类别点位。
进一步优选的,S3具体包括以下步骤:
S201、构建一个与训练过程相同纬度的正特征向量和负特征向量,并用训练得到的SVM分类模型来设置该特征向量;
S202、将识别图片切割成固定大小的小图像,记录小图像中每个像素的原始坐标位置,并将小图像按照切割先后顺次排成图像矩阵;
S203、从图像矩阵的左上角,从左到右,从上到下遍历进行检测,并设置阈值,当检测的相似度大于该阈值时,即认为该区域的图像属于该类别,小于该阈值时不作处理。
进一步优选的,S203中还包括计算结束后将小图片删除。
本发明的一种应用于云平台的消防点位自动布图的方法相对于现有技术具有以下有益效果:
(1)通过构建多种类别的消防点位训练模型,每种类别的消防点位训练模型检测出待识别的图像上的同类别消防点位位置坐标和类别信息,通过多种类别的消防点位训练模型,可以检测出带识别图像上所有消防点位位置坐标和类别信息,并且多种类别的消防点位训练模型检测的速度快、效率高和准确率高;
(2)通过在传统SVM分类模型构建的基础上增设了难例处理的步骤,将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,增加了SVM分类模型的参数,使得SVM分类模型检测结果误差更小、检测结果更精确;
(3)通过使用GPU进行图像处理,相比于传统的CPU处理,其处理速度相当于CPU处理速度的2倍,同时,为了进一步提高GPU处理速度,本是实施例中将计算结束后将小图片删除,减少计算机的存储消耗。
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为本发明一种应用于云平台的消防点位自动布图的方法的流程图;
图2为本发明一种应用于云平台的消防点位自动布图的方法中消防图纸转换示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
实施例1
如图1和图2所示,本发明的一种应用于云平台的消防点位自动布图的方法,包括以下步骤:
S1、将待检测的消防图纸分别转换成两张相同的图片,分别将两张图片命名为显示图片和识别图片;
本实施例中,消防图纸为DWG格式,需要将DWG格式的消防图纸转换为PNG格式或者JPG格式的图片,其中,转换过程可以通过现有的软件转换,本实施例并不涉及对格式转换的改进。
S2、构建训练模型;
进一步优选的,训练模型包括多类别的消防点位训练模型,每种类别的消防点位训练模型检测同类别消防点位的消防点位位置坐标和类别信息。例如,烟感的消防点位训练模型只能在检测烟感时,判断当前检测的图像是否属于烟感类别,若属于,则获取检测到的烟感点位位置坐标和类别信息;若不属于,烟感的消防点位训练模型不做处理。
S3、根据训练模型检测识别图片上的消防点位位置坐标和类别信息;
进一步优选的,训练模型检测的过程具体包括以下步骤:
S4、按照识别图片和显示图片的比例,将S2中获取到的消防点位位置坐标和类别信息转换到显示图片,并将显示图片部署在智慧消防物联云平台。
本实施例的有益效果为:通过构建多种类别的消防点位训练模型,每种类别的消防点位训练模型检测出待识别的图像上的同类别消防点位位置坐标和类别信息,通过多种类别的消防点位训练模型,可以检测出带识别图像上所有消防点位位置坐标和类别信息,并且多种类别的消防点位训练模型检测的速度快、效率高和准确率高。
实施例2
在实施例1的基础上,本实施例提供构建训练模型的方法。本实施例中,每种类别的消防点位训练模型的构建方法相同,因此,在此只介绍一种类别的消防点位训练模型的构建方法,具体包括以下步骤:
S101、在待检测的图片中包含目标图像的区域截取固定大小的图像,标记为正样本,将所有正样本存入正样本集;不包括目标图像的区域截取相同大小的图像标记为负样本,将所有负样本存入负样本集;
S102、将正样本和负样本进行灰度化与归一化处理;
其中,灰度化是将图像看做一个灰度的三维图像。本实施例中,采用Gamma校正法对输入图像进行颜色空间的归一化,归一化的目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰。对正样本和负样本进行灰度化和归一化处理的方法可以通过现有技术实现,本实施例,不对灰度化和归一化处理的方法进行详细介绍。
S103、设置最大迭代次数与最小误差,分别对正样本和负样本进行循环计算,分别得到正特征向量和负特征向量;
本实施例中,采用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征方法提取正样本和负样本的特征向量。其中,HOG特征是图像处理中经常被用到的方法,其基本原理是计算图像中局部区域的梯度方向信息,并统计出这些特征信息,并根据特征信息生成特征描述子即特征向量。由于HOG特征的计算过程及原理,目前各论文期刊中已有比较成熟的概述,并且主流的计算机视觉库中也进行了较好的封装和集成,本实施例中不作详细说明。
本实施例具体是通过:分别对样本图像进行循环计算。例如正样本中若有1000张图片,则可以得到1000个正特征向量;负样本中若有1500张图片,则可以得到1500个负特征向量。
S104、使用SVM分类器对正特征向量和负特征向量不断迭代训练,生成一个SVM分类模型;SVM分类模型只能判断检测的图像是否与目标图像属于同类别点位。
其中,使用SVM分类器不断迭代训练,最后生成一个SVM分类模型属于现有技术,因此,在此不再累述。
S105、将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,并将训练后的SVM分类模型保存为xml文件,为检测识别图片上的消防点位位置坐标和类别信息提供基础。
在本步骤中,图像检测中检测错误图像或未检测出的目标称之为难例,为了进一步提高检测的准确性,本步骤将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,即增加了SVM分类模型的参数,进而使SVM分类模型检测结果更精确。
本实施例的有益效果为:通过在传统SVM分类模型构建的基础上增设了难例处理的步骤,将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,增加了SVM分类模型的参数,使得SVM分类模型检测结果误差更小、检测结果更精确。
实施例3
在实施例2的基础上,本实施例提供,根据训练模型检测识别图片上的消防点位位置坐标和类别信息的方法,具体包括以下步骤:
S201、构建一个与训练过程相同纬度的正特征向量和负特征向量,并用训练得到的SVM分类模型来设置该特征向量;
S202、将识别图片切割成固定大小的小图像,记录小图像中每个像素的原始坐标位置,并将小图像按照切割先后顺次排成图像矩阵;
由于待检测的识别图片分辨率较大,多数超过10000*10000像素,在计算整体的HOG特征时容易造成计算机内存溢出,因此需要将识别图像切割成固定大小的小图像。
S203、从图像矩阵的左上角,从左到右,从上到下遍历进行检测,并设置阈值,当检测的相似度大于该阈值时,即认为该区域的图像属于该类别,小于该阈值时不作处理。
本实施例中,采用GPU进行图像处理。为了减小计算机的存储消耗,计算结束后将小图片删除。
本实施例的有益效果为:通过使用GPU进行图像处理,相比于传统的CPU处理,其处理速度相当于CPU处理速度的2倍,同时,为了进一步提高GPU处理速度,本是实施例中将计算结束后将小图片删除,减少计算机的存储消耗。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种应用于云平台的消防点位自动布图的方法,其特征在于:包括以下步骤:
S1、将待检测的消防图纸分别转换成两张相同的图片,分别将两张图片命名为显示图片和识别图片;
S2、构建训练模型;
S3、根据训练模型检测识别图片上的消防点位位置坐标和类别信息;
S4、按照识别图片和显示图片的比例,将S2中获取到的消防点位位置坐标和类别信息转换到显示图片,并将显示图片部署在智慧消防物联云平台。
2.如权利要求1所述的一种应用于云平台的消防点位自动布图的方法,其特征在于:所述训练模型包括多类别的消防点位训练模型,每种类别的消防点位训练模型检测同类别消防点位的消防点位位置坐标和类别信息。
3.如权利要求2所述的一种应用于云平台的消防点位自动布图的方法,其特征在于:所述S2中构建训练模型具体包括以下步骤:
S101、在待检测的图片中包含目标图像的区域截取固定大小的图像,标记为正样本,将所有正样本存入正样本集;不包括目标图像的区域截取相同大小的图像标记为负样本,将所有负样本存入负样本集;
S102、将正样本和负样本进行灰度化与归一化处理;
S103、设置最大迭代次数与最小误差,分别对正样本和负样本进行循环计算,分别得到正特征向量和负特征向量;
S104、使用SVM分类器对正特征向量和负特征向量不断迭代训练,生成一个SVM分类模型;
S105、将未检测出的目标图像和检测错误的非目标图像重新截取出来,扩充到正负样本集中,重新训练SVM分类模型,并将训练后的SVM分类模型保存为xml文件,为检测识别图片上的消防点位位置坐标和类别信息提供基础。
4.如权利要求3所述的一种应用于云平台的消防点位自动布图的方法,其特征在于:所述目标图像包括:烟感、温感、灭火器具和消火栓。
5.如权利要求3所述的一种应用于云平台的消防点位自动布图的方法,其特征在于:所述SVM分类模型只能判断检测的图像是否与目标图像属于同类别点位。
6.如权利要求3所述的一种应用于云平台的消防点位自动布图的方法,其特征在于:所述S3具体包括以下步骤:
S201、构建一个与训练过程相同纬度的正特征向量和负特征向量,并用训练得到的SVM分类模型来设置该特征向量;
S202、将识别图片切割成固定大小的小图像,记录小图像中每个像素的原始坐标位置,并将小图像按照切割先后顺次排成图像矩阵;
S203、从图像矩阵的左上角,从左到右,从上到下遍历进行检测,并设置阈值,当检测的相似度大于该阈值时,即认为该区域的图像属于该类别,小于该阈值时不作处理。
7.如权利要求6所述的一种应用于云平台的消防点位自动布图的方法,其特征在于:所述S203中还包括计算结束后将小图片删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350105.9A CN111177811A (zh) | 2019-12-24 | 2019-12-24 | 一种应用于云平台的消防点位自动布图的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350105.9A CN111177811A (zh) | 2019-12-24 | 2019-12-24 | 一种应用于云平台的消防点位自动布图的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177811A true CN111177811A (zh) | 2020-05-19 |
Family
ID=70650264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911350105.9A Pending CN111177811A (zh) | 2019-12-24 | 2019-12-24 | 一种应用于云平台的消防点位自动布图的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177811A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184663A (zh) * | 2020-09-27 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车抗蛇行减震器安装座异物检测方法 |
CN113204818A (zh) * | 2021-04-27 | 2021-08-03 | 特斯联科技集团有限公司 | 一种基于单位的消防室站的布局方法和装置 |
CN113743434A (zh) * | 2020-05-29 | 2021-12-03 | 华为技术有限公司 | 一种目标检测网络的训练方法、图像增广方法及装置 |
CN115481084A (zh) * | 2022-09-06 | 2022-12-16 | 中铁四局集团电气化工程有限公司 | 一种bim模型资源管理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020072881A1 (en) * | 2000-12-08 | 2002-06-13 | Tracker R&D, Llc | System for dynamic and automatic building mapping |
CN106709452A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN107832662A (zh) * | 2017-09-27 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 一种获取图片标注数据的方法和系统 |
CN109035278A (zh) * | 2018-07-25 | 2018-12-18 | 深圳市荣盛智能装备有限公司 | 基于图像的消防门及其开关状态的检测方法 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109525668A (zh) * | 2018-11-20 | 2019-03-26 | 武汉理工光科股份有限公司 | 基于云平台的消防物联网远程监控系统 |
CN109657622A (zh) * | 2018-12-21 | 2019-04-19 | 广东工业大学 | 一种交通信号灯的检测与识别方法、装置及设备 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
-
2019
- 2019-12-24 CN CN201911350105.9A patent/CN111177811A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020072881A1 (en) * | 2000-12-08 | 2002-06-13 | Tracker R&D, Llc | System for dynamic and automatic building mapping |
CN106709452A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN107832662A (zh) * | 2017-09-27 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 一种获取图片标注数据的方法和系统 |
WO2019232862A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 嘴巴模型训练方法、嘴巴识别方法、装置、设备及介质 |
CN109035278A (zh) * | 2018-07-25 | 2018-12-18 | 深圳市荣盛智能装备有限公司 | 基于图像的消防门及其开关状态的检测方法 |
CN109446369A (zh) * | 2018-09-28 | 2019-03-08 | 武汉中海庭数据技术有限公司 | 图像半自动标注的交互方法及系统 |
CN109525668A (zh) * | 2018-11-20 | 2019-03-26 | 武汉理工光科股份有限公司 | 基于云平台的消防物联网远程监控系统 |
CN109657622A (zh) * | 2018-12-21 | 2019-04-19 | 广东工业大学 | 一种交通信号灯的检测与识别方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
王萍: "CAD图中电气设备标识的自动识别", 《工程设计CAD与智能建筑》 * |
陶倩文等: "基于消防安全疏散标志的高精度室内视觉定位", 《交通信息与安全》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743434A (zh) * | 2020-05-29 | 2021-12-03 | 华为技术有限公司 | 一种目标检测网络的训练方法、图像增广方法及装置 |
CN112184663A (zh) * | 2020-09-27 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车抗蛇行减震器安装座异物检测方法 |
CN112184663B (zh) * | 2020-09-27 | 2021-07-20 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车抗蛇行减震器安装座异物检测方法 |
CN113204818A (zh) * | 2021-04-27 | 2021-08-03 | 特斯联科技集团有限公司 | 一种基于单位的消防室站的布局方法和装置 |
CN113204818B (zh) * | 2021-04-27 | 2022-01-28 | 特斯联科技集团有限公司 | 一种基于单位的消防室站的布局方法和装置 |
CN115481084A (zh) * | 2022-09-06 | 2022-12-16 | 中铁四局集团电气化工程有限公司 | 一种bim模型资源管理系统 |
CN115481084B (zh) * | 2022-09-06 | 2023-07-11 | 中铁四局集团电气化工程有限公司 | 一种bim模型资源管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11595737B2 (en) | Method for embedding advertisement in video and computer device | |
US10803554B2 (en) | Image processing method and device | |
US10977523B2 (en) | Methods and apparatuses for identifying object category, and electronic devices | |
US20200356818A1 (en) | Logo detection | |
CN111177811A (zh) | 一种应用于云平台的消防点位自动布图的方法 | |
CN111640125B (zh) | 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置 | |
WO2020155518A1 (zh) | 物体检测方法、装置、计算机设备及存储介质 | |
CN108304820B (zh) | 一种人脸检测方法、装置及终端设备 | |
US10726599B2 (en) | Realistic augmentation of images and videos with graphics | |
CN105164700B (zh) | 使用概率模型在视觉数据中检测对象 | |
CN108734120A (zh) | 标注图像的方法、装置、设备和计算机可读存储介质 | |
US10504007B2 (en) | Determination of population density using convoluted neural networks | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
WO2023151237A1 (zh) | 人脸位姿估计方法、装置、电子设备及存储介质 | |
CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN110136198A (zh) | 图像处理方法及其装置、设备和存储介质 | |
CN108805201A (zh) | 目标图像数据集生成方法及其装置 | |
CN109544516B (zh) | 图像检测方法及装置 | |
CN113762269A (zh) | 基于神经网络的中文字符ocr识别方法、系统、介质及应用 | |
CN115393635A (zh) | 一种基于超像素分割以及数据增强的红外小目标检测方法 | |
CN113762051B (zh) | 模型训练方法、图像检测方法、装置、存储介质及设备 | |
Yu et al. | Automatic segmentation of golden pomfret based on fusion of multi-head self-attention and channel-attention mechanism | |
CN110390724A (zh) | 一种带有实例分割的slam方法 | |
CN110910478B (zh) | Gif图生成方法、装置、电子设备及存储介质 | |
CN114022509B (zh) | 基于多个动物的监控视频的目标跟踪方法及相关设备 |
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 |
Application publication date: 20200519 |
|
RJ01 | Rejection of invention patent application after publication |