CN111325273A - 一种基于用户自主标定的深度学习模型的建立方法及系统 - Google Patents
一种基于用户自主标定的深度学习模型的建立方法及系统 Download PDFInfo
- Publication number
- CN111325273A CN111325273A CN202010103066.9A CN202010103066A CN111325273A CN 111325273 A CN111325273 A CN 111325273A CN 202010103066 A CN202010103066 A CN 202010103066A CN 111325273 A CN111325273 A CN 111325273A
- Authority
- CN
- China
- Prior art keywords
- picture
- training
- identified
- model
- deep learning
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于用户自主标定的深度学习模型的建立方法,包括:控制端创建新模型;所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;所述服务器端根据所述训练模型匹配所述待识别图片;当匹配成功时,识别出所述待识别图片中的待识别对象。与现有技术相比,本申请具有如下有益效果:1、用户可选择进行创建新模型。2、用户可选择网上下载图片或者自己拍照并对图片中的物体进行标定,将图片上传至云端进行模型深度学习训练。
Description
技术领域
本申请涉及深度学习领域,具体而言,涉及一种基于用户自主标定的深度学习模型的建立方法。
背景技术
现有技术中,深度学习的使用场景包括人脸及各种各样的模型生成均为明确的使用场景,由开发人员进行模型训练后提供给终端用户使用。即用户不可以在开放的场景进行自主标定,不能对深度学习的模型自主的训练。
发明内容
本申请的主要目的在于提供一种基于用户自主标定的深度学习模型的建立方法,包括:
控制端创建新模型;
所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;
所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;
图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;
所述服务器端根据所述训练模型匹配所述待识别图片;
当匹配成功时,识别出所述待识别图片中的待识别对象。
可选地,图像获取装置获取待识别图片包括:
当所述图像获取装置检测到当前画面发生变化时,获取变化后的图像作为所述待识别图片。
可选地,所述的基于用户自主标定的深度学习模型的建立方法还包括:
当匹配不成功时,所述服务器端生成识别记录;
所述控制端拉取所述识别记录;
所述控制端对匹配不成功的图片重新标定,并发送所述经过重新标定的后的图片至所述服务器端;
所述服务器端进行模型再训练。
可选地,所述控制端设定匹配阈值,并保存所述匹配阈值至所述服务器端。
可选地,所述训练图片为所述客户端在网上下载的图片或者所述客户端通过图像获取装置获取的图片。
可选地,所述控制端为安装在手机上的app。
根据本申请的另一个方面,还提供了一种基于用户自主标定的深度学习模型的建立系统,包括:
创建模块,用于控制端创建新模型;
标定模块,用于所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;
训练模块,用于所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;
图像获取模块,用于图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;
匹配模块,用于所述服务器端根据所述训练模型匹配所述待识别图片;
识别模块,用于当匹配成功时,识别出所述待识别图片中的待识别对象。
本申请还公开了一种计算机设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
本申请还公开了一种计算机可读存储介质,非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现上述任一项所述的方法。
本申请还公开了一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行上述任一项所述的方法。
与现有技术相比,本申请具有如下有益效果:
1、用户可选择进行创建新模型。
2、用户可选择网上下载图片或者自己拍照并对图片中的物体进行标定,将图片上传至云端进行模型深度学习训练。
3、用户选择模型生效后,网络摄像头在画面发生变化时,选择进行抓拍图片/视频上传至云端进行模型匹配。
4、如果匹配成功则上报至app识别到用户的模型匹配的物体。
5、如果匹配失败,则生成识别记录,用户可查看识别记录对未识别的物体进行标定,用于深度学习已便提高成功率。
6、用户可对模型的阈值进行配置,以减少误报率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和有益效果变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请一个实施例的基于用户自主标定的深度学习模型的建立方法的流程示意图;
图2是根据本申请一个实施例的基于用户自主标定的深度学习模型的建立方法的流程示意图;
图3是根据本申请一个实施例的计算机设备的示意图;以及
图4是根据本申请一个实施例的计算机可读存储介质的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参照图1-图2,本申请一实施例提供了一种基于用户自主标定的深度学习模型的建立方法,包括:
S1:控制端创建新模型;
S2:所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;
S3:所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;
S4:图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;
S5:所述服务器端根据所述训练模型匹配所述待识别图片;
S6:当匹配成功时,识别出所述待识别图片中的待识别对象。
例如,用户想要创建一个识别矿泉水瓶的模型时,则在控制端创建一个名称为“矿泉水瓶”的模型。然后,用户收集各种含有矿泉水瓶的图片,并标注这些图片为矿泉水瓶。之后发送这些带有标注为矿泉水瓶的图片至云端服务器。云端服务器以这些图片为基础开始训练能够识别出矿泉水瓶的模型。当摄像头发现需要识别的画面时,截取该画面,并发送该画面至云端服务器。云端服务器根据模型检测摄像头发送过来的图片中是否含有矿泉水瓶。当检测结果为“是”时,则匹配成功。
本申请一实施例中,图像获取装置获取待识别图片包括:
当所述图像获取装置检测到当前画面发生变化时,获取变化后的图像作为所述待识别图片。
例如,用户想要创建一个识别矿泉水瓶的模型时,则在控制端创建一个名称为“矿泉水瓶”的模型。然后,用户收集各种含有矿泉水瓶的图片,并标注这些图片为矿泉水瓶。之后发送这些带有标注为矿泉水瓶的图片至云端服务器。云端服务器以这些图片为基础开始训练能够识别出矿泉水瓶的模型。当摄像头检测检测到当前的画面发生变化时,即摄像头检测到有新的画面时,才截取画面,否则摄像头不截取当前画面。此做法的目的是减少摄像头获取的图像数量,以减少识别负担。然后,发送该画面至云端服务器。云端服务器根据模型检测摄像头发送过来的图片中是否含有矿泉水瓶。当检测结果为“是”时,则匹配成功。
本申请一实施例中,所述的基于用户自主标定的深度学习模型的建立方法还包括:
当匹配不成功时,所述服务器端生成识别记录;
所述控制端拉取所述识别记录;
所述控制端对匹配不成功的图片重新标定,并发送所述经过重新标定的后的图片至所述服务器端;
所述服务器端进行模型再训练。
例如,用户想要创建一个识别矿泉水瓶的模型时,则在控制端创建一个名称为“矿泉水瓶”的模型。然后,用户收集各种含有矿泉水瓶的图片,并标注这些图片为矿泉水瓶。之后发送这些带有标注为矿泉水瓶的图片至云端服务器。云端服务器以这些图片为基础开始训练能够识别出矿泉水瓶的模型。当摄像头发现需要识别的画面时,截取该画面,并发送该画面至云端服务器。云端服务器根据模型检测摄像头发送过来的图片中是否含有矿泉水瓶。当检测结果为“是”时,则匹配成功。如果该画面中不包括矿泉水瓶,或者包含矿泉水瓶但没有识别出来时,检测结果为“否”。服务器生成识别记录。在记录中记载该画面本身以及结果“否”。此时,控制端拉取该识别记录,并通过用户人工重新定义。当该图像确实不含有矿泉水瓶时,用户通过控制端发送该图片及“非矿泉水瓶”的标识至服务器,或者用户干脆什么都不发送,直接忽略该图片。当该图片中含有矿泉水,但是没有被识别出来时,用户通过控制端发送该图片及“矿泉水瓶”的标识至服务器端。服务器端根据该新的图片和标识,结合已经生成的模型,重新训练。
本申请一实施例中,所述控制端设定匹配阈值,并保存所述匹配阈值至所述服务器端。
本申请一实施例中,所述训练图片为所述客户端在网上下载的图片或者所述客户端通过图像获取装置获取的图片。
本申请一实施例中,所述控制端为安装在手机上的app。
根据本申请的另一方面,本申请的一实施例还提供了一种基于用户自主标定的深度学习模型的建立系统,包括:
创建模块,用于控制端创建新模型;
标定模块,用于所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;
训练模块,用于所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;
图像获取模块,用于图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;
匹配模块,用于所述服务器端根据所述训练模型匹配所述待识别图片;
识别模块,用于当匹配成功时,识别出所述待识别图片中的待识别对象。
与现有技术相比,本申请具有如下有益效果:
1、用户可选择进行创建新模型。
2、用户可选择网上下载图片或者自己拍照并对图片中的物体进行标定,将图片上传至云端进行模型深度学习训练。
3、用户选择模型生效后,网络摄像头在画面发生变化时,选择进行抓拍图片/视频上传至云端进行模型匹配。
4、如果匹配成功则上报至app识别到用户的模型匹配的物体。
5、如果匹配失败,则生成识别记录,用户可查看识别记录对未识别的物体进行标定,用于深度学习已便提高成功率。
6、用户可对模型的阈值进行配置,以减少误报率。
请参照图3,本申请还提供了一种计算机设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的方法。
请参照图4,一种计算机可读存储介质,非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现上述任一项所述的方法。
一种计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行上述任一项所述的方法。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于用户自主标定的深度学习模型的建立方法,其特征在于,包括:
控制端创建新模型;
所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;
所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;
图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;
所述服务器端根据所述训练模型匹配所述待识别图片;
当匹配成功时,识别出所述待识别图片中的待识别对象。
2.根据权利要求1所述的基于用户自主标定的深度学习模型的建立方法,其特征在于,图像获取装置获取待识别图片包括:
当所述图像获取装置检测到当前画面发生变化时,获取变化后的图像作为所述待识别图片。
3.根据权利要求2所述的基于用户自主标定的深度学习模型的建立方法,其特征在于,所述的基于用户自主标定的深度学习模型的建立方法还包括:
当匹配不成功时,所述服务器端生成识别记录;
所述控制端拉取所述识别记录;
所述控制端对匹配不成功的图片重新标定,并发送所述经过重新标定的后的图片至所述服务器端;
所述服务器端进行模型再训练。
4.根据权利要求3所述的基于用户自主标定的深度学习模型的建立方法,其特征在于,所述控制端设定匹配阈值,并保存所述匹配阈值至所述服务器端。
5.根据权利要求4所述的基于用户自主标定的深度学习模型的建立方法,其特征在于,所述训练图片为所述客户端在网上下载的图片或者所述客户端通过图像获取装置获取的图片。
6.根据权利要求5所述的基于用户自主标定的深度学习模型的建立方法,其特征在于,所述控制端为安装在手机上的app。
7.一种基于用户自主标定的深度学习模型的建立系统,其特征在于,包括:
创建模块,用于控制端创建新模型;
标定模块,用于所述控制端发送训练图片至服务器端,并标定所述训练图片中的待学习对象;
训练模块,用于所述服务器端根据所述训练图片及所述标定进行模型训练,获得训练模型;
图像获取模块,用于图像获取装置获取待识别图片,并发送所述待识别图片至所述服务器端;
匹配模块,用于所述服务器端根据所述训练模型匹配所述待识别图片;
识别模块,用于当匹配成功时,识别出所述待识别图片中的待识别对象。
8.一种计算机设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,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1-6中任一项所述的方法。
9.一种计算机可读存储介质,非易失性可读存储介质,其内存储有计算机程序,其特征在于,所述计算机程序在由处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,包括计算机可读代码,其特征在于,当所述计算机可读代码由计算机设备执行时,导致所述计算机设备执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103066.9A CN111325273A (zh) | 2020-02-19 | 2020-02-19 | 一种基于用户自主标定的深度学习模型的建立方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010103066.9A CN111325273A (zh) | 2020-02-19 | 2020-02-19 | 一种基于用户自主标定的深度学习模型的建立方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111325273A true CN111325273A (zh) | 2020-06-23 |
Family
ID=71172779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103066.9A Pending CN111325273A (zh) | 2020-02-19 | 2020-02-19 | 一种基于用户自主标定的深度学习模型的建立方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784478A (zh) * | 2021-01-07 | 2021-05-11 | 李琳琳 | 一种智能门铃ai场景自学习训练建模方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762299B1 (en) * | 2011-06-27 | 2014-06-24 | Google Inc. | Customized predictive analytical model training |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
CN108197664A (zh) * | 2018-01-24 | 2018-06-22 | 北京墨丘科技有限公司 | 模型获取方法、装置、电子设备及计算机可读存储介质 |
CN109344853A (zh) * | 2018-08-06 | 2019-02-15 | 杭州雄迈集成电路技术有限公司 | 一种可定制目标检测算法的智能化云平台系统及操作方法 |
CN109711545A (zh) * | 2018-12-13 | 2019-05-03 | 北京旷视科技有限公司 | 网络模型的创建方法、装置、系统和计算机可读介质 |
CN109962975A (zh) * | 2019-02-15 | 2019-07-02 | 深圳绿米联创科技有限公司 | 基于物体识别的信息推送方法、装置、电子设备及系统 |
CN110569911A (zh) * | 2019-09-11 | 2019-12-13 | 深圳绿米联创科技有限公司 | 图像识别方法、装置、系统、电子设备及存储介质 |
TWI684925B (zh) * | 2018-10-17 | 2020-02-11 | 新漢智能系統股份有限公司 | 自動建立物件辨識模型的方法 |
-
2020
- 2020-02-19 CN CN202010103066.9A patent/CN111325273A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762299B1 (en) * | 2011-06-27 | 2014-06-24 | Google Inc. | Customized predictive analytical model training |
CN107330522A (zh) * | 2017-07-04 | 2017-11-07 | 北京百度网讯科技有限公司 | 用于更新深度学习模型的方法、装置及系统 |
CN108197664A (zh) * | 2018-01-24 | 2018-06-22 | 北京墨丘科技有限公司 | 模型获取方法、装置、电子设备及计算机可读存储介质 |
CN109344853A (zh) * | 2018-08-06 | 2019-02-15 | 杭州雄迈集成电路技术有限公司 | 一种可定制目标检测算法的智能化云平台系统及操作方法 |
TWI684925B (zh) * | 2018-10-17 | 2020-02-11 | 新漢智能系統股份有限公司 | 自動建立物件辨識模型的方法 |
CN109711545A (zh) * | 2018-12-13 | 2019-05-03 | 北京旷视科技有限公司 | 网络模型的创建方法、装置、系统和计算机可读介质 |
CN109962975A (zh) * | 2019-02-15 | 2019-07-02 | 深圳绿米联创科技有限公司 | 基于物体识别的信息推送方法、装置、电子设备及系统 |
CN110569911A (zh) * | 2019-09-11 | 2019-12-13 | 深圳绿米联创科技有限公司 | 图像识别方法、装置、系统、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784478A (zh) * | 2021-01-07 | 2021-05-11 | 李琳琳 | 一种智能门铃ai场景自学习训练建模方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108156519B (zh) | 图像分类方法、电视设备及计算机可读存储介质 | |
CN108897468B (zh) | 一种进入房源的虚拟三维空间全景的方法及系统 | |
EP3200417B1 (en) | Method and device for information interaction and association between human biological feature data and account | |
CN104079552B (zh) | 认证系统及其操作方法 | |
CN108269333A (zh) | 人脸识别方法、应用服务器及计算机可读存储介质 | |
CN107278369A (zh) | 人员查找的方法、装置及通信系统 | |
CN108885698A (zh) | 人脸识别方法、装置和服务器 | |
CN112702521B (zh) | 图像拍摄方法及装置、电子设备、计算机可读存储介质 | |
US20200226360A1 (en) | System and method for automatically detecting and classifying an animal in an image | |
CN112001274B (zh) | 人群密度确定方法、装置、存储介质和处理器 | |
CN107272424A (zh) | 控制智能家电的方法和设备 | |
KR20090003574A (ko) | 유해정보 차단 방법 및 시스템 | |
TW201448585A (zh) | 利用行動電話及雲端可視化搜尋引擎之即時物體掃描 | |
US11503110B2 (en) | Method for presenting schedule reminder information, terminal device, and cloud server | |
CN105338564B (zh) | 一种客户端适配方法、客户端、服务器以及系统 | |
CN105007415B (zh) | 一种图像预览方法和装置 | |
EP3462734A1 (en) | Systems and methods for directly accessing video data streams and data between devices in a video surveillance system | |
CN111325273A (zh) | 一种基于用户自主标定的深度学习模型的建立方法及系统 | |
CN109359675B (zh) | 图像处理方法及设备 | |
CN109986553B (zh) | 一种主动交互的机器人、系统、方法及存储装置 | |
CN106970942B (zh) | 一种涉黄内容主动防御的方法及终端 | |
CN110415318B (zh) | 图像处理方法和装置 | |
US20160044187A1 (en) | Device control system and device control method | |
CN113329137B (zh) | 图片传输方法、装置、计算机设备及计算机可读存储介质 | |
CN104994057A (zh) | 基于身份验证的数据处理方法和系统 |
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 |