CN111723746A - 场景识别模型生成方法、系统、平台、设备及介质 - Google Patents
场景识别模型生成方法、系统、平台、设备及介质 Download PDFInfo
- Publication number
- CN111723746A CN111723746A CN202010573392.6A CN202010573392A CN111723746A CN 111723746 A CN111723746 A CN 111723746A CN 202010573392 A CN202010573392 A CN 202010573392A CN 111723746 A CN111723746 A CN 111723746A
- Authority
- CN
- China
- Prior art keywords
- scene
- pictures
- recognition model
- training
- scene 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种场景识别模型生成方法、系统、平台、设备及介质，包括：获取目标场景图片；基于创建的标注任务，通过多个目标对象对目标场景图片进行标注；并根据标注后的目标场景图片生成训练数据；选择训练数据，并按照创建的训练任务通过自动机器学习对所选择的训练数据进行训练，生成用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。本发明能够生成在特定场景下应用的场景识别模型，满足用户对不用场景的服务需求，实现定制化AI服务。并且本发明支持多人同时对图片进行标注，通过将标注和训练集成在同一训练平台，无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。
Description
技术领域
本发明涉及人工智能技术领域，特别是涉及一种场景识别模型生成方法、系统、平台、设备及介质。
背景技术
人工智能(Artificial Intelligence，简称AI)是利用数字计算机或者数字计算机控制的机器来研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。而人工智能技术极大地改变了人们的生活，通过对图片进行训练，能够生成场景识别模型来对图片进行管理。而目前的场景识别模型仅适用一般场景，不能适用特定场景。因此，针对特定场景的用户需求，需要基于特定场景的数据来定制化生成所需要的场景识别模型。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种场景识别模型生成方法、系统、平台、设备及介质，用于解决现有技术中存在的问题。
为实现上述目的及其他相关目的，本发明提供一种场景识别模型生成方法，包括有：
获取多张目标场景图片；
基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
可选地，输出所述一个或多个场景识别模型。
可选地，还包括对输出的一个或多个场景识别模型进行验证；有：
获取多种场景图片、以及输出的一个或多个场景识别模型；其中，所述多种场景图片至少包括目标场景图片；
通过输出的一个或多个场景识别模型识别所有场景图片，获取识别结果；
根据所述识别结果验证输出的一个或多个场景识别模型。
可选地，还通过自动机器学习对生成的一个或多个场景识别模型进行分数评估，并输出评估分数最高的场景识别模型。
可选地，对生成的一个或多个场景识别模型评分；
若当前时刻生成的场景识别模型的分数高于前一时刻生成的场景识别模型的分数，则用当前时刻生成的场景识别模型替换前一时刻生成的场景识别模型，并输出所述当前时刻生成的场景识别模型。
可选地，对多张目标场景图片进行的标注包括以下至少之一：分类标注、检测标注。
可选地，根据标注后的多张目标场景图片生成训练数据前，还对标注后的多张目标场景图片进行复核。
可选地，在同一局域网络中的一个或多个目标对象能够共同使用以下至少之一：
获取的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
可选地，所述目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
本发明还提供一种场景识别模型生成系统，包括有：
采集模块，用于获取多张目标场景图片；
标注模块，用于基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
训练模块，用于选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
可选地，还包括输出模块，用于输出所述一个或多个场景识别模型。
可选地，还包括有验证模块，用于对输出的一个或多个场景识别模型进行验证；有：
获取多种场景图片、以及输出的一个或多个场景识别模型；其中，所述多种场景图片至少包括目标场景图片；
通过输出的一个或多个场景识别模型识别所有场景图片，获取识别结果；
根据所述识别结果验证输出的一个或多个场景识别模型。
可选地，还通过自动机器学习对生成的一个或多个场景识别模型进行分数评估，并输出评估分数最高的场景识别模型。
可选地，对生成的一个或多个场景识别模型评分；
若当前时刻生成的场景识别模型的分数高于前一时刻生成的场景识别模型的分数，则用当前时刻生成的场景识别模型替换前一时刻生成的场景识别模型，并输出所述当前时刻生成的场景识别模型。
可选地，对多张目标场景图片进行的标注包括以下至少之一：分类标注、检测标注。
可选地，根据标注后的多张目标场景图片生成训练数据前，还对标注后的多张目标场景图片进行复核。
可选地，在同一局域网络中的一个或多个目标对象能够共同使用以下至少之一：
获取的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
可选地，所述目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
本发明还提供一种生成场景识别模型的训练平台，所述训练平台应用于上述中任一所述的方法，将标注和训练集成在同一工作环境中。
可选地，通过所述训练平台查看和/或预览以下至少之一：上传的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据
可选地，通过所述训练平台上传多张目标场景图片；和/或通过所述训练平台下载以下至少之一：上传的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
本发明还提供一种场景识别模型生成设备，包括有：
获取多张目标场景图片；
基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
本发明还提供一种设备，包括：
一个或多个处理器；和
存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行所述指令时，使得所述设备执行如上述中任意一项所述的方法。
本发明还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行所述指令时，使得设备执行如上述中任意一项所述的方法。
如上，本发明提供一种场景识别模型生成方法、系统、平台、设备及介质，具有以下有益效果：通过获取多张目标场景图片；基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。本发明支持多人同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本发明将标注和训练集成在同一训练平台中，无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本发明先获取特定场景下的图片，再通过将标注和训练集为一体来对特定场景下的图片进行训练，生成能够在特定场景下应用的场景识别模型；从而可以满足用户对不用场景的服务需求，实现定制化AI服务。
附图说明
图1为一实施例提供的人工智能模型生成方法的流程示意图；
图2为一实施例提供的人工智能模型生成系统的硬件结构示意图；
图3为一实施例提供的终端设备的硬件结构示意图；
图4为另一实施例提供的终端设备的硬件结构示意图。
元件标号说明
M10 采集模块
M20 标注模块
M30 训练模块
M40 输出模块
M50 验证模块
1100 输入设备
1101 第一处理器
1102 输出设备
1103 第一存储器
1104 通信总线
1200 处理组件
1201 第二处理器
1202 第二存储器
1203 通信组件
1204 电源组件
1205 多媒体组件
1206 语音组件
1207 输入/输出接口
1208 传感器组件
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
AutoML：自动机器学习。
请参阅图1，本发明提供一种场景识别模型生成方法，包括有以下步骤：
S100，获取多张目标场景图片；其中，目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
S200，基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注，并根据标注后的多张目标场景图片生成训练数据；
S300，选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。
本方法通过获取多张目标场景图片；基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。本方法支持多人同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本方法将标注和训练集成在同一训练平台中，无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本方法先获取特定场景下的图片，再通过将标注和训练集为一体来对特定场景下的图片进行训练，生成能够在特定场景下应用的场景识别模型；从而可以满足用户对不用场景的服务需求，实现定制化AI服务。
在一示例性实施例中，还包括输出一个或多个场景识别模型。
根据上述记载，还包括对输出的一个或多个场景识别模型进行验证；有：
获取多种场景图片、以及输出的一个或多个场景识别模型；其中，多种场景图片至少包括目标场景图片；
通过输出的一个或多个场景识别模型识别所有场景图片，获取识别结果；
根据识别结果验证输出的一个或多个场景识别模型。
本申请实施例中的目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
作为一示例，以火灾图片和男性图片作为多种场景图片，验证根据火灾图片训练生成的用于识别火灾图片的场景识别模型。包括：
获取一张或多张火灾图片和男性图片、以及获取根据火灾图片训练生成的用于识别火灾图片的场景识别模型；
将这一张或多张火灾图片和男性图片输入至上述场景识别模型中，通过该场景识别模型来对火灾图片、男性图片进行识别，得到该场景识别模型的识别结果。
根据识别结果来验证该场景识别模型是否能够对外提供AI服务。例如，若该场景识别模型仅识别出所有的火灾图片，则说明该场景识别模型能够向外提供对应的AI服务。若该场景识别模型将男性图片也识别为火灾图片，则再通过人工来判断该场景识别模型是否能够向外提供对应的AI服务。本申请实施例还可以用获取的火灾图片、男性图片来对训练该场景识别模型，提高该场景识别模型识别火灾图片的准确率。
作为另一示例，以火灾图片、男性图片、女性图片作为多种场景图片，验证根据男性图片训练生成的用于识别男性图片的场景识别模型。包括：
获取一张或多张火灾图片、男性图片及女性图片；以及获取根据男性图片生成的场景识别模型；
将这一张或多张火灾图片、男性图片及女性图片输入至上述场景识别模型中，通过该场景识别模型来对火灾图片、男性图片及女性图片进行识别，得到该场景识别模型的识别结果。
根据识别结果来验证该场景识别模型是否能够对外提供AI服务。例如，若该场景识别模型仅识别出所有的女性图片，则说明该场景识别模型能够向外提供对应的AI服务。若该场景识别模型将火灾图片识别为女性图片和/或将男性图片识别为女性图片，则再通过人工来判断该场景识别模型是否能够向外提供对应的AI服务。本申请实施例还可以用获取的火灾图片、男性图片及女性图片来对训练该场景识别模型，提高该场景识别模型识别女性图片的准确率。
在一示例性实施例中，还通过自动机器学习对生成的一个或多个场景识别模型进行分数评估，并输出评估分数最高的场景识别模型。具体地，
对生成的一个或多个场景识别模型评分；
若当前时刻生成的场景识别模型的分数高于前一时刻生成的场景识别模型的分数，则用当前时刻生成的场景识别模型替换前一时刻生成的场景识别模型，并输出当前时刻生成的场景识别模型。
作为示例，以根据火灾图片训练生成的用于对火灾图片进行分类的场景识别模型为例；在某一时刻，通过自动机器学习对该时刻生成的场景识别模型评估的分数为85分；若在该某一时刻的后一时刻，通过自动机器学习对该时刻生成的场景识别模型评估的分数为89分；则用后一时刻生成的场景识别模型来替换该某一时刻生成的场景识别模型，并输出后一时刻生成的场景识别模型。若在该某一时刻的后一时刻，通过自动机器学习对该时刻生成的场景识别模型评估的分数为83分；则不进行模型替换，并直接输出该某一时刻生成的场景识别模型。
在一示例性实施例中，对多张目标场景图片进行的标注包括以下至少之一：分类标注、检测标注。作为示例，若用户需要场景识别模型提供的AI服务是对图片进行分类，则可以对多张目标场景图片分类标注，从而使得生成的场景识别模型能够提供对图片进行分类的AI服务。若用户需要场景识别模型提供的AI服务是对图片进行检测识别，则可以对多张目标场景图片检测标注，从而使得生成的场景识别模型能够提供对图片进行检测识别的AI服务。
本申请实施例中，在根据标注后的多张目标场景图片生成训练数据前，还对标注后的多张目标场景图片进行复核。作为示例，例如可以进行抽样复核，复核其标注是否出现错误等，并且还可以对复核后的标注进行修改。
在一示例性实施例中，还可以向位于同一局域网中的一个或多个对象分享图片或训练数据。即在同一局域网络中的一个或多个对象能够共同使用以下至少之一：获取的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
根据上述描述，若需要生成用于区分图片中目标对象性别的场景识别模型，则有：
通过数据管理员向训练平台上传几千张仅包含男性的图片、几千张仅包含女性的图片、以及几千张同时包含男性和女性的图片。
通过200个标注人员按照标注管理员创建的男性检测标注任务和女性检测标注任务同时对上传的所有图片进行检测标注，并根据标注后的图片生成训练数据。
训练人员创建对应的男性检测训练任务、女性检测训练任务，并从生成的训练数据中选择对应的训练数据。基于AutoML的检测训练功能来按照创建的训练任务对所选择的训练数据进行训练，生成能够区分图片中的对象为男性或女性的场景识别模型。其中，对图片进行标注和根据标注后的图片进行训练均在同一训练平台中完成，即本申请实施例将标注和训练均集成在同一训练平台中。
并由训练人员发布或输出所生成的用于区分图片中的对象为男性或女性的场景识别模型。
在训练人员发布或输出用于区分图片中的对象为男性或女性的场景识别模型后，还可以对该场景识别模型进行验证，判断该场景识别模型能否用于实际应用。
本申请实施例通过200个标注人员同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本申请实施例将对图片的标注和训练均集成在同一训练平台中，从而无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本申请实施例通过AutoML的检测训练功能对标注后的图片进行训练，可以生成用于区分图片中的对象为男性或女性的场景识别模型，从而可以通过该场景识别模型来满足用户区分图片中的对象性别的服务需求，实现定制化AI服务。
综上所述，本发明提供一种场景识别模型生成方法，通过获取多张目标场景图片；基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。本方法支持多人同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本方法将标注和训练集成在同一训练平台中，无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本方法先获取特定场景下的图片，再通过将标注和训练集为一体来对特定场景下的图片进行训练，生成能够在特定场景下应用的场景识别模型；从而可以满足用户对不用场景的服务需求，实现定制化AI服务。
如图2所示，本发明还提供一种场景识别模型生成系统，包括有：
采集模块M10，用于获取多张目标场景图片；
标注模块M20，用于基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
训练模块M30，用于选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
本系统通过获取多张目标场景图片；基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。本系统支持多人同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本系统将标注和训练集成在同一训练平台中，无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本系统先获取特定场景下的图片，再通过将标注和训练集为一体来对特定场景下的图片进行训练，生成能够在特定场景下应用的场景识别模型；从而可以满足用户对不用场景的服务需求，实现定制化AI服务。
在一示例性实施例中，还包括有输出模块M40，用于输出所述一个或多个场景识别模型。
根据上述记载，还包括有验证模块M50，用于对输出的一个或多个场景识别模型进行验证；有：
获取多种场景图片、以及输出的一个或多个场景识别模型；其中，多种场景至少包括目标场景；
通过输出的一个或多个场景识别模型识别所有场景图片，获取识别结果；
根据识别结果验证输出的一个或多个场景识别模型。
本申请实施例中的目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
作为一示例，以火灾图片和男性图片作为多种场景图片，验证根据火灾图片训练生成的用于识别火灾图片的场景识别模型。包括：
获取一张或多张火灾图片和男性图片、以及获取根据火灾图片训练生成的用于识别火灾图片的场景识别模型；
将这一张或多张火灾图片和男性图片输入至上述场景识别模型中，通过该场景识别模型来对火灾图片、男性图片进行识别，得到该场景识别模型的识别结果。
根据识别结果来验证该场景识别模型是否能够对外提供AI服务。例如，若该场景识别模型仅识别出所有的火灾图片，则说明该场景识别模型能够向外提供对应的AI服务。若该场景识别模型将男性图片也识别为火灾图片，则再通过人工来判断该场景识别模型是否能够向外提供对应的AI服务。本申请实施例还可以用获取的火灾图片、男性图片来对训练该场景识别模型，提高该场景识别模型识别火灾图片的准确率。
作为另一示例，以火灾图片、男性图片、女性图片作为多种场景图片，验证根据男性图片训练生成的用于识别男性图片的场景识别模型。包括：
获取一张或多张火灾图片、男性图片及女性图片；以及获取根据男性图片生成的场景识别模型；
将这一张或多张火灾图片、男性图片及女性图片输入至上述场景识别模型中，通过该场景识别模型来对火灾图片、男性图片及女性图片进行识别，得到该场景识别模型的识别结果。
根据识别结果来验证该场景识别模型是否能够对外提供AI服务。例如，若该场景识别模型仅识别出所有的女性图片，则说明该场景识别模型能够向外提供对应的AI服务。若该场景识别模型将火灾图片识别为女性图片和/或将男性图片识别为女性图片，则再通过人工来判断该场景识别模型是否能够向外提供对应的AI服务。本申请实施例还可以用获取的火灾图片、男性图片及女性图片来对训练该场景识别模型，提高该场景识别模型识别女性图片的准确率。
在一示例性实施例中，还通过自动机器学习对生成的一个或多个场景识别模型进行分数评估，并输出评估分数最高的场景识别模型。具体地，
对生成的一个或多个场景识别模型评分；
若当前时刻生成的场景识别模型的分数高于前一时刻生成的场景识别模型的分数，则用当前时刻生成的场景识别模型替换前一时刻生成的场景识别模型，并输出当前时刻生成的场景识别模型。
作为示例，以根据火灾图片训练生成的用于对火灾图片进行分类的场景识别模型为例；在某一时刻，通过自动机器学习对该时刻生成的场景识别模型评估的分数为85分；若在该某一时刻的后一时刻，通过自动机器学习对该时刻生成的场景识别模型评估的分数为89分；则用后一时刻生成的场景识别模型来替换该某一时刻生成的场景识别模型，并输出后一时刻生成的场景识别模型。若在该某一时刻的后一时刻，通过自动机器学习对该时刻生成的场景识别模型评估的分数为83分；则不进行模型替换，并直接输出该某一时刻生成的场景识别模型。
在一示例性实施例中，对多张目标场景图片进行的标注包括以下至少之一：分类标注、检测标注。作为示例，若用户需要场景识别模型提供的AI服务是对图片进行分类，则可以对多张目标场景图片分类标注，从而使得生成的场景识别模型能够提供对图片进行分类的AI服务。若用户需要场景识别模型提供的AI服务是对图片进行检测识别，则可以对多张目标场景图片检测标注，从而使得生成的场景识别模型能够提供对图片进行检测识别的AI服务。
本申请实施例中，在根据标注后的多张目标场景图片生成训练数据前，还对标注后的多张目标场景图片进行复核。作为示例，例如可以进行抽样复核，复核其标注是否出现错误等，并且还可以对复核后的标注进行修改。
在一示例性实施例中，还可以向位于同一局域网中的一个或多个对象分享图片或训练数据。即在同一局域网络中的一个或多个对象能够共同使用以下至少之一：获取的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
根据上述描述，若需要生成用于区分图片中目标对象性别的场景识别模型，则有：
通过数据管理员向训练平台上传几千张仅包含男性的图片、几千张仅包含女性的图片、以及几千张同时包含男性和女性的图片。
通过200个标注人员按照标注管理员创建的男性检测标注任务和女性检测标注任务同时对上传的所有图片进行检测标注，并根据标注后的图片生成训练数据。
训练人员创建对应的男性检测训练任务、女性检测训练任务，并从生成的训练数据中选择对应的训练数据。基于AutoML的检测训练功能来按照创建的训练任务对所选择的训练数据进行训练，生成能够区分图片中的对象为男性或女性的场景识别模型。其中，对图片进行标注和根据标注后的图片进行训练均在同一训练平台中完成，即本申请实施例将标注和训练均集成在同一训练平台中。
并由训练人员发布或输出所生成的用于区分图片中的对象为男性或女性的场景识别模型。
在训练人员发布或输出用于区分图片中的对象为男性或女性的场景识别模型后，还可以对该场景识别模型进行验证，判断该场景识别模型能否用于实际应用。
本申请实施例通过200个标注人员同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本申请实施例将对图片的标注和训练均集成在同一训练平台中，从而无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本申请实施例通过AutoML的检测训练功能对标注后的图片进行训练，可以生成用于区分图片中的对象为男性或女性的场景识别模型，从而可以通过该场景识别模型来满足用户区分图片中的对象性别的服务需求，实现定制化AI服务。
综上所述，本发明提供一种场景识别模型生成系统，通过获取多张目标场景图片；基于创建的一个或多个标注任务，通过多个目标对象对多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，标注和训练在同一训练平台中进行。本系统支持多人同时对多张图片进行标注，能够提高生成训练数据的效率，满足生成大量训练数据的需求。同时，本系统将标注和训练集成在同一训练平台中，无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。并且本系统先获取特定场景下的图片，再通过将标注和训练集为一体来对特定场景下的图片进行训练，生成能够在特定场景下应用的场景识别模型；从而可以满足用户对不用场景的服务需求，实现定制化AI服务。
本发明还提供一种生成场景识别模型的训练平台，所述训练平台应用于上述中任一所述的方法或系统，用于将标注和训练集成在同一工作环境中。通过将标注和训练集成在同一工作环境或同一训练平台中，从而无需依赖外部存储，方便本地部署，保障了图片和训练数据的安全。
在一示例性实施例中，账号管理人员可以通过训练平台还可能查看和/或预览以下至少之一：上传的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。其中，账号管理人员包括以下至少之一：数据管理员、标注管理员、标注人员、训练人员。
在一示例性实施例中，数据管理人员通过训练平台能够上传多张目标场景图片；账号管理人员通过训练平台可以下载以下至少之一：上传的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
在训练平台应用于上述系统或方法，具体功能和技术效果参照上述实施例即可，此处不再赘述。
本申请实施例还提供了一种场景识别模型生成设备，包括有：
获取多张目标场景图片；
基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
在本实施例中，该设备执行上述系统或方法，具体功能和技术效果参照上述实施例即可，此处不再赘述。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中所述方法所包含步骤的指令(instructions)。
图3为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该第一处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图4为本申请的一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述数据处理方法中的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图4实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图3实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (24)
1.一种场景识别模型生成方法，其特征在于，包括有：
获取多张目标场景图片；
基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
2.根据权利要求1所述的场景识别模型生成方法，其特征在于，输出所述一个或多个场景识别模型。
3.根据权利要求2所述的场景识别模型生成方法，其特征在于，还包括对输出的一个或多个场景识别模型进行验证；有：
获取多种场景图片、以及输出的一个或多个场景识别模型；其中，所述多种场景图片至少包括目标场景图片；
通过输出的一个或多个场景识别模型识别所有场景图片，获取识别结果；
根据所述识别结果验证输出的一个或多个场景识别模型。
4.根据权利要求2所述的场景识别模型生成方法，其特征在于，还通过自动机器学习对生成的一个或多个场景识别模型进行分数评估，并输出评估分数最高的场景识别模型。
5.根据权利要求4所述的场景识别模型生成方法，其特征在于，
对生成的一个或多个场景识别模型评分；
若当前时刻生成的场景识别模型的分数高于前一时刻生成的场景识别模型的分数，则用当前时刻生成的场景识别模型替换前一时刻生成的场景识别模型，并输出所述当前时刻生成的场景识别模型。
6.根据权利要求1至5中任一所述的场景识别模型生成方法，其特征在于，对多张目标场景图片进行的标注包括以下至少之一：分类标注、检测标注。
7.根据权利要求6所述的场景识别模型生成方法，其特征在于，根据标注后的多张目标场景图片生成训练数据前，还对标注后的多张目标场景图片进行复核。
8.根据权利要求1所述的场景识别模型生成方法，其特征在于，在同一局域网络中的一个或多个目标对象能够共同使用以下至少之一：
获取的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
9.根据权利要求1所述的场景识别模型生成方法，其特征在于，所述目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
10.一种场景识别模型生成系统，其特征在于，包括有：
采集模块，用于获取多张目标场景图片；
标注模块，用于基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
训练模块，用于选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
11.根据权利要求10所述的场景识别模型生成系统，其特征在于，还包括输出模块，用于输出所述一个或多个场景识别模型。
12.根据权利要求11所述的场景识别模型生成系统，其特征在于，还包括有验证模块，用于对输出的一个或多个场景识别模型进行验证；有：
获取多种场景图片、以及输出的一个或多个场景识别模型；其中，所述多种场景图片至少包括目标场景图片；
通过输出的一个或多个场景识别模型识别所有场景图片，获取识别结果；
根据所述识别结果验证输出的一个或多个场景识别模型。
13.根据权利要求10所述的场景识别模型生成系统，其特征在于，还通过自动机器学习对生成的一个或多个场景识别模型进行分数评估，并输出评估分数最高的场景识别模型。
14.根据权利要求13所述的场景识别模型生成系统，其特征在于，
对生成的一个或多个场景识别模型评分；
若当前时刻生成的场景识别模型的分数高于前一时刻生成的场景识别模型的分数，则用当前时刻生成的场景识别模型替换前一时刻生成的场景识别模型，并输出所述当前时刻生成的场景识别模型。
15.根据权利要求10至14中任一所述的场景识别模型生成系统，其特征在于，对多张目标场景图片进行的标注包括以下至少之一：分类标注、检测标注。
16.根据权利要求15所述的场景识别模型生成系统，其特征在于，根据标注后的多张目标场景图片生成训练数据前，还对标注后的多张目标场景图片进行复核。
17.根据权利要求10所述的场景识别模型生成系统，其特征在于，在同一局域网络中的一个或多个目标对象能够共同使用以下至少之一：
获取的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
18.根据权利要求10所述的场景识别模型生成系统，其特征在于，所述目标场景图片包括以下至少之一：火灾图片、男性及女性图片。
19.一种生成场景识别模型的训练平台，其特征在于，所述训练平台应用于权利要求1至9中任一所述的方法，将标注和训练集成在同一工作环境中。
20.根据权利要求19所述的生成场景识别模型的训练平台，其特征在于，通过所述训练平台查看和/或预览以下至少之一：上传的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
21.根据权利要求19或20所述的生成场景识别模型的训练平台，其特征在于，通过所述训练平台上传多张目标场景图片；和/或通过所述训练平台下载以下至少之一：上传的多张目标场景图片、未标注的多张目标场景图片、标注后的多张目标场景图片、根据标注后的一张或多张图片生成的训练数据、选择的训练数据。
22.一种场景识别模型生成设备，其特征在于，包括有：
获取多张目标场景图片；
基于创建的一个或多个标注任务，通过多个目标对象对所述多张目标场景图片进行标注；并根据标注后的多张目标场景图片生成训练数据；
选择训练数据，并按照创建的一个或多个训练任务，通过自动机器学习对所选择的训练数据进行训练，生成一个或多个用于识别目标场景图片的场景识别模型；其中，所述标注和所述训练在同一训练平台中进行。
23.一种设备，其特征在于，包括：
一个或多个处理器；和
存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行所述指令时，使得所述设备执行如权利要求1-9中任意一项所述的方法。
24.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行所述指令时，使得设备执行如权利要求1-9中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010573392.6A CN111723746A (zh) | 2020-06-22 | 2020-06-22 | 场景识别模型生成方法、系统、平台、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010573392.6A CN111723746A (zh) | 2020-06-22 | 2020-06-22 | 场景识别模型生成方法、系统、平台、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111723746A true CN111723746A (zh) | 2020-09-29 |
Family
ID=72569920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010573392.6A Pending CN111723746A (zh) | 2020-06-22 | 2020-06-22 | 场景识别模型生成方法、系统、平台、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723746A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580735A (zh) * | 2020-12-25 | 2021-03-30 | 南方电网深圳数字电网研究院有限公司 | 图片在线标注方法、装置和计算机可读存储介质 |
| CN113011403A (zh) * | 2021-04-30 | 2021-06-22 | 恒睿(重庆)人工智能技术研究院有限公司 | 手势识别方法、系统、介质及设备 |
| CN113643136A (zh) * | 2021-09-01 | 2021-11-12 | 京东科技信息技术有限公司 | 信息处理方法、系统和装置 |
| CN113821144A (zh) * | 2021-09-26 | 2021-12-21 | 江苏云从曦和人工智能有限公司 | 一种数据标注方法、装置、系统和介质 |
| CN114529782A (zh) * | 2022-01-12 | 2022-05-24 | 南方电网深圳数字电网研究院有限公司 | 基于电网的模型训练方法及装置 |
| CN114550143A (zh) * | 2022-04-28 | 2022-05-27 | 新石器慧通（北京）科技有限公司 | 无人车行驶中的场景识别方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
| CN109741425A (zh) * | 2019-01-04 | 2019-05-10 | 广州华多网络科技有限公司 | 横幅图片生成方法、装置及存储介质、计算机设备 |
| CN109919244A (zh) * | 2019-03-18 | 2019-06-21 | 北京字节跳动网络技术有限公司 | 用于生成场景识别模型的方法和装置 |
| CN110135336A (zh) * | 2019-05-14 | 2019-08-16 | 腾讯科技（深圳）有限公司 | 行人生成模型的训练方法、装置及存储介质 |
| WO2020061236A1 (en) * | 2018-09-18 | 2020-03-26 | Focal Systems, Inc. | Product onboarding machine |
| CN111160569A (zh) * | 2019-12-30 | 2020-05-15 | 第四范式（北京）技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
-
2020
- 2020-06-22 CN CN202010573392.6A patent/CN111723746A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
| WO2020061236A1 (en) * | 2018-09-18 | 2020-03-26 | Focal Systems, Inc. | Product onboarding machine |
| CN109741425A (zh) * | 2019-01-04 | 2019-05-10 | 广州华多网络科技有限公司 | 横幅图片生成方法、装置及存储介质、计算机设备 |
| CN109919244A (zh) * | 2019-03-18 | 2019-06-21 | 北京字节跳动网络技术有限公司 | 用于生成场景识别模型的方法和装置 |
| CN110135336A (zh) * | 2019-05-14 | 2019-08-16 | 腾讯科技（深圳）有限公司 | 行人生成模型的训练方法、装置及存储介质 |
| CN111160569A (zh) * | 2019-12-30 | 2020-05-15 | 第四范式（北京）技术有限公司 | 基于机器学习模型的应用开发方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李靖靖: "基于深度学习的室内场景识别与标注研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580735A (zh) * | 2020-12-25 | 2021-03-30 | 南方电网深圳数字电网研究院有限公司 | 图片在线标注方法、装置和计算机可读存储介质 |
| CN113011403A (zh) * | 2021-04-30 | 2021-06-22 | 恒睿(重庆)人工智能技术研究院有限公司 | 手势识别方法、系统、介质及设备 |
| CN113011403B (zh) * | 2021-04-30 | 2023-11-24 | 恒睿(重庆)人工智能技术研究院有限公司 | 手势识别方法、系统、介质及设备 |
| CN113643136A (zh) * | 2021-09-01 | 2021-11-12 | 京东科技信息技术有限公司 | 信息处理方法、系统和装置 |
| CN113821144A (zh) * | 2021-09-26 | 2021-12-21 | 江苏云从曦和人工智能有限公司 | 一种数据标注方法、装置、系统和介质 |
| CN113821144B (zh) * | 2021-09-26 | 2024-06-04 | 江苏云从曦和人工智能有限公司 | 一种数据标注方法、装置、系统和介质 |
| CN114529782A (zh) * | 2022-01-12 | 2022-05-24 | 南方电网深圳数字电网研究院有限公司 | 基于电网的模型训练方法及装置 |
| CN114550143A (zh) * | 2022-04-28 | 2022-05-27 | 新石器慧通（北京）科技有限公司 | 无人车行驶中的场景识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723746A (zh) | 场景识别模型生成方法、系统、平台、设备及介质 | |
| CN109189879B (zh) | 电子书籍显示方法及装置 | |
| CN108416003A (zh) | 一种图片分类方法和装置、终端、存储介质 | |
| WO2022252932A1 (zh) | 电子文档的编辑方法、装置、设备及存储介质 | |
| TWI470549B (zh) | A method of using an image recognition guide to install an application, and an electronic device | |
| CN104268150A (zh) | 一种基于图片内容播放音乐的方法及装置 | |
| CN111062276A (zh) | 基于人机交互的人体姿态推荐方法、装置、机器可读介质及设备 | |
| CN111935516B (zh) | 音频文件的播放方法、装置、终端、服务器及存储介质 | |
| CN111340848A (zh) | 对目标区域的对象跟踪方法、系统、设备及介质 | |
| CN103019369A (zh) | 基于脸部表情播放文档的电子装置及方法 | |
| CN112464052A (zh) | 反馈信息的处理方法、显示方法、装置及电子设备 | |
| CN109815462A (zh) | 一种文本生成方法及终端设备 | |
| CN112052167A (zh) | 生成测试脚本代码的方法和装置 | |
| CN111984803A (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
| CN111291638A (zh) | 一种对象比对方法、系统、设备及介质 | |
| CN110929159A (zh) | 资源投放方法、装置、设备及介质 | |
| CN115858833A (zh) | 图片显示方法、信息显示方法、装置及电子设备 | |
| CN113467663A (zh) | 界面配置方法、装置、计算机设备及介质 | |
| CN113077262A (zh) | 一种餐饮结算方法、装置、系统、机器可读介质及设备 | |
| CN112069350A (zh) | 歌曲推荐方法、装置、设备以及计算机存储介质 | |
| CN111260697A (zh) | 目标对象的识别方法、系统、设备及介质 | |
| CN110036356A (zh) | Vr系统中的图像处理 | |
| CN111523541A (zh) | 一种基于ocr的数据生成方法、系统、设备及介质 | |
| CN111626369B (zh) | 一种人脸识别算法效果评估方法、装置、机器可读介质及设备 | |
| KR102040392B1 (ko) | 클라우드 기반의 증강현실 콘텐츠 서비스 제공 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |