CN111666898A - 用于识别车辆所属类别的方法和装置 - Google Patents

用于识别车辆所属类别的方法和装置 Download PDF

Info

Publication number
CN111666898A
CN111666898A CN202010518051.9A CN202010518051A CN111666898A CN 111666898 A CN111666898 A CN 111666898A CN 202010518051 A CN202010518051 A CN 202010518051A CN 111666898 A CN111666898 A CN 111666898A
Authority
CN
China
Prior art keywords
vehicle
information
image
logo
detection model
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
Application number
CN202010518051.9A
Other languages
English (en)
Other versions
CN111666898B (zh
Inventor
王睿
王鑫尘
王长虎
邵杰
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 CN202010518051.9A priority Critical patent/CN111666898B/zh
Publication of CN111666898A publication Critical patent/CN111666898A/zh
Application granted granted Critical
Publication of CN111666898B publication Critical patent/CN111666898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于识别车辆所属类别的方法和装置。该方法的一具体实施方式包括：获取待识别车辆图像；将该待识别车辆图像输入至预先训练的车标检测模型，得到车标信息，其中，品牌下包括至少一个车系；将该待识别车辆图像输入至预先训练的车系检测模型，得到车系信息，其中，该车系信息用于指示该待识别车辆图像呈现的车辆所属的车系；基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，该车辆类别信息用于指示该待识别车辆图像呈现的车辆所属的品牌和车系。该实施方式有效提升了在车辆外观容易混淆且汽车角度丰富的应用场景下的识别准确率，进而为召回高匹配度的结果提供保障。

Description

用于识别车辆所属类别的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于识别车辆所属类别的方法和装置。
背景技术
随着人工智能技术的飞速发展，各种图像识别技术也取得了越来越广泛的应用。针对用户生产内容(user generated content,UGC)的车辆识别和检索场景，现有技术通常是对用户拍摄的图片提取传统几何特征(如SIFT、SURF特征)或通过CNN(Convolutionalneural network,卷积神经网络)提取向量特征，再通过对上述特征的筛选和比较得到对应的车辆识别结果和相近的车辆图像。
发明内容
本申请实施例提出了用于识别车辆所属类别的方法和装置。
第一方面，本申请实施例提供了一种用于识别车辆所属类别的方法，该方法包括：获取待识别车辆图像；将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息，其中，车标信息包括用于指示待识别车辆图像呈现的车辆所属的品牌的信息，品牌下包括至少一个车系；将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息，其中，车系信息用于指示待识别车辆图像呈现的车辆所属的车系；基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系。
第二方面，本申请实施例提供了一种用于显示车辆所属类别的方法，该方法包括：响应于检测到针对目标视频帧的第一预设操作，将目标视频帧发送至目标设备，其中，第一预设操作用于指示识别目标视频帧包括的待识别车辆图像；接收目标设备发送的、与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息，其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系；根据位置信息，显示车辆类别信息。
第三方面，本申请实施例提供了一种用于识别车辆所属类别的装置，该装置包括：获取单元，被配置成获取待识别车辆图像；车标检测单元，被配置成将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息，其中，车标信息包括用于指示待识别车辆图像呈现的车辆所属的品牌的信息，品牌下包括至少一个车系；车系检测单元，被配置成将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息，其中，车系信息用于指示待识别车辆图像呈现的车辆所属的车系；生成单元，被配置成基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系。
第四方面，本申请实施例提供了一种用于显示车辆所属类别的装置，该装置包括：发送单元，被配置成响应于检测到针对目标视频帧的第一预设操作，将目标视频帧发送至目标设备，其中，第一预设操作用于指示识别目标视频帧包括的待识别车辆图像；接收单元，被配置成接收目标设备发送的、与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息，其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系；显示单元，被配置成根据位置信息，显示车辆类别信息。
第五方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面、第二方面中任一实现方式描述的方法。
第六方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面、第二方面中任一实现方式描述的方法。
本申请实施例提供的用于识别车辆所属类别的方法和装置，通过将对待识别车辆图像中车辆所属类别的识别分解为对车标和车系进行识别后得到的前置结果之间的融合，并且通过两者之间的匹配校验提升最终生成的车辆类别信息的准确性。从而有效提升了在车辆外观容易混淆且汽车角度丰富的场景(例如UGC场景)下的识别准确率。并且，还可以为后续的相似车辆图像的召回提供更为准确可靠的数据基础(如特征向量)，进而为召回高匹配度的结果提供保障。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于识别车辆所属类别的方法的一个实施例的流程图；
图3是根据本申请的实施例的用于识别车辆所属类别的方法的一个应用场景的示意图；
图4是根据本申请的用于识别车辆所属类别的方法的又一个实施例的流程图；
图5是根据本申请的用于显示车辆所属类别的方法的一个实施例的流程图；
图6是根据本申请的实施例的用于显示车辆所属类别的方法的一个应用场景的示意图；
图7是根据本申请的用于识别车辆所属类别的装置的一个实施例的结构示意图；
图8是根据本申请的用于显示车辆所属类别的装置的一个实施例的结构示意图；
图9是适于用来实现本申请的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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。
图1示出了可以应用本申请的用于识别车辆所属类别的方法或用于识别车辆所属类别的装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、图片搜索类应用、即时通信工具、邮箱客户端、社交平台软件、视频类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持图像显示的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上显示的图像提供支持的后台服务器。后台服务器可以对获取的待识别车辆图像进行分析等处理，并生成处理结果(如车辆类别信息)。可选地，服务器105还可以将上述所生成的处理结果反馈给终端设备。
需要说明的是，上述待识别车辆图像也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的待识别车辆图像并进行处理，此时，可以不存在终端设备101、102、103和网络104。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于识别车辆所属类别的方法一般由服务器105执行，相应地，用于识别车辆所属类别的装置一般设置于服务器105中。可选地，本申请实施例所提供的用于识别车辆所属类别的方法也可以由终端设备101、102、103执行，相应地，用于识别车辆所属类别的装置可以设置于终端设备101、102、103中。此时，可以不存在网络104和服务器105。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于识别车辆所属类别的方法的一个实施例的流程200。该用于识别车辆所属类别的方法包括以下步骤：
步骤201，获取待识别车辆图像。
在本实施例中，用于识别车辆所属类别的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取待识别车辆图像。作为示例，上述执行主体可以获取预先存储于本地的待识别车辆图像，也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的待识别车辆图像。
步骤202，将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息。
在本实施例中，上述执行主体可以将步骤201所获取的待识别车辆图像输入至预先训练的车标检测模型，从而得到与上述待识别车辆图像对应的至少一个车标信息。其中，上述车标信息可以包括用于指示上述待识别车辆图像呈现的车辆所属的品牌的信息。上述品牌下可以包括至少一个车系。作为示例，上述车标信息例如可以包括“宝马”、“奔驰”、“北汽”等。上述车系例如可以包括“宝马X1”、“宝马X3”、“宝马X7”、“奔驰G级”、“北汽BJ80”等。
在本实施例中，上述车标检测模型可以包括各种通过机器学习方法对初始车标检测模型进行训练而得到的能够用于图像分类的模型。其中，上述初始车标检测模型可以包括目标检测网络和分类网络。上述目标检测网络通常可以为适合于大规模数据检测的轻量级网络，例如以MOBILE-NET v2为骨架网络(backbone)的模型。上述分类网络通常可以为具有较高识别准确度的、比上述目标检测网络的复杂度更高的分类网络，例如YOLO-V3模型。其中，模型的复杂度通常可以包括时间复杂度和/或空间复杂度。
基于上述车标检测模型，可以通过轻量级网络快速过滤掉不包括车辆的图像，并将节约的计算资源分配至后续需要较高结果准确度的分类网络，从而可以满足线上大规模数据识别的实时性和准确性要求。
在本实施例的一些可选的实现方式中，上述车标信息还可以包括用于指示待识别车辆图像未呈现车辆所属的品牌的信息，例如“未检测到车标”或细分为“车内饰”、“车部件”等。上述用于训练上述车标检测模型的训练样本可以包括负样本。上述负样本可以包括不包含车标图像的样本图像和对应的负标签。上述不包含车标图像的样本图像包括以下至少一项：车辆侧面图像，车辆内饰图像，车辆部件图像。
基于上述可选的实现方式，通过将车辆侧面图像、局部图像等容易造成识别结果错误的图像和对应的负标签作为训练样本的负样本，可以有效降低将并不包含车标信息的图像强制识别为某种车标的概率，从而可以显著提升车标检测的准确率。
步骤203，将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息。
在本实施例中，上述执行主体可以将步骤201所获取的待识别车辆图像输入至预先训练的车系检测模型，从而得到与上述待识别车辆图像对应的至少一个车系信息。其中，上述车系信息可以用于指示上述待识别车辆图像呈现的车辆所属的车系，即对车系的识别是在比车标更细粒度的层面上对车辆所属类别进行分类。
在本实施例中，上述车系检测模型可以包括各种通过机器学习方法对初始车系检测模型进行训练而得到的能够用于图像分类的模型。其中，上述初始车系检测模型的复杂度通常大于上述初始车标检测模型。上述初始车系检测模型例如可以包括残差网络ResNet18模型。
在本实施例的一些可选的实现方式中，上述车系信息还可以包括用于指示待识别车辆图像未呈现车辆所属的车系的信息，例如“未识别出车系”等。
在本实施例的一些可选的实现方式中，上述车系检测模型可以通过如下步骤训练得到：
第一步，获取预先训练的准车系检测模型。
在这些实现方式中，用于训练上述车系检测模型的执行主体可以从本地或通信连接的电子设备获取预先训练的准车系检测模型。其中，上述准车系检测模型可以用于表征待识别车辆图像与至少一个车系信息之间的对应关系。即，上述准车系检测模型可以是训练完成的、可以实现上述车系识别功能的、较为复杂的模型。
第二步，获取初始车系检测模型。
在这些实现方式中，用于训练上述车系检测模型的执行主体可以从本地或通信连接的电子设备获取初始车系检测模型。其中，上述初始车系检测模型的复杂度通常小于上述第一步所获取的准车系检测模型的复杂度。可选地，上述初始车系检测模型可以结合注意力机制(Attention Mechanism)，从而可以更好地学习汽车图像区域中最具识别性的区域(例如保险杠、车灯、尾部造型等)。
第三步，获取车系训练样本集合。
在这些实现方式中，用于训练上述车系检测模型的执行主体可以从本地或通信连接的电子设备获取车系训练样本集合。其中，上述车系训练样本集合中的训练样本可以包括样本待识别图像和对应的样本标注信息。上述样本标注信息可以包括用于指示样本待识别图像呈现的车辆所属的车系的信息。
第四步，利用车系训练样本集合训练初始车系检测模型，以使初始车系检测模型的参数基于预设的损失函数进行调整。
在这些实现方式中，用于训练上述车系检测模型的执行主体可以利用上述第三步所获取的车系训练样本集合训练上述第二步所获取的初始车系检测模型，以使上述初始车系检测模型的参数基于预设的损失函数进行调整。其中，上述损失函数与上述初始车系检测模型和上述准车系检测模型针对同一样本待识别图像的输出结果之间的距离呈正相关。从而，可以在上述准车系检测模型的参数固定的前提下，按照使得对应于同一样本待识别图像的输出趋于一致的方式调整上述初始车系检测模型的参数。
可选地，上述损失函数中还可以包括用于表征样本待识别图像经过上述初始车系检测模型的输出与样本待识别图像对应的样本标注信息之间的偏差的各种表达式(例如L2loss)。
可选地，上述损失函数可以与属于相同车系的样本待识别图像之间的相似度呈负相关，与属于不同车系的样本待识别图像之间的相似度呈正相关。作为示例，上述样本待识别图像可以包括宝马X1前部图像x1、宝马X1尾部图像x2、宝马X3前部图像x3。对于上述图像x1和上述图像x2，上述损失函数的设计思想可以表示为：
Figure BDA0002530899080000081
其中，上述
Figure BDA0002530899080000082
可以分别用于指示上述图像x1和上述图像x2通过训练过程中的初始车系检测模型所生成的特征向量。对于上述图像x1和上述图像x3，上述损失函数的设计思想可以表示为：
Figure BDA0002530899080000083
其中，上述
Figure BDA0002530899080000084
可以分别用于指示上述图像x1和上述图像x3通过训练过程中的初始车系检测模型所生成的特征向量。
基于上述可选的实现方式，通过上述基于度量学习(metric learning)的损失函数设计，可以减小或限制属于同类别(即样本标注信息一致)的训练样本之间的距离，同时增大属于不同类别(即样本标注信息不一致)样本之间的距离，以更好地学习模型表征能力。从而可以实现有效区分属于不同车系但是在外形上很相像的车系(例如北汽BJ80和奔驰G级)，并且可以对汽车的局部区域具有更好的识别能力。
第五步，响应于确定满足预设的训练结束条件，将参数调整后的初始车系检测模型确定为车系检测模型。
在这些实现方式中，上述预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；测试集上的准确率达到预设的准确率阈值；测试集上的覆盖率达到预设的覆盖率阈值。从而，可以训练得到既能够生成车系信息、又可以得到与准车系检测模型的图像特征的空间分布尽可能接近的结构更为简单的模型。
需要说明的是，上述步骤203和步骤204可以基本并行地执行。
步骤204，基于所得到的车标信息和车系信息的匹配，生成车辆类别信息。
在本实施例中，基于所得到的车标信息和车系信息的匹配，上述执行主体可以通过各种方式生成车辆类别信息。其中，上述车辆类别信息可以用于指示上述待识别车辆图像呈现的车辆所属的品牌和车系。作为示例，上述执行主体可以基于所得到的车系信息所指示的车系是否属于所得到的车标信息所指示的品牌，生成车辆类别信息。具体地，响应于确定所得到的车系信息所指示的车系属于所得到的车标信息所指示的品牌，上述执行主体可以生成与上述车系信息一致的车辆类别信息。可选地，响应于确定所得到的车系信息所指示的车系不属于所得到的车标信息所指示的品牌，上述执行主体可以生成表征车系识别失败的车辆类别信息。
在本实施例的一些可选的实现方式中，上述所得到的车标信息和车系信息可以分别对应有置信度。实践中，针对一张输入图像，上述预先训练的车标检测模型通常可以输出多个车标信息及其对应的置信度。上述预先训练的车系检测模型通常也可以输出多个车系信息及其对应的置信度。基于所得到的车标信息和车系信息的匹配，上述执行主体可以通过以下步骤生成车辆类别信息：
第一步，响应于确定所得到的车标信息对应的置信度大于第一预设阈值，从所得到的至少一个车系信息中选取用于指示属于车标信息所指示的品牌的车系的车系信息作为候选车系信息。
在这些实现方式中，作为示例，响应于确定所得到的车标信息“宝马”对应的置信度0.8大于第一预设阈值0.7，上述执行主体可以从所得到的车系信息“宝马X1”、“宝马X3”、“奥迪Q3”选取属于“宝马”品牌的车系信息“宝马X1”、“宝马X3”作为候选车系信息。
第二步，基于所选取的候选车系信息对应的置信度是否大于第二预设阈值，生成车辆类别信息。
在这些实现方式中，基于上述第一步所选取的候选车系信息对应的置信度是否大于第二预设阈值，上述执行主体可以通过各种方式生成车辆类别信息。其中，上述第二预设阈值通常为与上述第一预设阈值相近的数值。作为示例，响应于确定所选取的候选车系信息对应的置信度中不存在大于上述第二预设阈值的置信度，上述执行主体可以生成表征车系识别失败的车辆类别信息。
可选地，基于所选取的候选车系信息对应的置信度是否大于第二预设阈值，上述执行主体可以按照以下步骤生成车辆类别信息：
S1、从所选取的候选车系信息对应的置信度中选取最大的置信度作为目标置信度。
在这些实现方式中，上述执行主体可以从上述第一步所选取的候选车系信息对应的置信度中选取最大的置信度作为目标置信度。
S2、响应于确定所述目标置信度大于第二预设阈值，生成与所述目标置信度对应的车系信息所指示的车系一致的车辆类别信息。
可选地，基于所得到的车标信息和车系信息的匹配，响应于确定所得到的车标信息对应的置信度中的最大值不大于上述第一预设阈值，上述执行主体还可以根据所得到的车系信息对应的置信度是否大于第三预设阈值，生成车辆类别信息。其中，上述第三预设阈值通常大于上述第二预设阈值。作为示例，响应于确定所得到的车系信息对应的置信度中存在大于第三预设阈值的置信度，生成与置信度最大的车系信息一致的车辆类别信息。作为又一示例，响应于确定所得到的车系信息对应的置信度中不存在大于第三预设阈值的置信度，生成表征车系识别失败的车辆类别信息。
例如，响应于确定所得到的车标信息“宝马”(置信度0.4)、“奔驰”(置信度0.3)对应的置信度中的最大值0.4不大于第一预设阈值0.7，根据所得到的车系信息“宝马X1”(置信度0.4)、“宝马X3”(置信度0.5)、“奥迪Q3”(置信度0.8)中“奥迪Q3”对应的置信度0.8大于第三预设阈值0.7，上述执行主体可以生成表征车辆类别信息“奥迪Q3”。
可选地，基于所得到的车标信息和车系信息的匹配，响应于确定所得到的用于指示未识别出车标的车标信息对应的置信度大于第四预设阈值且所得到的车系信息对应的置信度的最大值小于第五预设阈值，上述执行主体可以生成表征待识别车辆图像中不存在完整车辆图像的车辆类别信息。其中，上述第五预设阈值通常小于上述第一、第二、第三、第四预设阈值中的任一项。
基于上述可选的实现方式，可以有效降低将并不包含完整车辆图像的图像强制识别为某种车系的概率，从而可以显著提升车系检测的准确率。
继续参见图3，图3是根据本申请实施例的用于识别车辆所属类别的方法的应用场景的一个示意图。在图3的应用场景中，用户301使用终端302将待识别车辆图像303发送至后台服务器304。后台服务器304将获取的待识别车辆图像303输入至预先训练的车标检测模型，得到用于指示车辆属于“奔驰”的车标信息305。后台服务器304将获取的待识别车辆图像303输入至预先训练的车系检测模型，得到用于指示车辆属于“奔驰G级”的车系信息306。响应于确定车标信息305所指示的车标信息“奔驰”与车系信息306所指示的“奔驰G级”相匹配，后台服务器304可以生成用于指示车辆属于“奔驰G级”类别的车辆类别信息307。可选地，上述后台服务器304还可以将上述车辆类别信息307发送至终端设备302，以使终端设备302将上述车辆类别信息307显示给用户301。
目前，现有技术之一通常是通过提取待识别车辆图像的简单特征实现车辆分类和相近车辆图像的召回，导致在待识别车辆图像质量不高(例如背景较为杂乱、汽车可识别的有效区域较少、视角位置不固定等)的UGC场景下难以达到识别准确率要求。而且现有技术的识别算法对于属于不同品牌但外观相似的车辆的识别结果的准确率也不高，算法的鲁棒性不强。而本申请的上述实施例提供的方法，通过将对待识别车辆图像中车辆所属类别的识别分解为对车标和车系进行识别后得到的前置结果之间的融合，并且通过两者之间的匹配校验提升最终生成的车辆类别信息的准确性。从而有效提升了在车辆外观容易混淆且汽车角度丰富的UGC应用场景下的识别准确率。并且，还可以为后续的相似车辆图像的召回提供更为准确可靠的数据基础(如特征向量)，进而为召回高匹配度的结果提供保障。
进一步参考图4，其示出了用于识别车辆所属类别的方法的又一个实施例的流程400。该用于识别车辆所属类别的方法的流程400，包括以下步骤：
步骤401，获取待识别车辆图像。
步骤402，将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息。
步骤403，将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息。
步骤404，基于所得到的车标信息和车系信息的匹配，生成车辆类别信息。
上述步骤401、步骤402、步骤403、步骤204分别与前述实施例中的步骤201、步骤202、步骤203、步骤204及其可选的实现方式一致，上文针对步骤201、步骤202、步骤203、步骤204及其可选的实现方式的描述也适用于步骤401、步骤402、步骤403和步骤404，此处不再赘述。
步骤405，利用车系检测模型提取待识别车辆图像的特征向量。
在本实施例中，用于识别车辆所属类别的方法的执行主体(例如图1所示的服务器105)可以利用上述步骤403中预先训练的车系检测模型提取待识别车辆图像的特征向量。其中，上述待识别车辆图像的特征向量通常为上述车系检测模型对上述待识别车辆图像进行处理的中间结果。作为示例，上述执行主体可以从上述车系检测模型的中间层获取的上述待识别车辆图像的特征向量。
步骤406，从预设的车辆信息索引库中选取第一目标数目张与待识别车辆图像的特征向量匹配的车辆信息。
在本实施例中，上述执行主体可以通过各种方式从预设的车辆信息索引库中选取第一目标数目张与待识别车辆图像的特征向量匹配的车辆信息。其中，上述车辆信息索引库中的车辆信息可以包括车辆展示图像和车辆图像特征向量。上述匹配可以包括相似程度大于预设阈值或相似程度最高的预设数目张图片。上述相似程度可以用距离或相似度来表示。可选地，上述预设的车辆信息索引库可以基于nmslib检索引擎构建。
在本实施例的一些可选的实现方式中，上述车辆信息索引库中的车辆信息还可以包括目标视频信息和车辆类别信息。上述目标视频信息所指示的视频中通常包括上述车辆展示图像。上述车辆信息索引库中的车辆信息可以通过如下步骤得到：
第一步，获取车辆视频。
在这些实现方式中，用于构建车辆信息索引库的执行主体可以从本地或通信连接的电子设备获取上述车辆视频。其中，上述车辆视频中通常包括呈现有车辆的视频帧。
第二步，从车辆视频中提取第二目标数目个时间关联的、呈现有车辆的视频帧。
在这些实现方式中，上述时间关联的视频帧可以包括但不限于以下至少一项：连续若干帧，每隔几帧取1帧，在预设时间段任意取若干帧。作为示例，上述第二目标数目例如可以为5，则上述执行主体可以从上述第一步所获取的视频中提取连续5帧呈现有车辆的视频帧，也可以从上述第一步所获取的视频中每隔3帧取1帧呈现有车辆的视频帧，还可以分别从连续5s中的每1s对应的24帧中提取呈现有车辆的视频帧。
第三步，将所提取的视频帧输入至车标检测模型，得到各视频帧对应的车标信息。
在这些实现方式中，上述车标检测模型可以与前述实施例中步骤202及其可选的实现方式中的描述一致，此处不再赘述。
第四步，将所得到的车标信息中用于指示同一品牌的车标信息的数目的最大值确定为第三目标数目。
在这些实现方式中，上述第三目标数目通常不大于上述第二目标数目。上述所得到的车标信息通常包括上述第三步的车标检测模型输出的最高置信度的车标信息，即一个视频帧对应一个车标信息。作为示例，所得到与5个视频帧对应的车标信息可以为4个“宝马”和1个“奔驰”。上述执行主体可以将上述4确定为上述第三目标数目。
第五步，响应于确定第三数目满足预设的置信条件，将第三目标数目对应的车标信息确定为所提取的视频帧对应的车标信息。
在这些实现方式中，上述置信条件可以包括但不限于以下至少一项：第三目标数目大于预设的数目阈值，第三目标数目与上述第二数目的比值大于预设的比值阈值。
第六步，将所提取的视频帧输入至车系检测模型，得到各视频帧对应的车系信息。
在这些实现方式中，上述车系检测模型可以与前述实施例中步骤203及其可选的实现方式中的描述一致，此处不再赘述。
第七步，基于所得到的车系信息与所确定的车标信息的匹配，生成车辆视频对应的车辆类别信息。
在这些实现方式中，基于所得到的车系信息与所确定的车标信息的匹配，上述执行主体可以通过与前述实施例中步骤204及其可选的实现方式中的描述一致的方式生成车辆视频对应的车辆类别信息。
第八步，获取车辆视频对应的车辆类别信息对应的置信度。
在这些实现方式中，对上述置信度的描述可以参考前述实施例。从而，上述执行主体可以获取各视频帧对应的车系信息及其置信度。而后，上述执行主体可以通过各种方式生成上述车辆视频对应的车辆类别信息对应的置信度。作为示例，上述执行主体可以将与上述第七步所生成的车辆类别信息一致的车系信息对应的置信度的最大值确定为上述车辆视频对应的车辆类别信息对应的置信度。作为又一示例，上述执行主体可以将与上述第七步所生成的车辆类别信息一致的车系信息对应的多个置信度的平均值确定为上述车辆视频对应的车辆类别信息对应的置信度。
第九步，根据车辆视频对应的置信度，基于所提取的视频帧生成所述车辆视频的车辆展示图像。
在这些实现方式中，根据车辆视频对应的置信度，上述执行主体可以基于所提取的视频帧通过各种方式生成上述车辆视频的车辆展示图像。其中，上述车辆视频对应的置信度可以包括以下至少一项：车辆视频中的视频帧对应的车标信息的置信度，车辆视频中的视频帧对应的车系信息的置信度，车辆视频对应的车辆类别信息对应的置信度。
作为示例，响应于确定上述车辆视频对应的车辆类别信息对应的置信度大于预设阈值，上述执行主体可以从上述所提取的视频帧中选取与上述车辆类别信息一致的、置信度最大的车系信息对应的视频帧作为候选展示图像。而后，上述执行主体可以通过对上述候选展示图像进行裁剪、图像增强等图像处理操作生成上述车辆展示图像。从而可以生成适合展示的、能够较为完整地展示车辆的图像。
第十步，利用车系检测模型提取车辆视频的车辆展示图像的车辆图像特征向量。
在这些实现方式中，上述执行主体可以利用与步骤405一致的方式提取车辆视频的车辆展示图像的车辆图像特征向量。
第十一步，获取车辆视频的车辆展示图像对应的视频帧在车辆视频中的时间轴位置。
第十二步，将所生成的车辆视频对应的车辆类别信息、车辆展示图像、车辆图像特征向量、车辆展示图像对应的视频帧的时间轴位置进行关联存储。
步骤407，在待识别车辆图像的显示界面上展示以下至少一项：车辆类别信息，匹配的车辆信息的车辆展示图像。
在本实施例中，上述执行主体可以直接展示上述车辆类别信息和匹配的车辆信息的车辆展示图像中的至少一项。上述执行主体也可以将上述车辆类别信息和匹配的车辆信息的车辆展示图像中的至少一项发送至目标电子设备(例如终端设备)，以使上述目标电子设备在待识别车辆图像的显示界面上进行展示。
从图4中可以看出，本实施例中的用于识别车辆所属类别的方法的流程400体现了从预设的车辆信息索引库中召回匹配的车辆信息以及显示相应的信息的步骤。由此，本实施例描述的方案可以在快速准确地进行车系识别的基础上实现对同款车辆和相似车型的车辆信息的检索，从而提升了车辆信息的匹配度。并且通过信息的可视化展示提升了展示信息的丰富度，从而可以使用户知晓所推荐的匹配车辆信息与检索的车辆之间的关联。
继续参考图5，示出了根据本申请的用于显示车辆所属类别的方法的一个实施例的流程500。该用于显示车辆所属类别的方法包括以下步骤：
步骤501，响应于检测到针对目标视频帧的第一预设操作，将目标视频帧发送至目标设备。
在本实施例中，响应于检测到针对目标视频帧的第一预设操作，用于显示车辆所属类别的方法的执行主体(如图1所示的终端设备101、102、103)可以通过有线连接方式或者无线连接方式将目标视频帧发送至目标设备。其中，上述第一预设操作可以用于指示识别上述目标视频帧包括的待识别车辆图像。作为示例，上述第一预设操作可以包括点击“识别车辆”按钮。作为又一示例，上述第一预设操作可以包括在视频播放过程中点击“暂停”按钮。作为示例，上述目标视频帧可以包括待播放视频所展示的封面图像。作为又一示例，上述目标视频帧也可以包括在视频播放过程中检测到上述第一预设操作的时刻对应的视频帧。
在本实施例中，上述目标设备可以是根据实际的应用需求，预先指定的、能够实现对上述目标视频帧包括的待识别车辆图像进行车辆类别识别的任意电子设备。可选地，上述目标设备可以包括前述实施例中用于识别车辆所属类别的方法的执行主体。
需要说明的是，上述用于显示车辆所属类别的方法的执行主体也可以执行上述用于识别车辆所属类别的方法。此时，上述目标设备也可以是上述执行主体的处理器。
步骤502，接收目标设备发送的、与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息。
在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式接收上述目标设备发送的、与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息。其中，上述车辆类别信息可以用于指示上述待识别车辆图像呈现的车辆所属的品牌和车系。
在本实施例中，上述目标设备可以通过各种方式得到上述与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息，在此不作限定。
可选地，上述用于指示车辆图像显示在目标视频帧的位置的位置信息可以包括各种通过目标检测方法所确定的位置信息。作为示例，上述用于指示车辆图像显示在目标视频帧的位置的位置信息可以通过前述实施例中描述的车标检测模型中的目标检测网络得到。
可选地，上述与目标视频帧匹配的车辆类别信息可以与前述实施例中描述的车辆类别信息一致，此处不再赘述。
步骤503，根据位置信息，显示车辆类别信息。
在本实施例中，根据位置信息，上述执行主体可以通过各种方式显示车辆类别信息。作为示例，上述位置信息可以包括检测框的中心点的坐标和检测框的长度、宽度。上述执行主体可以将上述步骤502接收到的车辆类别信息以各种显示形式显示在上述检测框的周围(例如左上角、右下角等)。上述显示形式可以包括但不限于以下至少一项：标签形式，气泡形式。
在本实施例的一些可选的实现方式中，上述执行主体还可以继续执行以下步骤：
第一步，接收目标设备发送的、与目标视频帧匹配的至少一个候选车辆信息。
在这些实现方式中，上述候选车辆信息可以包括车辆展示图像、车辆类别信息、包括上述车辆展示图像的视频的标识。
第二步，在目标视频帧的显示界面上展示至少一个候选车辆展示信息。
在这些实现方式中，上述候选车辆展示信息可以包括上述候选车辆信息的车辆展示图像和/或车辆类别信息。
需要说明的是，对上述候选车辆信息包括的车辆展示图像的描述可以参考前述实施例中步骤406中与待识别车辆图像的特征向量匹配的车辆信息的描述。对上述包括上述车辆展示图像的视频的描述可以参考前述实施例中步骤406的可选的实现方式中的相应描述。上述视频的标识可以包括各种能够唯一标识视频的信息。
第三步，响应于检测到针对所展示的至少一个候选车辆展示信息的第二预设操作，根据所检测到的第二预设操作所针对的候选车辆展示信息对应的车辆展示图像的视频的标识播放视频。
在这些实现方式中，上述第二预设操作可以用于指示播放所针对的候选车辆展示信息对应的车辆展示图像的视频。作为示例，上述第二预设操作可以包括点击或长按候选车辆展示信息。
基于上述可选的实现方式，上述执行主体可以根据用户在视频中进行车辆识别的图像来匹配近似的车辆视频，实现了在型号、外观等方面相同或相近车辆的视频检索，与现有的依据关键字进行检索相比简化了用户的操作。
继续参见图6，图6是根据本申请实施例的用于显示车辆所属类别的方法的应用场景的一个示意图。在图6的应用场景中，用户利用设备601播放配文为“今天去兜风”的视频602。播放过程中，用户在出现感兴趣的车辆画面时点击暂停按钮603。设备602将点击暂停按钮时刻对应的视频帧发送至后台服务器。而后，设备602将从上述后台服务器接收到的车辆类别信息“宝马X3”604显示在车辆图像附近。可选地，设备602还可以将从上述后台服务器接收的候选车辆展示信息605展示在上述视频602的播放界面上。可选地，用户还可以点击上述候选车辆展示信息605以播放对应的视频。
目前，现有技术之一通常是通过对用户上传的车辆图像进行分析来生成车辆类别以及对相似车辆图像进行展示。如果用户在播放的视频中发现包括感兴趣车辆的图像帧，需要以拍照、截图或根据配文搜索的方式了解车辆型号以及相关车型。导致用户操作繁琐，识别准确率不高。而本申请的上述实施例提供的方法，通过第一预设操作触发对视频中特定图像帧(如包括车辆图像的视频帧)进行车辆类别的检测，并通过可视化展示将车辆所属的类别显示给用户，优化了视频检索的流程。而且，由于通过视频帧直接进行检索，避免了由于视频配文主题与特定图像帧的内容不相关而造成的视频匹配错误，从而提升了推荐内容的匹配度。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了用于识别车辆所属类别的装置的一个实施例，该装置实施例与图2或图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例提供的用于识别车辆所属类别的装置700包括获取单元701、车标检测单元702、车系检测单元703和生成单元704。其中，获取单元701，被配置成获取待识别车辆图像；车标检测单元702，被配置成将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息，其中，车标信息包括用于指示待识别车辆图像呈现的车辆所属的品牌的信息，品牌下包括至少一个车系；车系检测单元703，被配置成将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息，其中，车系信息用于指示待识别车辆图像呈现的车辆所属的车系；生成单元704，被配置成基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系。
在本实施例中，用于识别车辆所属类别的装置700中：获取单元701、车标检测单元702、车系检测单元703和生成单元704的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204及其可选的实现方式的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述生成单元704可以被进一步配置成：基于所得到的车系信息所指示的车系是否属于所得到的车标信息所指示的品牌，生成车辆类别信息。
在本实施例的一些可选的实现方式中，上述所得到的车标信息和车系信息可以分别对应有置信度。上述生成单元704可以包括选取模块(图中未示出)、生成模块(图中未示出)。其中，上述选取模块可以被配置成响应于确定所得到的车标信息对应的置信度大于第一预设阈值，从所得到的至少一个车系信息中选取用于指示属于车标信息所指示的品牌的车系的车系信息作为候选车系信息。上述生成模块可以被配置成基于所选取的候选车系信息对应的置信度是否大于第二预设阈值，生成车辆类别信息。
在本实施例的一些可选的实现方式中，上述生成模块可以包括选取子模块(图中未示出)、生成子模块(图中未示出)。其中，上述选取子模块可以被配置成从所选取的候选车系信息对应的置信度中选取最大的置信度作为目标置信度。上述生成子模块可以被配置成响应于确定目标置信度大于第二预设阈值，生成与目标置信度对应的车系信息所指示的车系一致的车辆类别信息。
在本实施例的一些可选的实现方式中，上述生成单元704可以被进一步配置成：响应于确定所得到的车标信息对应的置信度中的最大值不大于第一预设阈值，根据所得到的车系信息对应的置信度是否大于第三预设阈值，生成车辆类别信息。其中，上述第三预设阈值通常大于上述第二预设阈值。
在本实施例的一些可选的实现方式中，车标信息还可以包括用于指示待识别车辆图像未呈现车辆所属的品牌的信息。上述用于训练上述车标检测模型的训练样本可以包括负样本。上述负样本可以包括不包含车标图像的样本图像和对应的负标签。上述不包含车标图像的样本图像可以包括以下至少一项：车辆侧面图像，车辆内饰图像，车辆部件图像。
在本实施例的一些可选的实现方式中，上述车系检测模型可以通过如下步骤训练得到：获取预先训练的准车系检测模型；获取初始车系检测模型；获取车系训练样本集合；利用上述车系训练样本集合训练上述初始车系检测模型，以使上述初始车系检测模型的参数基于预设的损失函数进行调整；响应于确定满足预设的训练结束条件，将参数调整后的初始车系检测模型确定为所述车系检测模型。其中，上述准车系检测模型可以用于表征待识别车辆图像与至少一个车系信息之间的对应关系。上述初始车系检测模型的复杂度通常小于上述准车系检测模型的复杂度。上述车系训练样本集合中的训练样本可以包括样本待识别图像和对应的样本标注信息。上述样本标注信息可以包括用于指示样本待识别图像呈现的车辆所属的车系的信息。上述损失函数可以与上述初始车系检测模型和上述准车系检测模型针对同一训练样本的输出结果之间的距离呈正相关。
在本实施例的一些可选的实现方式中，上述损失函数可以与属于相同车系的样本待识别图像之间的相似度呈负相关，与属于不同车系的样本待识别图像之间的相似度呈正相关。
在本实施例的一些可选的实现方式中，上述用于识别车辆所属类别的装置700还可以包括：提取单元(图中未示出)、选取单元(图中未示出)、展示单元(图中未示出)。其中，上述提取单元可以被配置成利用车系检测模型提取待识别车辆图像的特征向量。上述选取单元可以被配置成从预设的车辆信息索引库中选取第一目标数目张与待识别车辆图像的特征向量匹配的车辆信息。其中，上述车辆信息索引库中的车辆信息可以包括车辆展示图像和车辆图像特征向量。上述展示单元可以被配置成在待识别车辆图像的显示界面上展示以下至少一项：车辆类别信息，匹配的车辆信息的车辆展示图像。
在本实施例的一些可选的实现方式中，上述车辆信息索引库中的车辆信息还可以包括目标视频信息和车辆类别信息。上述目标视频信息所指示的视频中可以包括上述车辆展示图像。上述车辆信息索引库中的车辆信息可以通过如下步骤得到：获取车辆视频；从车辆视频中提取第二目标数目个时间关联的、呈现有车辆的视频帧；将所提取的视频帧输入至车标检测模型，得到各视频帧对应的车标信息；将所得到的车标信息中用于指示同一品牌的车标信息的数目的最大值确定为第三目标数目；响应于确定第三数目满足预设的置信条件，将第三目标数目对应的车标信息确定为所提取的视频帧对应的车标信息；将所提取的视频帧输入至车系检测模型，得到各视频帧对应的车系信息；基于所得到的车系信息与所确定的车标信息的匹配，生成车辆视频对应的车辆类别信息；获取车辆视频对应的车辆类别信息对应的置信度；根据车辆视频对应的置信度，基于所提取的视频帧生成车辆视频的车辆展示图像；利用车系检测模型提取车辆视频的车辆展示图像的车辆图像特征向量；获取车辆视频的车辆展示图像对应的视频帧在车辆视频中的时间轴位置；将所生成的车辆视频对应的车辆类别信息、车辆展示图像、车辆图像特征向量、车辆展示图像对应的视频帧的时间轴位置进行关联存储。其中，上述车辆视频中可以包括呈现有车辆的视频帧。
本申请的上述实施例提供的装置，通过获取单元701获取待识别车辆图像。而后，车标检测单元702将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息。其中，车标信息包括用于指示待识别车辆图像呈现的车辆所属的品牌的信息。品牌下包括至少一个车系。之后，车系检测单元703将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息。其中，车系信息用于指示待识别车辆图像呈现的车辆所属的车系。生成单元704基于所得到的车标信息和车系信息的匹配，生成车辆类别信息。其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系。从而有效提升了在车辆外观容易混淆且汽车角度丰富的场景(例如UGC场景)下的识别准确率。并且，还可以为后续的相似车辆图像的召回提供更为准确可靠的数据基础(如特征向量)，进而为召回高匹配度的结果提供保障。
进一步参考图8，作为对上述各图所示方法的实现，本申请提供了用于显示车辆所属类别的装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例提供的用于显示车辆所属类别的装置800包括发送单元801、接收单元802和显示单元803。其中，上述发送单元801，被配置成响应于检测到针对目标视频帧的第一预设操作，将目标视频帧发送至目标设备。其中，上述第一预设操作可以用于指示识别上述目标视频帧包括的待识别车辆图像。上述接收单元802，被配置成接收目标设备发送的、与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息。其中，上述车辆类别信息可以用于指示待识别车辆图像呈现的车辆所属的品牌和车系。上述显示单元803，被配置成根据位置信息，显示车辆类别信息。
在本实施例中，用于显示车辆所属类别的装置800中：发送单元801、接收单元802和显示单元803的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501、步骤502、步骤503及其可选的实现方式的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述用于显示车辆所属类别的装置800还可以包括：候选信息接收单元(图中未示出)、候选信息展示单元(图中未示出)、播放单元(图中未示出)。其中，上述候选信息接收单元可以被配置成接收目标设备发送的、与目标视频帧匹配的至少一个候选车辆信息。其中，上述候选车辆信息可以包括车辆展示图像、车辆类别信息、包括车辆展示图像的视频的标识。上述候选信息展示单元可以被配置成在目标视频帧的显示界面上展示至少一个候选车辆展示信息。其中，上述候选车辆展示信息可以包括候选车辆信息的车辆展示图像和/或车辆类别信息。上述播放单元可以被配置成响应于检测到针对所展示的至少一个候选车辆展示信息的第二预设操作，根据所检测到的第二预设操作所针对的候选车辆展示信息对应的车辆展示图像的视频的标识播放视频。
本申请的上述实施例提供的装置，通过发送单元801响应于检测到针对目标视频帧的第一预设操作，将目标视频帧发送至目标设备。其中，第一预设操作用于指示识别目标视频帧包括的待识别车辆图像。而后，接收单元802接收目标设备发送的、与目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在目标视频帧的位置的位置信息。其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系。最后，显示单元803根据位置信息，显示车辆类别信息。从而优化了视频检索的流程。并且避免了由于视频配文主题与特定图像帧的内容不相关而造成的视频匹配错误，进而为提升推荐内容的匹配度奠定基础。
下面参考图9，其示出了适于用来实现本申请实施例的电子设备(例如图1中的服务器或终端设备)900的结构示意图。本申请实施例中的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、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、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9示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900可以包括处理装置(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(ROM)902中的程序或者从存储装置909加载到随机访问存储器(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。处理装置901、ROM 902以及RAM903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(LCD，LiquidCrystal Display)、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9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。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本申请的实施例，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，本申请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ROM 902被安装。在该计算机程序被处理装置901执行时，执行本申请的实施例的方法中限定的上述功能。
需要说明的是，本申请的实施例所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。在本申请的实施例中，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。而在本申请的实施例中，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(Radio Frequency，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，而未装配入该服务器中。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服务器执行时，使得该服务器：获取待识别车辆图像；将待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息，其中，车标信息包括用于指示待识别车辆图像呈现的车辆所属的品牌的信息，品牌下包括至少一个车系；将待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息，其中，车系信息用于指示待识别车辆图像呈现的车辆所属的车系；基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，车辆类别信息用于指示待识别车辆图像呈现的车辆所属的品牌和车系。
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申请实施例的操作的计算机程序代码，所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(LAN)或广域网(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，图示了按照本申请的各种实施例的系统、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。
描述于本申请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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、车标检测单元、车系检测单元、生成单元。其中，这些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，获取单元还可以被描述为“获取待识别车辆图像的单元”。
以上描述仅为本申请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，本申请的实施例中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请实施例中公开的(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。

Claims (16)

1.一种用于识别车辆所属类别的方法，包括：
获取待识别车辆图像；
将所述待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息，其中，所述车标信息包括用于指示所述待识别车辆图像呈现的车辆所属的品牌的信息，所述品牌下包括至少一个车系；
将所述待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息，其中，所述车系信息用于指示所述待识别车辆图像呈现的车辆所属的车系；
基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，所述车辆类别信息用于指示所述待识别车辆图像呈现的车辆所属的品牌和车系。
2.根据权利要求1所述的方法，其中，所述基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，包括：
基于所得到的车系信息所指示的车系是否属于所得到的车标信息所指示的品牌，生成车辆类别信息。
3.根据权利要求1所述的方法，其中，所得到的车标信息和车系信息分别对应有置信度；以及
所述基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，包括：
响应于确定所得到的车标信息对应的置信度大于第一预设阈值，从所得到的至少一个车系信息中选取用于指示属于所述车标信息所指示的品牌的车系的车系信息作为候选车系信息；
基于所选取的候选车系信息对应的置信度是否大于第二预设阈值，生成车辆类别信息。
4.根据权利要求3所述的方法，其中，所述基于所选取的候选车系信息对应的置信度是否大于第二预设阈值，生成车辆类别信息，包括：
从所选取的候选车系信息对应的置信度中选取最大的置信度作为目标置信度；
响应于确定所述目标置信度大于所述第二预设阈值，生成与所述目标置信度对应的车系信息所指示的车系一致的车辆类别信息。
5.根据权利要求3所述的方法，其中，所述基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，包括：
响应于确定所得到的车标信息对应的置信度中的最大值不大于所述第一预设阈值，根据所得到的车系信息对应的置信度是否大于第三预设阈值，生成车辆类别信息，其中，所述第三预设阈值大于所述第二预设阈值。
6.根据权利要求1所述的方法，其中，车标信息还包括用于指示待识别车辆图像未呈现车辆所属的品牌的信息；用于训练所述车标检测模型的训练样本包括负样本，所述负样本包括不包含车标图像的样本图像和对应的负标签，所述不包含车标图像的样本图像包括以下至少一项：车辆侧面图像，车辆内饰图像，车辆部件图像。
7.根据权利要求1所述的方法，其中，所述车系检测模型通过如下步骤训练得到：
获取预先训练的准车系检测模型，其中，所述准车系检测模型用于表征待识别车辆图像与至少一个车系信息之间的对应关系；
获取初始车系检测模型，其中，所述初始车系检测模型的复杂度小于所述准车系检测模型的复杂度；
获取车系训练样本集合，其中，所述车系训练样本集合中的训练样本包括样本待识别图像和对应的样本标注信息，所述样本标注信息包括用于指示样本待识别图像呈现的车辆所属的车系的信息；
利用所述车系训练样本集合训练所述初始车系检测模型，以使所述初始车系检测模型的参数基于预设的损失函数进行调整，其中，所述损失函数与所述初始车系检测模型和所述准车系检测模型针对同一训练样本的输出结果之间的距离呈正相关；
响应于确定满足预设的训练结束条件，将参数调整后的初始车系检测模型确定为所述车系检测模型。
8.根据权利要求7所述的方法，其中，所述损失函数与属于相同车系的样本待识别图像之间的相似度呈负相关，与属于不同车系的样本待识别图像之间的相似度呈正相关。
9.根据权利要求1-8之一所述的方法，其中，所述方法还包括：
利用所述车系检测模型提取所述待识别车辆图像的特征向量；
从预设的车辆信息索引库中选取第一目标数目张与所述待识别车辆图像的特征向量匹配的车辆信息，其中，所述车辆信息索引库中的车辆信息包括车辆展示图像和车辆图像特征向量；
在所述待识别车辆图像的显示界面上展示以下至少一项：所述车辆类别信息，所述匹配的车辆信息的车辆展示图像。
10.根据权利要求9所述的方法，其中，所述车辆信息索引库中的车辆信息还包括目标视频信息和车辆类别信息，所述目标视频信息所指示的视频中包括所述车辆展示图像；以及
所述车辆信息索引库中的车辆信息通过如下步骤得到：
获取车辆视频，其中，所述车辆视频中包括呈现有车辆的视频帧；
从所述车辆视频中提取第二目标数目个时间关联的、呈现有车辆的视频帧；
将所提取的视频帧输入至所述车标检测模型，得到各视频帧对应的车标信息；
将所得到的车标信息中用于指示同一品牌的车标信息的数目的最大值确定为第三目标数目；
响应于确定所述第三数目满足预设的置信条件，将所述第三目标数目对应的车标信息确定为所提取的视频帧对应的车标信息；
将所提取的视频帧输入至所述车系检测模型，得到各视频帧对应的车系信息；
基于所得到的车系信息与所确定的车标信息的匹配，生成所述车辆视频对应的车辆类别信息；
获取所述车辆视频对应的车辆类别信息对应的置信度；
根据所述车辆视频对应的置信度，基于所提取的视频帧生成所述车辆视频的车辆展示图像；
利用所述车系检测模型提取所述车辆视频的车辆展示图像的车辆图像特征向量；
获取所述车辆视频的车辆展示图像对应的视频帧在所述车辆视频中的时间轴位置；
将所生成的所述车辆视频对应的车辆类别信息、车辆展示图像、车辆图像特征向量、车辆展示图像对应的视频帧的时间轴位置进行关联存储。
11.一种用于显示车辆所属类别的方法，包括：
响应于检测到针对目标视频帧的第一预设操作，将所述目标视频帧发送至目标设备，其中，所述第一预设操作用于指示识别所述目标视频帧包括的待识别车辆图像；
接收所述目标设备发送的、与所述目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在所述目标视频帧的位置的位置信息，其中，所述车辆类别信息用于指示所述待识别车辆图像呈现的车辆所属的品牌和车系；
根据所述位置信息，显示所述车辆类别信息。
12.根据权利要求11所述的方法，其中，所述方法还包括：
接收所述目标设备发送的、与所述目标视频帧匹配的至少一个候选车辆信息，其中，所述候选车辆信息包括车辆展示图像、车辆类别信息、包括所述车辆展示图像的视频的标识；
在所述目标视频帧的显示界面上展示至少一个候选车辆展示信息，其中，所述候选车辆展示信息包括候选车辆信息的车辆展示图像和/或车辆类别信息；
响应于检测到针对所展示的至少一个候选车辆展示信息的第二预设操作，根据所检测到的第二预设操作所针对的候选车辆展示信息对应的车辆展示图像的视频的标识播放视频。
13.一种用于识别车辆所属类别的装置，包括：
获取单元，被配置成获取待识别车辆图像；
车标检测单元，被配置成将所述待识别车辆图像输入至预先训练的车标检测模型，得到至少一个车标信息，其中，所述车标信息包括用于指示所述待识别车辆图像呈现的车辆所属的品牌的信息，所述品牌下包括至少一个车系；
车系检测单元，被配置成将所述待识别车辆图像输入至预先训练的车系检测模型，得到至少一个车系信息，其中，所述车系信息用于指示所述待识别车辆图像呈现的车辆所属的车系；
生成单元，被配置成基于所得到的车标信息和车系信息的匹配，生成车辆类别信息，其中，所述车辆类别信息用于指示所述待识别车辆图像呈现的车辆所属的品牌和车系。
14.一种用于显示车辆所属类别的装置，包括：
发送单元，被配置成响应于检测到针对目标视频帧的第一预设操作，将所述目标视频帧发送至目标设备，其中，所述第一预设操作用于指示识别所述目标视频帧包括的待识别车辆图像；
接收单元，被配置成接收所述目标设备发送的、与所述目标视频帧匹配的车辆类别信息和用于指示车辆图像显示在所述目标视频帧的位置的位置信息，其中，所述车辆类别信息用于指示所述待识别车辆图像呈现的车辆所属的品牌和车系；
显示单元，被配置成根据所述位置信息，显示所述车辆类别信息。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-12中任一所述的方法。
CN202010518051.9A 2020-06-09 2020-06-09 用于识别车辆所属类别的方法和装置 Active CN111666898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010518051.9A CN111666898B (zh) 2020-06-09 2020-06-09 用于识别车辆所属类别的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010518051.9A CN111666898B (zh) 2020-06-09 2020-06-09 用于识别车辆所属类别的方法和装置

Publications (2)

Publication Number Publication Date
CN111666898A true CN111666898A (zh) 2020-09-15
CN111666898B CN111666898B (zh) 2021-10-26

Family

ID=72386274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010518051.9A Active CN111666898B (zh) 2020-06-09 2020-06-09 用于识别车辆所属类别的方法和装置

Country Status (1)

Country Link
CN (1) CN111666898B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329772A (zh) * 2020-11-06 2021-02-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN113049084A (zh) * 2021-03-16 2021-06-29 电子科技大学 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法
CN113177603A (zh) * 2021-05-12 2021-07-27 中移智行网络科技有限公司 分类模型的训练方法、视频分类方法及相关设备
CN113657180A (zh) * 2021-07-23 2021-11-16 浙江大华技术股份有限公司 一种车辆识别方法、服务器和计算机可读存储介质
CN114648713A (zh) * 2020-12-18 2022-06-21 北京字节跳动网络技术有限公司 视频分类方法、装置、电子设备及计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270354A1 (en) * 2013-03-14 2014-09-18 Padmanabhan Soundararajan Methods and apparatus to measure exposure to logos in vehicle races
CN104156692A (zh) * 2014-07-07 2014-11-19 叶茂 基于进气格栅定位的汽车车标样本训练及识别方法
CN106326268A (zh) * 2015-06-29 2017-01-11 上海卓易科技股份有限公司 一种智能获取汽车信息的方法、装置及系统
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN107292291A (zh) * 2017-07-19 2017-10-24 北京智芯原动科技有限公司 一种车辆识别方法和系统
CN107562780A (zh) * 2017-07-21 2018-01-09 杭州大搜车汽车服务有限公司 一种车辆匹配方法、电子设备及存储介质
CN108108657A (zh) * 2017-11-16 2018-06-01 浙江工业大学 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN108171203A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别车辆的方法和装置
CN108491827A (zh) * 2018-04-13 2018-09-04 腾讯科技（深圳）有限公司 一种车辆检测方法、装置及存储介质
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN109658520A (zh) * 2019-01-02 2019-04-19 三门峡速达交通节能科技股份有限公司 一种增强现实车辆展示方法
US20190266487A1 (en) * 2016-07-14 2019-08-29 Google Llc Classifying images using machine learning models
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140270354A1 (en) * 2013-03-14 2014-09-18 Padmanabhan Soundararajan Methods and apparatus to measure exposure to logos in vehicle races
CN104156692A (zh) * 2014-07-07 2014-11-19 叶茂 基于进气格栅定位的汽车车标样本训练及识别方法
CN106326268A (zh) * 2015-06-29 2017-01-11 上海卓易科技股份有限公司 一种智能获取汽车信息的方法、装置及系统
US20190266487A1 (en) * 2016-07-14 2019-08-29 Google Llc Classifying images using machine learning models
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN107292291A (zh) * 2017-07-19 2017-10-24 北京智芯原动科技有限公司 一种车辆识别方法和系统
CN107562780A (zh) * 2017-07-21 2018-01-09 杭州大搜车汽车服务有限公司 一种车辆匹配方法、电子设备及存储介质
CN108108657A (zh) * 2017-11-16 2018-06-01 浙江工业大学 一种基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN108171203A (zh) * 2018-01-17 2018-06-15 百度在线网络技术（北京）有限公司 用于识别车辆的方法和装置
CN108491827A (zh) * 2018-04-13 2018-09-04 腾讯科技（深圳）有限公司 一种车辆检测方法、装置及存储介质
CN108875600A (zh) * 2018-05-31 2018-11-23 银江股份有限公司 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质
CN109658520A (zh) * 2019-01-02 2019-04-19 三门峡速达交通节能科技股份有限公司 一种增强现实车辆展示方法
CN110837807A (zh) * 2019-11-11 2020-02-25 内蒙古大学 一种套牌车辆的识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STEVEN C.H. HOI 等: "LOGO-Net: Large-scale Deep Logo Detection and Brand Recognition with Deep Region-based Convolutional Networks", 《ARXIV》 *
杨彩清: "车辆信息识别技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329772A (zh) * 2020-11-06 2021-02-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN112329772B (zh) * 2020-11-06 2024-03-05 浙江大搜车软件技术有限公司 车辆部件识别方法、装置、电子装置和存储介质
CN114648713A (zh) * 2020-12-18 2022-06-21 北京字节跳动网络技术有限公司 视频分类方法、装置、电子设备及计算机可读存储介质
CN113049084A (zh) * 2021-03-16 2021-06-29 电子科技大学 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法
CN113049084B (zh) * 2021-03-16 2022-05-06 电子科技大学 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法
CN113177603A (zh) * 2021-05-12 2021-07-27 中移智行网络科技有限公司 分类模型的训练方法、视频分类方法及相关设备
CN113657180A (zh) * 2021-07-23 2021-11-16 浙江大华技术股份有限公司 一种车辆识别方法、服务器和计算机可读存储介质

Also Published As

Publication number Publication date
CN111666898B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN111666898B (zh) 用于识别车辆所属类别的方法和装置
US10565771B2 (en) Automatic video segment selection method and apparatus
CN112465008B (zh) 一种基于自监督课程学习的语音和视觉关联性增强方法
CN110598046B (zh) 一种基于人工智能的标题党识别方法和相关装置
CN110188719B (zh) 目标跟踪方法和装置
US9582805B2 (en) Returning a personalized advertisement
US20160210284A1 (en) System and method for capturing a multimedia content item by a mobile device and matching sequentially relevant content to the multimedia content item
CN109919244B (zh) 用于生成场景识别模型的方法和装置
US20130148898A1 (en) Clustering objects detected in video
CN110737783A (zh) 一种推荐多媒体内容的方法、装置及计算设备
CN111652087B (zh) 验车方法、装置、电子设备和存储介质
CN109429078B (zh) 视频处理方法和装置、用于视频处理的装置
CN110209658B (zh) 数据清洗方法和装置
CN111897950A (zh) 用于生成信息的方法和装置
CN112766284A (zh) 图像识别方法和装置、存储介质和电子设备
CN110990598A (zh) 资源检索方法、装置、电子设备及计算机可读存储介质
CN111797266B (zh) 图像处理方法和装置、存储介质和电子设备
CN110659923A (zh) 用于用户终端的信息展示方法和装置
CN112309389A (zh) 信息交互方法和装置
CN111310595A (zh) 用于生成信息的方法和装置
CN115482415A (zh) 模型训练方法、图像分类方法和装置
CN111428121B (zh) 搜索信息的方法和装置
CN112115740B (zh) 用于处理图像的方法和装置
CN113032605B (zh) 一种信息展示方法、装置、设备及计算机存储介质
CN113971402A (zh) 内容识别方法、装置、介质及电子设备

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
GR01 Patent grant
GR01 Patent grant