CN111612034A - 一种对象识别模型的确定方法、装置、电子设备及存储介质 - Google Patents
一种对象识别模型的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111612034A CN111612034A CN202010297511.XA CN202010297511A CN111612034A CN 111612034 A CN111612034 A CN 111612034A CN 202010297511 A CN202010297511 A CN 202010297511A CN 111612034 A CN111612034 A CN 111612034A
- Authority
- CN
- China
- Prior art keywords
- picture
- determining
- category information
- recognition model
- object recognition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004807 localization Effects 0.000 claims 1
- 238000002372 labelling Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 239000007788 liquid Substances 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
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002344 surface layer Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
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
本申请实施例所公开的一种对象识别模型的确定方法、装置、电子设备及存储介质,其中,方法包括确定装置获取第一图片集合和第二图片集合,基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合,并从对象识别模型集合中确定对象识别模型,确定装置还基于对象识别模型,并从第二图片集合中确定目标图片集合,利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。基于本申请实施例,不仅可以从第二图片集合中筛选出标注质量较高的目标图片,提高用于训练对象识别模型的图片的干净程度,而且还可以改善对象识别模型的识别效果,提高毫米波图像中危险品的识别率。
Description
技术领域
本发明涉及毫米波全息图像技术领域,尤其涉及一种对象识别模型的确定方法、装置、电子设备及存储介质。
背景技术
毫米波能够穿透衣物,对人体表面进行成像,且毫米波辐射属于非电离辐射,对人体无害,因此能够克服金属探测器无法检测陶瓷制品和X光射线容易对人体造成危害的缺陷,代替传统的金属探测器和X光射线,成为安检领域的主流技术手段,有效检测出藏匿在人体表层的可疑物品,如枪支、陶瓷刀具、不明液体、爆炸物等危险品。
在现有的毫米波全息图像识别技术中,主要依靠标注人员的眼睛对图像进行观察以判断被检测图像中是否存在目标危险品,然而由于毫米波图像的分辨率较低,标注人员很难保证标注的有效性,进而将会产生较多漏标或者错标的数据。针对上述问题,本领域技术人员训练一种模型以识别毫米波图像中的目标危险品,但当训练数据中存在较多脏数据时,模型将会误学习,把本不是目标危险品的数据认定为是目标危险品,如此,将直接导致模型的识别率降低。因此,有必要对模型的训练数据进行清洗,以减少错标或漏标的情况出现。
发明内容
本申请实施例提供一种对象识别模型的确定方法、装置、电子设备及存储介质,可以从第二图片集合中筛选出标注质量较高的目标图片,提高用于训练对象识别模型的图片的干净程度,改善对象识别模型的识别效果,提高毫米波图像中危险品的识别率。
本申请实施例提供的对象识别模型的确定方法,该方法包括:
获取第一图片集合和第二图片集合;第一图片集合和第二图片集合中含有待识别对象集合和待识别对象集合对应的第一类别信息集合和第一位置数据集合,
其中,待识别对象集合中的待识别对象与第一类别信息集合中的第一类别信息一一对应,待识别对象集合中的待识别对象与第一位置数据集合中的第一位置数据一一对应;
基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合;
根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型;
基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合;
根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合;
利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
进一步地,根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型,包括:
根据第一类别信息集合和第二类别信息集合确定第一分类差值集合;
根据第一位置数据集合和第二位置数据集合确定第一定位差值集合;
根据第一分类差值集合和第一定位差值集合确定第一差值集合;
从第一差值集合中确定数值最小的第一差值所对应的对象识别模型为对象识别模型。
进一步地,根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合,包括:
根据第一类别信息集合和第三类别信息集合确定第二分类差值集合;
根据第一位置数据集合和第三位置数据集合确定第二定位差值集合;
根据第二分类差值集合和第二定位差值集合确定第二差值集合;
若第二差值子集合中的数值均小于预设差值阈值,确定第二差值子集合对应的图片集合为目标图片集合。
进一步地,根据第二分类差值集合和第二定位差值集合确定第二差值集合之后,还包括:
根据第二差值集合确定第二图片集合对应的平均差值;
根据平均差值确定预设差值阈值。
进一步地,根据第二分类差值集合和第二定位差值集合确定第二差值集合,具体为:
其中,lcls(x,c,m)表示第二分类差值集合,lloc(x,l,g)表示第二定位差值集合。
进一步地,利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型,包括:
获取第三图片集合;第三图片集合中图片对应的第三差值的与从第二图片集合中确定出的目标图片对应的第二差值在预设差值区间内;
将第三图片集合和从第二图片集合中确定出的目标图片集合重新确定为目标图片集合;
利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
相应地,本申请实施例还提供了一种对象识别模型的确定装置,该装置包括:
获取模块,用于获取第一图片集合和第二图片集合;第一图片集合和第二图片集合中含有待识别对象集合,待识别对象集合具有第一类别信息集合和第一位置数据集合;
第一确定模块,用于基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合;
第二确定模块,用于根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型;
第三确定模块,用于基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合;
第四确定模块,用于根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合;
训练模块,用于利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
进一步地,第二确定模块包括:
第一确定单元,用于根据第一类别信息集合和第二类别信息集合确定第一分类差值集合;
第二确定单元,用于根据第一位置数据集合和第二位置数据集合确定第一定位差值集合;
第三确定单元,用于根据第一分类差值集合和第一定位差值集合确定第一差值集合;
第四确定单元,用于从第一差值集合中确定数值最小的第一差值所对应的对象识别模型为对象识别模型。
相应地,本申请实施例还提供了一种电子设备,该电子设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述对象识别模型的确定方法。
相应地,本申请实施例还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述对象识别模型的确定方法。
本申请实施例具有如下有益效果:
本申请实施例所公开的一种对象识别模型的确定方法、装置、电子设备及存储介质,其中,方法包括确定装置获取第一图片集合和第二图片集合,其中,第一图片集合和第二图片集合中含有待识别对象集合和待识别对象集合对应的第一类别信息集合和第一位置数据集合,并且待识别对象集合中的待识别对象与第一类别信息集合中的第一类别信息一一对应,待识别对象集合中的待识别对象与第一位置数据集合中的第一位置数据一一对应,确定装置基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合,并根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型,确定装置还基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合,并根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合,利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。基于本申请实施例,根据待识别对象对应的第二分类差值和第二定位差值,从第二图片集合中筛选出标注质量较高的目标图片集合来对对象识别模型进行训练,不仅可以从第二图片集合中筛选出标注质量较高的目标图片,提高用于训练对象识别模型的图片的干净程度,而且还可以改善对象识别模型的识别效果,提高毫米波图像中危险品的识别率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例所提供的一种应用环境的示意图;
图2是本申请实施例所提供的一种对象识别模型的确定方法的流程示意图;
图3a-3e是本申请实施例所提供的一种当第一图片集合中图片含有一个待识别对象时,该待识别对象在对应图片中第一位置和第二位置对比示意图;
图3f是本申请实施例所提供的一种当第一图片集合中图片含有多个待识别对象时,多个待识别对象分别在对应图片中第一位置和第二位置对比示意图;
图4是本申请实施例所提供的一种对象识别模型的确定装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例作进一步地详细描述。显然,所描述的实施例仅仅是本申请一个实施例,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作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
此处所称的“实施例”是指可包含于本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中,需要理解的是术语“第一”、“第二”、“第三”和“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”和“第四”的特征可以明示或者隐含的包括一个或者更多个该特征。而且,术语“第一”、“第二”、“第三”和“第四”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实施例能够以除了在这里图示或描述以外的顺序实施。此外,术语“包括”、“具有”和“为”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、模块或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤、模块或单元,而是可包括没有清楚地列出的或对于这些过程、方法、装置、产品或设备固有的其它步骤、模块或单元。
请参阅图1a,其所示为本申请实施例所提供的一种应用环境的示意图,包括服务器101,该服务器101可以包括获取模块、第一确定模块、第二确定模块、第三确定模块、第四确定模块和训练模块。其中,获取模块获取第一图片集合和第二图片集合,其中,第一图片集合和第二图片集合可以是存储于该服务器的数据存储库中,当启动确定对象识别模型的应用程序时,第一确定模块基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合,第二确定模块根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型,第三确定模块基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合,第四确定模块根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合,训练模块利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
请参阅图1b,其所示为本申请实施例所提供的一种应用环境的示意图,包括服务器101和服务器103,服务器101可以包括获取模块、第一确定模块、第二确定模块、第三确定模块、第四确定模块和训练模块。服务器103可以包括图片存储模块和发送模块。其中,服务器101中的获取模块获取第一图片集合和第二图片集合,其中,第一图片集合和第二图片集合可以是存储于服务器103的图片存储模块中,当启动确定对象识别模型的应用程序时,服务器103中的发送模块获取图片存储模块中的第一图片集合和第二图片集合,并发送给服务器101,服务器101中第一确定模块基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合,第二确定模块根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型,第三确定模块基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合,第四确定模块根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合,训练模块利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
下面介绍本申请一种对象识别模型的确定方法的具体实施例,图2是本申请实施例提供的一种对象识别模型的确定方法的流程示意图,本说明书提供了如实施例或流程图所示的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式,不代表唯一的执行顺序,在实际执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,该方法包括:
S201:获取第一图片集合和第二图片集合。
本申请实施例中,确定装置获取第一图片集合和第二图片集合,其中,第一图片集合中含有待识别对象集合和该待识别对象集合对应的第一类别信息集合和第一位置数据集合,该待识别对象集合中的待识别对象与第一类别信息集合中的第一类别信息是一一对应的,并且,该待识别对象集合中的待识别对象与第一位置数据集合中的第一位置数据也是一一对应的。同样地,第二图片集合中也含有待识别对象集合和该待识别对象集合对应的第一类别信息集合和第一位置数据集合,该待识别对象集合中的待识别对象与第一类别信息集合中的第一类别信息是一一对应的,并且,该待识别对象集合中的待识别对象与第一位置数据集合中的第一位置数据也是一一对应的。
需要说明的是,待识别对象对应的第一类别信息可以是人,即第一图片集合或者第二图片集合中的图片不含有危险物品或者其他不被允许携带的物品,待识别对象对应的第一类别信息也可以是刀具、枪支或化学药品等危险品,待识别对象对应的第一类别信息还可以是在应用场景中不被允许携带的其他物品。其中,第一图片集合中至少存在一张图片含有待识别对象集合,且待识别对象集合中至少含有一个待识别对象,当含有待识别对象集合的图片含有多个待识别对象时,多个待识别对象的类别可以是同一类别,也可以是不同一类别。比如,第一图片集合中存在一张图片含有两个待识别对象,两个待识别对象对应的第一类别信息都为“刀具”。再比如,第一图片集合中存在一张图片含有两个待识别对象,两个待识别对象对应的第一类别信息分别为“刀具”和“枪支”。待识别对象对应的第一位置数据是指该待识别对象在含有该待识别对象的图片中的具体位置。其中,无论是待识别对象对应的第一类别信息,还是待识别对象对应的第一位置数据都可以是人工标注的标注类别和标注位置数据。
一种可选的实施方式中,第一图片集合可以含有同一类别的待识别对象集合,第二图片集合可以含有同一类别的待识别对象集合,且第一图片集合含有的待识别对象集合和第二图片集合含有的待识别对象集合也可以是同一类别的。例如,第一图片集合含有的待识别对象集合全部都是“人”这一类别,第二图片集合含有的待识别对象集合也全部都是“人”这一类别。
另一种可选的实施方式中,第一图片集合可以含有同一类别的待识别对象集合,第二图片集合可以含有同一类别的待识别对象集合,但是,第一图片集合含有的待识别对象集合和第二图片集合含有的待识别对象集合可以是不同一类别的。例如,第一图片集合含有的待识别对象集合全部都是“人”这一类别,第二图片集合含有的待识别对象集合全部都是“刀具”这一类别。
另一种可选的实施方式中,第一图片集合可以含有不同一类别的待识别对象集合,第二图片集合可以含有不同一类别的待识别对象集合,且第一图片集合含有的待识别对象集合和第二图片集合含有的待识别对象集合也可以是不同一类别。例如,第一图片集合含有的待识别对象集合中第一待识别对象子集合全部都是“人”这一类别,第一图片集合含有的待识别对象集合中第二待识别对象子集合全部都是“刀具”这一类别,第二图片集合含有的待识别对象集合中第一待识别对象子集合全部都是“枪支”这一类别,第一图片集合含有的待识别对象集合中第二待识别对象子集合全部都是“化学药品”这一类别。
基于上文所描述的第一图片集合中待识别对象集合所对应的第一类别信息和第二图片集合中待识别对象集合所对应的第一类别信息,介绍一种具体实施方式。
假设,第一图片集合含有3张图片A1、A2和A3,图片A1中含有待识别对象a1,A2中含有待识别对象a2,A3中含有待识别对象a3和a4,其中,a1对应的第一类别信息为“人”,a2对应的第一类别信息为“人”,a3对应的第一类别信息为“人”,a4对应的第一类别信息为“刀具”。第二图片集合含有6张图片B1、B2、B3、B4、B5和B6,图片B1中含有待识别对象b1,B2中含有待识别对象b2,B3中含有待识别对象b3,B4中含有待识别对象b4,B5中含有待识别对象b5,B6中含有待识别对象b6和b7,b1对应的第一类别信息为“人”,b2对应的第一类别信息为“人”,b3对应的第一类别信息为“人”,b4对应的第一类别信息为“刀具”,b5对应的第一类别信息为“刀具”,b6对应的第一类别信息为“刀具”,b7对应的第一类别信息为“枪支”。
本申请实施例中,训练装置获取第一图片集合和第二图片集合,其中,第一图片集合中有多张不同的图片,第二图片集合中也有多张不同的图片,并且,第一图片集合中的图片与第二图片集合中的图片无交集,基于上文中所假设的第一图片集合A1、A2和A3和第二图片集合B1、B2、B3、B4、B5和B6进行理解,虽然,a1对应的第一类别信息为“人”,a2对应的第一类别信息为“人”,b1对应的第一类别信息为“人”,b2对应的第一类别信息为“人”,b3对应的第一类别信息为“人”,但是a1、a2、b1、b2和b3中的“人”不是同一个人,并且,a1、a2、b1、b2和b3中的“人”分别在图片A1、A2、B1、B2、B3中的位置也是不一致的,也就是说,第一图片集合中的图片和第二图片集合中的图片是内容完全不一样的。
S203:基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合。
本申请实施例中,确定装置获取对象识别模型集合之后,基于获取到的对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合。具体地,确定装置将第一图片集合中的图片作为每个对象识别模型的输入,并基于每个对象识别模型输出第一图片集合中每张图片上待识别对象集合对应的第二类别信息集合和第二位置数据集合。其中,在第一图片集合中,待识别对象集合中的待识别对象与第二类别信息集合中的第二类别信息是一一对应的,并且,该待识别对象集合中的待识别对象与第二位置数据集合中的第二位置数据也是一一对应的。
下面基于上文中所描述的第一图片集合A1、A2、A3继续说明,假设,确定装置确定的对象识别模型集合中含有3个对象识别模型Y1、Y2和Y3。
一种基于每个对象识别模型确定第一图片集合中待识别对象集合对应的第二类别信息集合的具体实施方式中,确定装置可以将图片A1、A2、A3全部输入对象识别模型Y1中,基于对象识别模型Y1确定a1、a2、a3、a4分别对应的第二类别信息。或者,确定装置也可以将图片A1、A2、A3全部输入对象识别模型Y2中,基于对象识别模型Y2确定a1、a2、a3、a4分别对应的第二类别信息。再或者,确定装置也可以将图片A1、A2、A3全部输入对象识别模型Y3中,基于对象识别模型Y3确定a1、a2、a3、a4分别对应的第二类别信息。
假设,基于对象识别模型Y1确定a1对应的第二类别信息为“枪支”,a2对应的第二类别信息为“枪支”,a3对应的第二类别信息为“枪支”,a4对应的第二类别信息为“人”。
基于对象识别模型Y2确定a1对应的第二类别信息为“枪支”,a2对应的第二类别信息为“枪支”,a3对应的第二类别信息为“枪支”,a4对应的第二类别信息为“刀具”。
基于对象识别模型Y3确定a1对应的第二类别信息为“枪支”,a2对应的第二类别信息为“人”,a3对应的第二类别信息为“人”,a4对应的第二类别信息为“刀具”。
基于每个对象识别模型确定第一图片集合中待识别对象集合对应的第二位置数据集合的具体实施方式,可以参照上文所描述的基于每个对象识别模型确定第一图片集合中待识别对象集合对应的第二类别信息集合的具体实施方式,此处不再赘述。
本申请实施例中,第一图片集合中图片的数量和第二图片集合中图片的数量的比值具体可以为1:10,其中,采用图片数量相对较少的第一图片集合作为每个对象识别模型的输入,是为了减少整个对象识别模型集合的计算量,提高第二类别信息集合和第二位置数据集合的确定效率。
S205:根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型。
本申请实施例中,确定装置可以基于每个对象识别模型,根据每个待识别对象对应的第一类别信息和第二类别信息确定该待识别对象对应的第一分类差值,以及可以根据该待识别对象对应的第一位置数据和第二位置数据确定该待识别对象对应的第一定位差值。如此,确定装置可以基于每个对象识别模型,根据该待识别对象对应的第一分类差值和第一定位差值确定第一差值,以及根据第一图片集合中每张图片含有的每个待识别对象对应的第一分类差值和第一定位差值确定第一差值集合。
基于上文中所描述的3个对象识别模型Y1、Y2和Y3和第一图片集合图片A1、A2、A3,以根据第一类别信息集合和第二类别信息集合确定第一分类差值集合为例,对从对象识别模型集合中确定对象识别模型的实施方式进行具体描述。
上文中描述到a1对应的第一类别信息为“人”,a2对应的第一类别信息为“人”,a3对应的第一类别信息为“人”,a4对应的第一类别信息为“刀具”。
而基于对象识别模型Y1确定a1对应的第二类别信息为“枪支”,a2对应的第二类别信息为“枪支”,a3对应的第二类别信息为“枪支”,a4对应的第二类别信息为“人”。
基于对象识别模型Y2确定a1对应的第二类别信息为“枪支”,a2对应的第二类别信息为“枪支”,a3对应的第二类别信息为“枪支”,a4对应的第二类别信息为“刀具”。
基于对象识别模型Y3确定a1对应的第二类别信息为“枪支”,a2对应的第二类别信息为“人”,a3对应的第二类别信息为“人”,a4对应的第二类别信息为“刀具”。
显然,对象识别模型Y3对第一图片集合A1、A2、A3中的待识别对象a1、a2、a3、a4的类别识别率是最准确的,也就是说,根据待识别对象集合对应的第一类别信息集合和第二类别信息集合所确定的第一分类差值集合中,数值最小的第一分类差值是将第一图片集合输入对象识别模型Y3得到的。
同样地,基于上文中所描述的3个对象识别模型Y1、Y2和Y3和第一图片集合图片A1、A2、A3,根据第一位置集合和第二位置数据集合确定第一定位差值集合的具体实施方式可以参照根据第一类别信息集合和第二类别信息集合确定第一分类差值集合的具体实施方式,此处不再赘述。
假设,基于对象识别模型Y1、Y2和Y3所确定的a1、a2、a3、a4在A1、A2、A3中对应的第二位置数据与其对应的第一位置数据是一致的,那么可以确定Y3为所挑选的对象识别模型。当然,基于对象识别模型Y1、Y2和Y3所确定的a1、a2、a3、a4在A1、A2、A3中对应的第二位置数据与其对应的第一位置数据也可以是一致的,如图3a-3e提供了一种当第一图片集合中图片含有一个待识别对象时,该待识别对象在对应图片中第一位置和第二位置对比示意图,图3f提供了一种当第一图片集合中图片含有多个待识别对象时,多个待识别对象分别在对应图片中第一位置和第二位置对比示意图,图中,无数字标注的框是待识别对象对应的第一位置数据,带数字标注的框是待识别对象对应的第二位置数据。
S207:基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合。
本申请实施例中,确定装置确定对象识别模型之后,基于确定的对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合。具体地,确定装置将第二图片集合中的图片作为对象识别模型的输入,并基于对象识别模型输出第二图片集合中每张图片上待识别对象集合对应的第三类别信息集合和第三位置数据集合。其中,在第二图片集合中,待识别对象集合中的待识别对象与第三类别信息集合中的第三类别信息是一一对应的,并且,该待识别对象集合中的待识别对象与第三位置数据集合中的第三位置数据也是一一对应的。
下面基于上文中所描述的第二图片集合B1、B2、B3、B4、B5和B6继续说明,假设,确定装置确定的对象识别模型为Y3。
以基于对象识别模型确定第二图片集合中待识别对象集合对应的第三类别信息集合为例,确定装置可以将图片B1、B2、B3、B4、B5和B6全部输入对象识别模型Y3中,基于对象识别模型Y3确定b1、b2、b3、b4、b5、b6、b7分别对应的第三类别信息和第三位置数据。
假设,基于对象识别模型Y3确定b1对应的第三类别信息为“枪支”,b2对应的第三类别信息为“人”,b3对应的第三类别信息为“枪支”,b4对应的第三类别信息为“刀具”,b5对应的第三类别信息为“人”,b6对应的第三类别信息为“刀具”,b7对应的第三类别信息为“枪支”。基于对象识别模型确定第二图片集合中待识别对象集合对应的第三位置数据集合的具体实施方式,可以参照上文所描述的基于对象识别模型确定第二图片集合中待识别对象集合对应的第三类别信息集合的具体实施方式,此处不再赘述。
S209:根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合。
一种可选的从第二图片集合中确定目标图片集合的实施方式中,确定装置可以基于对象识别模型,根据每个待识别对象对应的第一类别信息和第三类别信息确定该待识别对象对应的第二分类差值,以及可以根据该待识别对象对应的第一位置数据和第三位置数据确定该待识别对象对应的第二定位差值。如此,确定装置可以基于对象识别模型,根据该待识别对象对应的第二分类差值和第二定位差值确定第二差值,以及根据第二图片集合中每张图片含有的每个待识别对象对应的第二分类差值和第二定位差值确定第二差值集合。
基于上文中所挑选的对象识别模型Y3和第二图片集合图片B1、B2、B3、B4、B5、B6,以根据第一类别信息集合和第三类别信息集合确定第二分类差值集合为例,对从第二图片集合中确定目标图片集合的实施方式进行具体描述。
上文中描述到b1对应的第一类别信息为“人”,b2对应的第一类别信息为“人”,b3对应的第一类别信息为“人”,b4对应的第一类别信息为“刀具”,b5对应的第一类别信息为“刀具”,b6对应的第一类别信息为“刀具”,b7对应的第一类别信息为“枪支”。
而基于对象识别模型Y3确定b1对应的第三类别信息为“枪支”,b2对应的第三类别信息为“人”,b3对应的第三类别信息为“枪支”,b4对应的第三类别信息为“刀具”,b5对应的第三类别信息为“人”,b6对应的第三类别信息为“刀具”,b7对应的第三类别信息为“枪支”。
显然,对象识别模型Y3确定的b1、b3、b5对应的第三类别信息与其对应的第一类别信息是不一致的,而基于对象识别模型Y3确定的b2、b4、b6、b7对应的第三类别信息与其对应的第一类别信息是一致,也就是说,第二图片集合中图片B2、B4、B6对应的第二差值子集合中差值的数值都是小于预设差值阈值的,那么可以确定图片B2、B4、B6为确定的目标图片集合。
本申请实施例中,上文中所描述的预设差值阈值可以是根据第二差值集合确定的,一种可选的确定预设差值阈值的具体实施方式中,预设差值阈值可以是第二差值集合中全部差值相加后取的平均值,也可以是第二差值集合中全部差值相加后取平均值的倍数,例如,将第二差值集合中全部差值相加后,取平均值的2倍为预设差值阈值。
本申请实施例中,一种可选的根据第二分类差值集合和第二定位差值集合确定第二差值集合的实施方式中,待识别对象对应的第二差值计算方法可以参考如下公式:
其中,c表示待识别对象集合的第一类别信息集合,m表示待识别对象集合的第三类别信息集合,l表示待识别对象集合的第一位置数据集合,g表示待识别对象集合的第三位置数据集合,lcls(x,c,m)表示第二分类差值集合,lloc(x,l,g)表示第二定位差值集合。其中,x可以具体为“1”或“0”,“1”是指基于对象识别模型确定该图片中待识别对象对应的第二类别信息与该待识别对象对应的第一类别信息是一致的,或者,基于对象识别模型确定该图片中待识别对象对应的第二位置数据与该待识别对象对应的第一位置数据也是在位置误差允许范围内的;“0”是指基于对象识别模型确定该图片中待识别对象对应的第二类别信息与该待识别对象对应的第一类别信息是不一致的,或者,基于对象识别模型确定该图片中待识别对象对应的第二位置数据与该待识别对象对应的第位置数据是在位置误差允许范围外的。
本申请实施例中,采用图片数量相对较多的第二图片集合作为对象识别模型的输入,是为了从第二图片集合中尽可能地挑选出第二差值小的图片。
S211:利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
一种可选的利用目标图片集合对对象识别模型进行训练的实施方式中,直接利用确定的目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
另一种可选的利用目标图片集合对对象识别模型进行训练的实施方式中,确定装置获取第三图片集合,这里,第三图片集合是指图片对应的第三差值与从第二图片集合中确定出的目标图片对应的第二差值在预设差值区间内,换句话说,第三图片集合中的第三图片和从第二图片集合中确定出的目标图片都是标注质量高的图片。确定装置在获取第三图片集合之后,可以将第三图片集合和从第二图片集合中确定出的目标图片集合重新确定为目标图片集合,并利用重新确认后的目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
采用本申请实施例所提供的对象识别模型的确定方法,根据待识别对象对应的第二分类差值和第二定位差值,从第二图片集合中筛选出标注质量较高的目标图片集合来对对象识别模型进行训练,不仅可以从第二图片集合中筛选出标注质量较高的目标图片,提高用于训练对象识别模型的图片的干净程度,而且还可以改善对象识别模型的识别效果,提高毫米波图像中危险品的识别率。
本申请实施例还提供的一种对象识别模型的确定装置,图4是本申请实施例提供的一种对象识别模型的确定装置的结构示意图,如图4所示,该装置包括:
获取模块401用于获取第一图片集合和第二图片集合;第一图片集合和第二图片集合中含有待识别对象集合,待识别对象集合具有第一类别信息集合和第一位置数据集合;
第一确定模块403用于基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合;
第二确定模块405用于根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型;
第三确定模块407用于基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合;
第四确定模块409用于根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合;
训练模块411用于利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。
本申请实施例中,上文中所描述的第二确定模块405具体可以包括:
第一确定单元,用于根据第一类别信息集合和第二类别信息集合确定第一分类差值集合;
第二确定单元,用于根据第一位置数据集合和第二位置数据集合确定第一定位差值集合;
第三确定单元用于根据第一分类差值集合和第一定位差值集合确定第一差值集合;
第四确定单元用于从第一差值集合中确定数值最小的第一差值所对应的对象识别模型为对象识别模型。
本申请实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例还提供的一种电子设备,电子设备可设置于服务器之中以保存用于实现方法实施例中的一种对象识别模型的确定方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的对象识别模型的确定方法。
本申请实施例还提供的一种存储介质,存储介质可设置于服务器之中以保存用于实现方法实施例中一种对象识别模型的确定方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述对象识别模型的确定方法。
可选的,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于包括:U盘、只读存储器(ROM,Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的对象识别模型的确定方法、装置、电子设备或存储介质的实施例可见,本申请中方法包括确定装置获取第一图片集合和第二图片集合,其中,第一图片集合和第二图片集合中含有待识别对象集合和待识别对象集合对应的第一类别信息集合和第一位置数据集合,并且待识别对象集合中的待识别对象与第一类别信息集合中的第一类别信息一一对应,待识别对象集合中的待识别对象与第一位置数据集合中的第一位置数据一一对应,确定装置基于对象识别模型集合中的每个对象识别模型,确定第一图片集合中待识别对象集合的第二类别信息集合和第二位置数据集合,并根据第一类别信息集合、第二类别信息集合、第一位置数据集合和第二位置数据集合,从对象识别模型集合中确定对象识别模型,确定装置还基于对象识别模型,确定第二图片集合中待识别对象集合的第三类别信息集合和第三位置数据集合,并根据第一类别信息集合、第三类别信息集合、第一位置数据集合和第三位置数据集合,从第二图片集合中确定目标图片集合,利用目标图片集合对对象识别模型进行训练,得到训练后的对象识别模型。基于本申请实施例,根据待识别对象对应的第二分类差值和第二定位差值,从第二图片集合中筛选出标注质量较高的目标图片集合来对对象识别模型进行训练,不仅可以从第二图片集合中筛选出标注质量较高的目标图片,提高用于训练对象识别模型的图片的干净程度,而且还可以改善对象识别模型的识别效果,提高毫米波图像中危险品的识别率。
在本发明中,除非另有明确的规定和限定,术语“相连”、“连接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的相连或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是:上述本申请实施例的先后顺序仅仅为了描述,不代表实施例的优劣,且上述本说明书对特定的实施例进行了描述,其他实施例也在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外,在附图中描绘的过程不一定要求示出特定顺序或者而连接顺序才能够实现期望的结果,在某些实施方式中,多任务并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的均为与其他实施例的不同之处。尤其,对于装置的实施例而言,由于其基于相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种对象识别模型的确定方法,其特征在于,包括:
获取第一图片集合和第二图片集合;所述第一图片集合和所述第二图片集合中含有待识别对象集合和所述待识别对象集合对应的第一类别信息集合和第一位置数据集合,
其中,所述待识别对象集合中的待识别对象与所述第一类别信息集合中的第一类别信息一一对应,所述待识别对象集合中的待识别对象与所述第一位置数据集合中的第一位置数据一一对应;
基于对象识别模型集合中的每个对象识别模型,确定所述第一图片集合中所述待识别对象集合的第二类别信息集合和第二位置数据集合;
根据所述第一类别信息集合、所述第二类别信息集合、所述第一位置数据集合和所述第二位置数据集合,从所述对象识别模型集合中确定对象识别模型;
基于所述对象识别模型,确定所述第二图片集合中所述待识别对象集合的第三类别信息集合和第三位置数据集合;
根据所述第一类别信息集合、所述第三类别信息集合、所述第一位置数据集合和所述第三位置数据集合,从所述第二图片集合中确定目标图片集合;
利用所述目标图片集合对所述对象识别模型进行训练,得到训练后的对象识别模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一类别信息集合、所述第二类别信息集合、所述第一位置数据集合和所述第二位置数据集合,从所述对象识别模型集合中确定对象识别模型,包括:
根据所述第一类别信息集合和所述第二类别信息集合确定第一分类差值集合;
根据所述第一位置数据集合和所述第二位置数据集合确定第一定位差值集合;
根据所述第一分类差值集合和所述第一定位差值集合确定第一差值集合;
从所述第一差值集合中确定数值最小的第一差值所对应的对象识别模型为对象识别模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一类别信息集合、所述第三类别信息集合、所述第一位置数据集合和所述第三位置数据集合,从所述第二图片集合中确定目标图片集合,包括:
根据所述第一类别信息集合和所述第三类别信息集合确定第二分类差值集合;
根据所述第一位置数据集合和所述第三位置数据集合确定第二定位差值集合;
根据所述第二分类差值集合和所述第二定位差值集合确定第二差值集合;
若第二差值子集合中的数值均小于预设差值阈值,确定所述第二差值子集合对应的图片集合为目标图片集合。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二分类差值集合和所述第二定位差值集合确定第二差值集合之后,还包括:
根据所述第二差值集合确定所述第二图片集合对应的平均差值;
根据所述平均差值确定所述预设差值阈值。
6.根据权利要求1所述的方法,其特征在于,所述利用所述目标图片集合对所述对象识别模型进行训练,得到训练后的对象识别模型,包括:
获取第三图片集合;所述第三图片集合中图片对应的第三差值与从所述第二图片集合中确定出的目标图片对应的第二差值在预设差值区间内;
将所述第三图片集合和从所述第二图片集合中确定出的目标图片集合重新确定为目标图片集合;
利用所述目标图片集合对所述对象识别模型进行训练,得到训练后的对象识别模型。
7.一种对象识别模型的确定装置,其特征在于,包括:
获取模块,用于获取第一图片集合和第二图片集合;所述第一图片集合和所述第二图片集合中含有待识别对象集合,所述待识别对象集合具有第一类别信息集合和第一位置数据集合;
第一确定模块,用于基于对象识别模型集合中的每个对象识别模型,确定所述第一图片集合中所述待识别对象集合的第二类别信息集合和第二位置数据集合;
第二确定模块,用于根据所述第一类别信息集合、所述第二类别信息集合、所述第一位置数据集合和所述第二位置数据集合,从所述对象识别模型集合中确定对象识别模型;
第三确定模块,用于基于所述对象识别模型,确定所述第二图片集合中所述待识别对象集合的第三类别信息集合和第三位置数据集合;
第四确定模块,用于根据所述第一类别信息集合、所述第三类别信息集合、所述第一位置数据集合和所述第三位置数据集合,从所述第二图片集合中确定目标图片集合;
训练模块,用于利用所述目标图片集合对所述对象识别模型进行训练,得到训练后的对象识别模型。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块包括:
第一确定单元,用于根据所述第一类别信息集合和所述第二类别信息集合确定第一分类差值集合;
第二确定单元,用于根据所述第一位置数据集合和所述第二位置数据集合确定第一定位差值集合;
第三确定单元,用于根据所述第一分类差值集合和所述第一定位差值集合确定第一差值集合;
第四确定单元,用于从所述第一差值集合中确定数值最小的第一差值所对应的对象识别模型为对象识别模型。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-6任意一项所述对象识别模型的确定方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6任意一项所述对象识别模型的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297511.XA CN111612034B (zh) | 2020-04-15 | 2020-04-15 | 一种对象识别模型的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010297511.XA CN111612034B (zh) | 2020-04-15 | 2020-04-15 | 一种对象识别模型的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612034A true CN111612034A (zh) | 2020-09-01 |
CN111612034B CN111612034B (zh) | 2024-04-12 |
Family
ID=72195913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010297511.XA Active CN111612034B (zh) | 2020-04-15 | 2020-04-15 | 一种对象识别模型的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612034B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180025093A (ko) * | 2016-08-30 | 2018-03-08 | 주식회사 루닛 | 약한 지도 학습 기반의 기계 학습 방법 및 그 장치 |
WO2018108129A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京市商汤科技开发有限公司 | 用于识别物体类别的方法及装置、电子设备 |
CN108764208A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
WO2018201835A1 (zh) * | 2017-05-03 | 2018-11-08 | 腾讯科技(深圳)有限公司 | 信号灯状态识别方法、装置、车载控制终端及机动车 |
CN108921040A (zh) * | 2018-06-08 | 2018-11-30 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN109190540A (zh) * | 2018-06-06 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
WO2019031714A1 (ko) * | 2017-08-08 | 2019-02-14 | 삼성전자 주식회사 | 객체를 인식하는 방법 및 장치 |
CN109635833A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 一种基于云平台和模型智能推荐的图像识别方法及系统 |
CN110110749A (zh) * | 2019-03-29 | 2019-08-09 | 广州思德医疗科技有限公司 | 一种训练集中的图片处理方法及装置 |
CN110175590A (zh) * | 2019-05-31 | 2019-08-27 | 北京华捷艾米科技有限公司 | 一种商品识别方法及装置 |
CN110458004A (zh) * | 2019-07-02 | 2019-11-15 | 浙江吉利控股集团有限公司 | 一种目标对象识别方法、装置、设备以及存储介质 |
CN110458233A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯云计算(北京)有限责任公司 | 混合粒度物体识别模型训练及识别方法、装置及存储介质 |
CN110674874A (zh) * | 2019-09-24 | 2020-01-10 | 武汉理工大学 | 基于目标精细组件检测的细粒度图像识别方法 |
WO2020011014A1 (zh) * | 2018-07-13 | 2020-01-16 | 腾讯科技(深圳)有限公司 | 实时视频的目标检测与识别方法、系统、存储介质及设备 |
CN110969183A (zh) * | 2019-09-20 | 2020-04-07 | 北京方位捷讯科技有限公司 | 一种根据图像数据确定目标对象受损程度的方法及系统 |
CN110991561A (zh) * | 2019-12-20 | 2020-04-10 | 山东大学齐鲁医院 | 一种下消化道内窥镜图像识别方法及系统 |
-
2020
- 2020-04-15 CN CN202010297511.XA patent/CN111612034B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180025093A (ko) * | 2016-08-30 | 2018-03-08 | 주식회사 루닛 | 약한 지도 학습 기반의 기계 학습 방법 및 그 장치 |
WO2018108129A1 (zh) * | 2016-12-16 | 2018-06-21 | 北京市商汤科技开发有限公司 | 用于识别物体类别的方法及装置、电子设备 |
WO2018201835A1 (zh) * | 2017-05-03 | 2018-11-08 | 腾讯科技(深圳)有限公司 | 信号灯状态识别方法、装置、车载控制终端及机动车 |
WO2019031714A1 (ko) * | 2017-08-08 | 2019-02-14 | 삼성전자 주식회사 | 객체를 인식하는 방법 및 장치 |
CN109190540A (zh) * | 2018-06-06 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
WO2019233393A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108921040A (zh) * | 2018-06-08 | 2018-11-30 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
CN108764208A (zh) * | 2018-06-08 | 2018-11-06 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
WO2019233394A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、存储介质、电子设备 |
WO2020011014A1 (zh) * | 2018-07-13 | 2020-01-16 | 腾讯科技(深圳)有限公司 | 实时视频的目标检测与识别方法、系统、存储介质及设备 |
CN109635833A (zh) * | 2018-10-30 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 一种基于云平台和模型智能推荐的图像识别方法及系统 |
CN110110749A (zh) * | 2019-03-29 | 2019-08-09 | 广州思德医疗科技有限公司 | 一种训练集中的图片处理方法及装置 |
CN110175590A (zh) * | 2019-05-31 | 2019-08-27 | 北京华捷艾米科技有限公司 | 一种商品识别方法及装置 |
CN110458004A (zh) * | 2019-07-02 | 2019-11-15 | 浙江吉利控股集团有限公司 | 一种目标对象识别方法、装置、设备以及存储介质 |
CN110458233A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯云计算(北京)有限责任公司 | 混合粒度物体识别模型训练及识别方法、装置及存储介质 |
CN110969183A (zh) * | 2019-09-20 | 2020-04-07 | 北京方位捷讯科技有限公司 | 一种根据图像数据确定目标对象受损程度的方法及系统 |
CN110674874A (zh) * | 2019-09-24 | 2020-01-10 | 武汉理工大学 | 基于目标精细组件检测的细粒度图像识别方法 |
CN110991561A (zh) * | 2019-12-20 | 2020-04-10 | 山东大学齐鲁医院 | 一种下消化道内窥镜图像识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
J. SALAZAR等: "Self-attention Networks for Connectionist Temporal Classification in Speech Recognition", 《ICASSP 2019 - 2019 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》, pages 7115 - 7119 * |
许艇: "基于改进的Faster R-CNN物流车辆特征识别研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 7, pages 034 - 296 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612034B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200257791A1 (en) | Regionalized change detection using digital fingerprints | |
KR101346539B1 (ko) | 얼굴들을 상관시킴으로써 디지털 이미지들을 구조화하기 | |
CN110472082B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
JP6698663B2 (ja) | 自動化スライド全域解析の品質管理 | |
GB2602581A (en) | Automatic detection and replacement of identifying information in images using machine learning | |
CN110490237B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
JP2015011641A (ja) | 画像処理フィルタの作成装置及びその方法 | |
Park et al. | Fast and robust copy-move forgery detection based on scale-space representation | |
CN109948644A (zh) | 一种相似房源数据检测方法、装置及终端设备 | |
Goto et al. | Adversarial autoencoder for detecting anomalies in soldered joints on printed circuit boards | |
CA3035387C (en) | Digitization of industrial inspection sheets by inferring visual relations | |
CN111127558A (zh) | 确定装配体检测角度的方法、装置、电子设备及存储介质 | |
CN114022804A (zh) | 一种泄漏的检测方法、装置、系统及存储介质 | |
Phoka et al. | Image based phishing detection using transfer learning | |
CN111612034A (zh) | 一种对象识别模型的确定方法、装置、电子设备及存储介质 | |
US20230333720A1 (en) | Generating presentation information associated with one or more objects depicted in image data for display via a graphical user interface | |
KR102230559B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN110263736A (zh) | 一种构件识别方法、装置、存储介质及系统 | |
CN113592761A (zh) | 存储介质、走线检测装置、走线检测模型训练装置及方法 | |
CN112446850A (zh) | 适配测试方法、装置及电子设备 | |
CN108334602B (zh) | 数据标注方法和装置、电子设备、计算机存储介质 | |
CN112016334A (zh) | 判分方法及装置 | |
Kleber et al. | Automated {PCB} reverse engineering | |
JP7418158B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Spampinato et al. | Overview of the LifeCLEF 2014 Fish Task. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |