CN111310815A - 图像识别方法、装置、电子设备及存储介质 - Google Patents

图像识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111310815A
CN111310815A CN202010082471.7A CN202010082471A CN111310815A CN 111310815 A CN111310815 A CN 111310815A CN 202010082471 A CN202010082471 A CN 202010082471A CN 111310815 A CN111310815 A CN 111310815A
Authority
CN
China
Prior art keywords
image
recognition
trained
recognition model
training
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
Application number
CN202010082471.7A
Other languages
English (en)
Inventor
卢艺帆
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010082471.7A priority Critical patent/CN111310815A/zh
Publication of CN111310815A publication Critical patent/CN111310815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/254Fusion techniques of classification results, e.g. of results related to same input data

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

本公开提供的图像识别方法、装置、电子设备及存储介质,通过利用可用于识别图像中全类型物体的第一识别模型,以及可用于识别图像中预设类型物体的第二识别模型,分别对图像进行识别处理,以获得相应的第一识别结果以及第二识别结果,从而将二者得到的识别结果进行整合处理,得到图像识别结果。相对于现有技术来说,在保持对全类型物体的高识别准确率的基础上,由于还使用了第二识别模型,其对于预设类型的物体,如长尾类图像,有着较高的识别准确率,从而使得得到的图像识别结果更为精准,进而在利用该图像识别结果进行图像处理时,处理效果更佳。

Description

图像识别方法、装置、电子设备及存储介质
技术领域
本公开实施例涉及图像处理领域,尤其涉及一种图像识别方法、装置、电子设备及存储介质。
背景技术
对图像中的物体类型进行识别是很多图像处理过程中必不可缺的环节,随着机器学习算法的发展,利用神经网络模型对物体类型进行自动识别成为可能。
长尾类物体是指出现的概率较低,或较为不常见的一类物体。在现有技术中,相对于其他类别物体的训练样本数量来说,长尾类物体的训练样本数量较少,因此利用训练完毕的神经网络模型很难对包括长尾类物体的图像进行有效识别。这将在一定程度上影响着图像的整体识别准确率,进而影响着图片处理效果。
发明内容
针对上述问题,本公开提供了一种图像识别方法、装置、电子设备及存储介质。
第一方面,本公开实施例提供一种图像识别方法,包括:
获取待识别图像的图像数据;
将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出所述图像识别结果。
第二方面,本公开实施例提供一种图像识别装置,包括:
获取模块,用于获取待识别图像的图像数据;
第一处理模块,用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
第二处理模块,用于对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出模块,用于输出所述图像识别结果。
第三方面,本公开实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的图像识别方法。
第四方面,本公开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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的图像识别方法。
本实施例提供的图像识别方法、装置、电子设备及存储介质,通过利用可用于识别图像中全类型物体的第一识别模型,以及可用于识别图像中预设类型物体的第二识别模型,分别对图像进行识别处理,以获得相应的第一识别结果以及第二识别结果,从而将二者得到的识别结果进行整合处理,得到图像识别结果。相对于现有技术来说,在保持对全类型物体的高识别准确率的基础上,由于还使用了第二识别模型,其对于预设类型的物体,如长尾类图像,有着较高的识别准确率,从而使得得到的图像识别结果更为精准,进而在利用该图像识别结果进行图像处理时,处理效果更佳。
附图说明
为了更清楚地说明本公开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一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,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为本公开所基于的一种网络架构的示意图;
图2为本公开所基于的另一种网络架构的示意图;
图3为本公开实施例提供的一种图像识别方法的流程示意图;
图4为本公开实施例提供的一种图像识别方法的界面示意图;
图5为本公开实施例提供的另一种图像识别方法的流程示意图;
图6为本公开实施例提供的图像识别装置的结构框图;
图7为本公开实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
由于科技的发展,图像在生活中的应用频率和规模不断提高,对于图像的处理需求也不断增强。对图像中的物体类型进行识别是很多图像处理过程中必不可缺的环节,随着机器学习算法的发展,利用神经网络模型对物体类型进行自动识别成为可能。
物体类型包括多样,其按照出现概率或常见等级划分可分为长尾类物体和非长尾类物体。其中,长尾类物体是指出现的概率较低,或较为不常见的一类物体,例如,老式录音机、老式军背包等淡出市场或淡出人们生活的物品,这类物品在采集获得的图像中出现的概率也较低;而非长尾类物体是指是指出现的概率较高,或较为常见的一类物体,例如,平板电脑、潮牌背包等引领市场潮流或经常出现在人们生活中的物品,这类物品在采集获得的图像中出现的概率也较高。
在现有技术中,当对图像进行识别过程时,需要采集一定数量的训练样本以对模型进行训练,进而利用训练完毕的模型对图像进行有效识别。
但是,由于上述提及的长尾类物体的出现概率较低,其相对于其他类别物体的训练样本数量来说,长尾类物体的训练样本数量较少,因此利用训练完毕的神经网络模型很难对包括长尾类物体的图像进行有效识别。这将在一定程度上影响着图像的整体识别准确率,进而影响着图片处理效果。
针对上述问题,本公开提供了一种图像识别方法、装置、电子设备及存储介质。
参考图1,图1为本公开所基于的一种网络架构的示意图,该图1所示网络架构具体可包括图像识别装置2以及各终端1。
其中,各终端1具体可为用户手机、台式电脑、智能家居设备、平板电脑等可用于采集图像的硬件设备,而图像识别装置2是可与各终端1通过网络进行交互的硬件或软件,其可用于执行下述各示例中所述的图像识别方法,并将从各终端1获得的图像数据进行识别,以得到图像识别结果并进行输出,其中,该输出的对象可为各终端1,也可为其他硬件或软件,如下游处理设备、下游处理服务器等。
参考图2,图2为本公开所基于的另一种网络架构的示意图,该图2所示网络架构具体可包括图像识别装置2以及车辆3。
其中,车辆3上可设置有行车记录仪、摄像头、图像采集设备等可用于采集图像的硬件设备,而图像识别装置2是可与车辆3通过网络进行交互的硬件或软件,其可用于执行下述各示例中所述的图像识别方法,并将从车辆3获得的图像数据进行识别,以得到图像识别结果并进行输出至车辆3。
在上述图1或图2所示的网络架构中,当图像识别装置1为硬件时,其可包括具备运算功能的云端服务器;当图像识别装置1为软件时,其可以安装在具备运算功能的电子设备中,其中的电子设备包括但不限于膝上型便携计算机和台式计算机等等。
也就是说,本公开所基于的图像识别方法具体可基于如图1或图2所示的实施例中,适用于多种应用场景,该应用场景包括但不限于:基于终端的人脸识别场景、基于人体的手势/表情/姿态对于智能家居进行控制的场景、基于自动驾驶车辆的图像雷达识别场景等。
第一方面,参考图3,图3为本公开实施例提供的一种图像识别方法的流程示意图。本公开实施例提供的图像识别方法,包括:
步骤101、获取待识别图像的图像数据。
需要说明的是,本示例的提供的处理方法的执行主体为前述的图像识别装置,其可通过与终端或车辆进行交互,以得到终端或车辆在执行自身任务时采集得到图像。这些图像将被预处理,以成为可用于进行图像识别的待识别图像的图像数据。其中,该预处理包括但不限于对图像进行分割、去噪、矩阵化等处理。
步骤102、将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果。
其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体。
步骤103、对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
步骤104、输出所述图像识别结果。
具体来说,在图像识别装置中,预设有第一识别模型和第二识别模型,该第一识别模型用于识别待识别图像中的各物体的物体类型,即,第一识别模型可识别得到全类型的物体,例如,交通灯、冰箱、人脸等;而第二识别模型仅能识别预设类型的物体,该预设类型则可为前述的长尾类物体,例如,老式录音机等。
需要说明的是,由于第一识别模型和第二识别模型采用了不同的训练样本进行训练,尽管第一识别模型也能够对于预设类型的物体,如长尾类物体进行识别,但其准确性相对较低,针对这一问题,本公开采用了针对于预设类型的物体能够进行准确有效识别的第二识别模型,再次对待识别图像的图像数据进行处理,以得到针对于预设类型的识别结果。
换句话说,在第一识别结果中将包括有物体在第一物体类型的概率,第二识别结果中包括有物体为第二物体类型的概率,其中的第一物体类型包括全类型,如交通灯、冰箱、人脸、老式录音机、老式背包等;而第二物体类型则为预设类型,如老式录音机、老式背包等。也就是说,第二物体类型属于第一物体类型。即,第一识别结果可例如[交通灯(0.05)、冰箱(0.1)、老式录音机(0.1)、老式背包(0.02)];第二识别结果可例如[老式录音机(0.9)、老式背包(0.1)]。
利用非极大值抑制算法对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果,例如[交通灯(0.05)、冰箱(0.1)、老式录音机(0.5)、老式背包(0.08)]。
在其他可选示例中,各识别结果还包括物体在图像中的图像位置;相应的,本实施例还可包括有将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,所述训练完毕的第一识别模型和第二识别模型还用于确定各物体在图像中的图像位置。具体来说,可利用所述训练完毕的第一识别模型和第二识别模型分别对图像数据进行处理,获得图像数据中各物体对应的像素集,其中所述像素集中至少包括组成物体的多个基本像素;根据每个物体像素集中各基本像素的像素坐标范围,确定所每个物体在图像中的图像位置。在输出识别结果时,该图像位置可以矩形框的方式进行展示,其矩形框位置可与像素坐标范围的边界相一致,也可略大于像素坐标范围。
此外,上述的物体类型仅为示例,在实际使用过程中,应基于具体的场景的不同,采用不同集合的物体类型,如自动驾驶场景下,物体类型多为交通、路面、行人、车辆相关;再如家居场景下,物体类型多为智能设备、家居环境装饰等。
最后,将该图像识别结果输出给终端或车辆,以供其执行相应任务,如终端可基于图像识别结果对设备进行控制或状态切换,或,车辆可基于图像识结果进行自动驾驶中测距判定、安全提示等。
图4为本公开实施例提供的一种图像识别方法的界面示意图,如图4所示的,图像识别装置会将图像识别结果发送至下游设备,以使终端在显示界面显示图像识别结果,并输出给用户。如图4所示的终端的智能控制这一场景,终端将采集的当前待识别图像的图像数据发送至图像识别装置,以供其识别得到图像识别结果,随后,终端将在智能控制的图像识别区中展示该图像识别结果,如图4所示,图像识别结果包括“老式录音机”“桌子”以及“电冰箱”这三类物体,每类物体在图像中的图像位置将采用矩形框的方式进行标识,以便于用户查看和终端后续处理。
本实施例提供的图像识别方法,通过利用可用于识别图像中全类型物体的第一识别模型,以及可用于识别图像中预设类型物体的第二识别模型,分别对图像进行识别处理,以获得相应的第一识别结果以及第二识别结果,从而将二者得到的识别结果进行整合处理,得到图像识别结果。相对于现有技术来说,在保持对全类型物体的高识别准确率的基础上,由于还使用了第二识别模型,其对于预设类型的物体,如长尾类图像,有着较高的识别准确率,从而使得得到的图像识别结果更为精准,进而在利用该图像识别结果进行图像处理时,处理效果更佳。
在上述实施例的基础上,图5为本公开实施例提供的另一种图像识别方法的流程示意图,如图5所示的,该方法还包括:
步骤201、建立待训练的识别模型,并获取训练样本,其中,所述训练样本包括多个图像数据,以及每个图像数据中的各物体的物体类型。
步骤202、利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型。
步骤203、获取待识别图像的图像数据。
步骤204、将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果。
其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体。
步骤205、对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
步骤206、输出所述图像识别结果。
与前述实施例不同的是,在本实施例中,还包括有对于第一识别模型和第二识别模型进行训练的过程。
如前所述的,第一识别模型可用于识别待识别图像中各物体类型的物体,第二识别模型可用于识别待识别图像中物体类型为预设类型的物体,而为了更好的让不同识别模型对不同类型的物体进行有效识别,其采用了不同的训练方式。
具体来说,首先,将建立待训练的识别模型,该识别模型具体可基于机器学习算法,其具体架构可由本领域技术人员自行设置。
此外,还需要获取一定数量的训练样本,训练样本具体可为图像数据,以及对图像数据进行的标注信息;该标注信息具体可指图像数据中所包括的各物体的物体类型。其中,标注信息具体可由技术人员标定得到,也可采用现有的自动标定技术对图像数据进行标定处理获得。需要说明的是,该训练样本中应包括有的不同物体类型,即第一物体类型,的样本;其中的第一物体类型的样本具体可包括长尾类物体的样本以及非长尾类物体的样本。可选的,训练样本还包括各图像数据中的各物体的图像位置;所述图像位置由构成所述物体的各基本像素的像素坐标范围确定。
随后,可利用所述训练样本对所述待训练的识别模型进行训练,获得所述训练完毕的第一识别模型。训练后获得的第一识别模型可用于对第一物体类型的物体进行识别。
对所述训练样本进行筛选,获得训练子样本,所述训练子样本包括多个具有预设类型的物体的图像数据。具体的,对训练样本中各物体的物体类型进行筛选,以将预设类型的训练样本,即第二物体类型的训练样本,筛选出来以作为训练子样本。其中的第二物体类型具体可为长尾类。
再后,利用所述训练子样本对所述训练完毕的第一识别模型进行训练,获得所述训练完毕的第二识别模型。具体的,为了获得可用于对预设类型的物体进行准确识别的第二识别模型,在第一识别模型的基础上,还将利用前述获得的训练子样本对第一识别模型进行再次训练,以得到第二识别模型。
最后,可执行步骤203-206,以实现利用第一识别模型和第二识别模型对待识别图像的图像数据进行识别,得到图像识别结果,其具体可参见前述的步骤101-步骤104,本实施例在此不进行赘述。
在前述实施例的基础上,本实施例通过利用包括有全类型的训练样本对所述待训练的识别模型进行训练,获得训练完毕的第一识别模型,还将利用包括有预设物体类型的训练子样本对第一识别模型再次进行训练,以得到第二识别模型,从而实现了在保持对全类型物体的高识别准确率的基础上,对于预设类型的物体,如长尾类图像,有着较高的识别准确率的效果。
对应于上文实施例的图像识别方法,图6为本公开实施例提供的图像识别装置的结构框图。为了便于说明,仅示出了与本公开实施例相关的部分。参照图6,所述图像识别装置包括:获取模块10、第一处理模块20、第二处理模块30和输出模块40。
其中,获取模块10,用于获取待识别图像的图像数据;
第一处理模块20,用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
第二处理模块30,用于对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出模块40,用于输出所述图像识别结果。
本公开提供的可选示例中,所述第二处理模块30,具体用于利用非极大值抑制算法对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
本公开提供的可选示例中,各识别结果还包括物体在图像中的图像位置;
相应的,所述第一处理模块20具体用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,所述训练完毕的第一识别模型和第二识别模型还用于确定各物体在图像中的图像位置。
本公开提供的可选示例中,所述第一处理模块20还用于利用所述训练完毕的第一识别模型和第二识别模型分别对图像数据进行处理,获得图像数据中各物体对应的像素集,其中所述像素集中至少包括组成物体的多个基本像素;以及根据每个物体像素集中各基本像素的像素坐标范围,确定所每个物体在图像中的图像位置。
本公开提供的可选示例中,所述第一识别结果,和/或,图像识别结果包括物体为第一物体类型的概率;所述第二识别结果包括物体为第二物体类型的概率,其中,所述第二物体类型为预设类型,且所述第二物体类型属于第一物体类型。
本公开提供的可选示例中,图像识别装置还包括:训练模块;
所述训练模块用于建立待训练的识别模型,并获取训练样本,其中,所述训练样本包括多个图像数据,以及每个图像数据中的各物体的物体类型;以及利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型。
本公开提供的可选示例中,所述训练模块具体用于利用所述训练样本对所述待训练的识别模型进行训练,获得所述训练完毕的第一识别模型;对所述训练样本进行筛选,获得训练子样本,所述训练子样本包括多个具有预设类型的物体的图像数据;以及利用所述训练子样本对所述训练完毕的第一识别模型进行训练,获得所述训练完毕的第二识别模型。
本公开提供的可选示例中,所述训练样本还包括各图像数据中的各物体的图像位置,其中,所述图像位置由构成所述物体的各基本像素的像素坐标范围确定。
本实施例提供的图像识别装置,通过利用可用于识别图像中全类型物体的第一识别模型,以及可用于识别图像中预设类型物体的第二识别模型,分别对图像进行识别处理,以获得相应的第一识别结果以及第二识别结果,从而将二者得到的识别结果进行整合处理,得到图像识别结果。相对于现有技术来说,在保持对全类型物体的高识别准确率的基础上,由于还使用了第二识别模型,其对于预设类型的物体,如长尾类图像,有着较高的识别准确率,从而使得得到的图像识别结果更为精准,进而在利用该图像识别结果进行图像处理时,处理效果更佳。
本实施例提供的电子设备,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
参考图7,其示出了适于用来实现本公开实施例的电子设备900的结构示意图,该电子设备900可以为终端设备或服务器。其中,终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant,简称PDA)、平板电脑(Portable Android Device,简称PAD)、便携式多媒体播放器(Portable MediaPlayer,简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备900可以包括图像识别装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(Read Only Memory,简称ROM)902中的程序或者从存储装置908加载到随机访问存储器(Random Access Memory,简称RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。图像识别装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(Liquid CrystalDisplay,简称LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备900,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM902被安装。在该计算机程序被图像识别装置901执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network,简称LAN)或广域网(Wide Area Network,简称WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以下是本公开的一些实施例。
第一方面,根据本公开的一个或多个实施例,一种图像识别方法,包括:
获取待识别图像的图像数据;
将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出所述图像识别结果。
在本公开提供的可选实施例中,所述对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的识别结果,包括:
利用非极大值抑制算法对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
在本公开提供的可选实施例中,各识别结果还包括物体在图像中的图像位置;
相应的,所述将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果,还包括:
将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,所述训练完毕的第一识别模型和第二识别模型还用于确定各物体在图像中的图像位置。
在本公开提供的可选实施例中,还包括:
利用所述训练完毕的第一识别模型和第二识别模型分别对图像数据进行处理,获得图像数据中各物体对应的像素集,其中所述像素集中至少包括组成物体的多个基本像素;
根据每个物体像素集中各基本像素的像素坐标范围,确定所每个物体在图像中的图像位置。
在本公开提供的可选实施例中,所述第一识别结果,和/或,图像识别结果包括物体为第一物体类型的概率;所述第二识别结果包括物体为第二物体类型的概率,其中,所述第二物体类型为预设类型,且所述第二物体类型属于第一物体类型。
在本公开提供的可选实施例中,还包括:
建立待训练的识别模型,并获取训练样本,其中,所述训练样本包括多个图像数据,以及每个图像数据中的各物体的物体类型;
利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型。
在本公开提供的可选实施例中,所述利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型,包括:
利用所述训练样本对所述待训练的识别模型进行训练,获得所述训练完毕的第一识别模型;
对所述训练样本进行筛选,获得训练子样本,所述训练子样本包括多个具有预设类型的物体的图像数据;
利用所述训练子样本对所述训练完毕的第一识别模型进行训练,获得所述训练完毕的第二识别模型。
在本公开提供的可选实施例中,还包括:
所述训练样本还包括各图像数据中的各物体的图像位置;所述图像位置由构成所述物体的各基本像素的像素坐标范围确定。
第二方面,根据本公开的一个或多个实施例,一种图像识别装置,包括:
获取模块,用于获取待识别图像的图像数据;
第一处理模块,用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
第二处理模块,用于对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出模块,用于输出所述图像识别结果。
在本公开提供的可选实施例中,所述第二处理模块,具体用于利用非极大值抑制算法对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
在本公开提供的可选实施例中,各识别结果还包括物体在图像中的图像位置;
相应的,所述第一处理模块具体用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,所述训练完毕的第一识别模型和第二识别模型还用于确定各物体在图像中的图像位置。
在本公开提供的可选实施例中,所述第一处理模块还用于利用所述训练完毕的第一识别模型和第二识别模型分别对图像数据进行处理,获得图像数据中各物体对应的像素集,其中所述像素集中至少包括组成物体的多个基本像素;以及根据每个物体像素集中各基本像素的像素坐标范围,确定所每个物体在图像中的图像位置。
在本公开提供的可选实施例中,所述第一识别结果,和/或,图像识别结果包括物体为第一物体类型的概率;所述第二识别结果包括物体为第二物体类型的概率,其中,所述第二物体类型为预设类型,且所述第二物体类型属于第一物体类型。
在本公开提供的可选实施例中,图像识别装置还包括:训练模块;
所述训练模块用于建立待训练的识别模型,并获取训练样本,其中,所述训练样本包括多个图像数据,以及每个图像数据中的各物体的物体类型;以及利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型。
在本公开提供的可选实施例中,所述训练模块具体用于利用所述训练样本对所述待训练的识别模型进行训练,获得所述训练完毕的第一识别模型;对所述训练样本进行筛选,获得训练子样本,所述训练子样本包括多个具有预设类型的物体的图像数据;以及利用所述训练子样本对所述训练完毕的第一识别模型进行训练,获得所述训练完毕的第二识别模型。
在本公开提供的可选实施例中,所述训练样本还包括各图像数据中的各物体的图像位置,其中,所述图像位置由构成所述物体的各基本像素的像素坐标范围确定。
第三方面,根据本公开的一个或多个实施例,一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如前任一项所述的图像识别方法。
第四方面,根据本公开的一个或多个实施例,一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如前任一项所述的图像识别方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (18)

1.一种图像识别方法,其特征在于,包括:
获取待识别图像的图像数据;
将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出所述图像识别结果。
2.根据权利要求1所述的图像识别方法,其特征在于,所述对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的识别结果,包括:
利用非极大值抑制算法对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
3.根据权利要求1所述的图像识别方法,其特征在于,各识别结果还包括物体在图像中的图像位置;
相应的,所述将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果,还包括:
将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,所述训练完毕的第一识别模型和第二识别模型还用于确定各物体在图像中的图像位置。
4.根据权利要求3所述的图像识别方法,其特征在于,还包括:
利用所述训练完毕的第一识别模型和第二识别模型分别对图像数据进行处理,获得图像数据中各物体对应的像素集,其中所述像素集中至少包括组成物体的多个基本像素;
根据每个物体像素集中各基本像素的像素坐标范围,确定所每个物体在图像中的图像位置。
5.根据权利要求1所述的图像识别方法,其特征在于,所述第一识别结果,和/或,图像识别结果包括物体为第一物体类型的概率;所述第二识别结果包括物体为第二物体类型的概率,其中,所述第二物体类型为预设类型,且所述第二物体类型属于第一物体类型。
6.根据权利要求1-5任一项所述的图像识别方法,其特征在于,还包括:
建立待训练的识别模型,并获取训练样本,其中,所述训练样本包括多个图像数据,以及每个图像数据中的各物体的物体类型;
利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型。
7.根据权利要求6所述的图像识别方法,其特征在于,所述利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型,包括:
利用所述训练样本对所述待训练的识别模型进行训练,获得所述训练完毕的第一识别模型;
对所述训练样本进行筛选,获得训练子样本,所述训练子样本包括多个具有预设类型的物体的图像数据;
利用所述训练子样本对所述训练完毕的第一识别模型进行训练,获得所述训练完毕的第二识别模型。
8.根据权利要求6所述的图像识别方法,其特征在于,还包括:
所述训练样本还包括各图像数据中的各物体的图像位置;所述图像位置由构成所述物体的各基本像素的像素坐标范围确定。
9.一种图像识别装置,其特征在于,包括:
获取模块,用于获取待识别图像的图像数据;
第一处理模块,用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,分别输出所述待识别图像的第一识别结果和第二识别结果;其中,所述第一识别模型用于识别待识别图像中的各物体的物体类型;所述第二识别模型用于识别待识别图像物体类型为预设类型的物体;
第二处理模块,用于对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果;
输出模块,用于输出所述图像识别结果。
10.根据权利要求9所述的图像识别装置,其特征在于,所述第二处理模块,具体用于利用非极大值抑制算法对所述第一识别结果和第二识别结果进行处理,获得所述待识别图像的图像识别结果。
11.根据权利要求9所述的图像识别装置,其特征在于,各识别结果还包括物体在图像中的图像位置;
相应的,所述第一处理模块具体用于将所述图像数据分别输入训练完毕的第一识别模型和第二识别模型,所述训练完毕的第一识别模型和第二识别模型还用于确定各物体在图像中的图像位置。
12.根据权利要求11所述的图像识别装置,其特征在于,所述第一处理模块还用于利用所述训练完毕的第一识别模型和第二识别模型分别对图像数据进行处理,获得图像数据中各物体对应的像素集,其中所述像素集中至少包括组成物体的多个基本像素;以及根据每个物体像素集中各基本像素的像素坐标范围,确定所每个物体在图像中的图像位置。
13.根据权利要求9所述的图像识别装置,其特征在于,所述第一识别结果,和/或,图像识别结果包括物体为第一物体类型的概率;所述第二识别结果包括物体为第二物体类型的概率,其中,所述第二物体类型为预设类型,且所述第二物体类型属于第一物体类型。
14.根据权利要求9-13任一项所述的图像识别装置,其特征在于,还包括:训练模块;
所述训练模块用于建立待训练的识别模型,并获取训练样本,其中,所述训练样本包括多个图像数据,以及每个图像数据中的各物体的物体类型;以及利用所述训练样本对所述待训练的识别模型进行多次训练,获得训练完毕的第一识别模型和第二识别模型。
15.根据权利要求14所述的图像识别装置,其特征在于,所述训练模块具体用于利用所述训练样本对所述待训练的识别模型进行训练,获得所述训练完毕的第一识别模型;对所述训练样本进行筛选,获得训练子样本,所述训练子样本包括多个具有预设类型的物体的图像数据;以及利用所述训练子样本对所述训练完毕的第一识别模型进行训练,获得所述训练完毕的第二识别模型。
16.根据权利要求15所述的图像识别装置,其特征在于,所述训练样本还包括各图像数据中的各物体的图像位置,其中,所述图像位置由构成所述物体的各基本像素的像素坐标范围确定。
17.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-8任一项所述的图像识别方法。
18.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-8任一项所述的图像识别方法。
CN202010082471.7A 2020-02-07 2020-02-07 图像识别方法、装置、电子设备及存储介质 Pending CN111310815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010082471.7A CN111310815A (zh) 2020-02-07 2020-02-07 图像识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082471.7A CN111310815A (zh) 2020-02-07 2020-02-07 图像识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111310815A true CN111310815A (zh) 2020-06-19

Family

ID=71146942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082471.7A Pending CN111310815A (zh) 2020-02-07 2020-02-07 图像识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111310815A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931835A (zh) * 2020-07-31 2020-11-13 中国工商银行股份有限公司 一种图像识别方法、装置及系统
CN111931768A (zh) * 2020-08-14 2020-11-13 中国科学院重庆绿色智能技术研究院 一种自适应样本分布的车辆识别方法及系统
CN112101212A (zh) * 2020-09-15 2020-12-18 山东鲁能软件技术有限公司 一种电力安全管控复杂场景下人员位置判断方法
CN112699842A (zh) * 2021-01-13 2021-04-23 上海镜河科技有限公司 宠物识别方法、装置、设备及计算机可读存储介质
CN115937956A (zh) * 2023-01-05 2023-04-07 广州蚁窝智能科技有限公司 一种人脸识别方法及后厨用看板系统
CN116229433A (zh) * 2023-01-03 2023-06-06 北京和利时系统集成有限公司 一种器件状态识别方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108767A (zh) * 2017-12-29 2018-06-01 美的集团股份有限公司 一种谷物识别方法、装置和计算机存储介质
CN108171274A (zh) * 2018-01-17 2018-06-15 百度在线网络技术(北京)有限公司 用于识别动物的方法和装置
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技(北京)有限公司 一种骨折识别模型的构建方法及应用
CN108319968A (zh) * 2017-12-27 2018-07-24 中国农业大学 一种基于模型融合的果蔬图像分类识别方法及系统
WO2019127400A1 (zh) * 2017-12-29 2019-07-04 美的集团股份有限公司 一种谷物识别方法、装置和计算机存储介质
CN110349161A (zh) * 2019-07-10 2019-10-18 北京字节跳动网络技术有限公司 图像分割方法、装置、电子设备、及存储介质
CN110363146A (zh) * 2019-07-16 2019-10-22 杭州睿琪软件有限公司 一种物体识别方法、装置、电子设备和存储介质
CN110414572A (zh) * 2019-07-08 2019-11-05 北京三快在线科技有限公司 一种图像识别的方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319968A (zh) * 2017-12-27 2018-07-24 中国农业大学 一种基于模型融合的果蔬图像分类识别方法及系统
CN108108767A (zh) * 2017-12-29 2018-06-01 美的集团股份有限公司 一种谷物识别方法、装置和计算机存储介质
WO2019127400A1 (zh) * 2017-12-29 2019-07-04 美的集团股份有限公司 一种谷物识别方法、装置和计算机存储介质
CN108171274A (zh) * 2018-01-17 2018-06-15 百度在线网络技术(北京)有限公司 用于识别动物的方法和装置
CN108305248A (zh) * 2018-01-17 2018-07-20 慧影医疗科技(北京)有限公司 一种骨折识别模型的构建方法及应用
CN110414572A (zh) * 2019-07-08 2019-11-05 北京三快在线科技有限公司 一种图像识别的方法及装置
CN110349161A (zh) * 2019-07-10 2019-10-18 北京字节跳动网络技术有限公司 图像分割方法、装置、电子设备、及存储介质
CN110363146A (zh) * 2019-07-16 2019-10-22 杭州睿琪软件有限公司 一种物体识别方法、装置、电子设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANLI OUYANG等: "Factors in Finetuning Deep Model for Object Detection with Long-tail Distribution", 《ARXIV》 *
ZHONGQIMIAO等: "Large-Scale Long-Tailed Recognition in an OpenWorld", 《HTTPS://BAIR.BERKELEY.EDU/BLOG/2019/05/13/OLTR/》 *
张超等: "残差网络下基于困难样本挖掘的目标检测", 《激光与光电子学进展》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111931835A (zh) * 2020-07-31 2020-11-13 中国工商银行股份有限公司 一种图像识别方法、装置及系统
CN111931768A (zh) * 2020-08-14 2020-11-13 中国科学院重庆绿色智能技术研究院 一种自适应样本分布的车辆识别方法及系统
CN112101212A (zh) * 2020-09-15 2020-12-18 山东鲁能软件技术有限公司 一种电力安全管控复杂场景下人员位置判断方法
CN112699842A (zh) * 2021-01-13 2021-04-23 上海镜河科技有限公司 宠物识别方法、装置、设备及计算机可读存储介质
CN116229433A (zh) * 2023-01-03 2023-06-06 北京和利时系统集成有限公司 一种器件状态识别方法和装置
CN116229433B (zh) * 2023-01-03 2024-01-26 北京和利时系统集成有限公司 一种器件状态识别方法和装置
CN115937956A (zh) * 2023-01-05 2023-04-07 广州蚁窝智能科技有限公司 一种人脸识别方法及后厨用看板系统
CN115937956B (zh) * 2023-01-05 2023-05-19 广州蚁窝智能科技有限公司 一种人脸识别方法及后厨用看板系统

Similar Documents

Publication Publication Date Title
CN111310815A (zh) 图像识别方法、装置、电子设备及存储介质
CN111598091A (zh) 图像识别方法、装置、电子设备及计算可读存储介质
US11443438B2 (en) Network module and distribution method and apparatus, electronic device, and storage medium
CN110062157B (zh) 渲染图像的方法、装置、电子设备和计算机可读存储介质
CN110059623B (zh) 用于生成信息的方法和装置
CN113313064A (zh) 字符识别方法、装置、可读介质及电子设备
CN110287816B (zh) 车门动作检测方法、装置和计算机可读存储介质
CN110991373A (zh) 图像处理方法、装置、电子设备及介质
CN111783626A (zh) 图像识别方法、装置、电子设备及存储介质
CN112907628A (zh) 视频目标追踪方法、装置、存储介质及电子设备
CN111783632B (zh) 针对视频流的人脸检测方法、装置、电子设备及存储介质
CN114331823A (zh) 图像处理方法、装置、电子设备及存储介质
US11810336B2 (en) Object display method and apparatus, electronic device, and computer readable storage medium
CN111340813B (zh) 图像实例分割方法、装置、电子设备及存储介质
US20240071023A1 (en) Method and apparatus for detecting near-field object, and medium and electronic device
CN114511744A (zh) 图像分类方法、装置、可读介质和电子设备
CN113936271A (zh) 文本识别方法、装置、可读介质及电子设备
CN110348374B (zh) 车辆检测方法、装置、电子设备及存储介质
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN112070034A (zh) 图像识别方法、装置、电子设备和计算机可读介质
CN112488204A (zh) 训练样本生成方法、图像分割方法、装置、设备和介质
CN113222050A (zh) 图像分类方法、装置、可读介质及电子设备
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN111860209B (zh) 手部识别方法、装置、电子设备及存储介质
CN116994079A (zh) 图像处理方法及设备

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: 20200619

RJ01 Rejection of invention patent application after publication