CN111738183A - 一种数据标注方法和装置 - Google Patents
一种数据标注方法和装置 Download PDFInfo
- Publication number
- CN111738183A CN111738183A CN202010600329.7A CN202010600329A CN111738183A CN 111738183 A CN111738183 A CN 111738183A CN 202010600329 A CN202010600329 A CN 202010600329A CN 111738183 A CN111738183 A CN 111738183A
- Authority
- CN
- China
- Prior art keywords
- category
- article
- picture
- sample data
- labeling
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数据标注方法,包括:构建物品检测模型;通过所述物品检测模型识别第一样本数据,所述第一样本数据包括至少一张图片,并对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别;获取所述每个物品的第二类别;将每个物品的种类信息由第一类别修改为第二类别。
Description
技术领域
本发明涉及数据处理技术,尤其涉及一种数据标注方法和装置。
背景技术
智能货柜采用的检测识别算法可对采集的商品视觉信息(例如位置、形状、颜色等)进行检测,识别出商品的类别和数量。该算法是基于深度学习的目标检测算法,需要大量的训练数据输入到算法中进行模型训练。
传统的训练数据一般先由人工进行数据采集(通常为图片),然后由人工对采集到的图片进行标注,标注的内容主要包括:1、在图片中用标注框框住商品;2、添加商品对应的类别信息。当图片中出现大量商品需要标注时,人工标注成本大大增加,从而增加了整个智能货柜的成本、且标注效率低下。
发明内容
本发明提供一种数据标注方法和装置,可以减少数据标注的成本提高数据标注的效率。
本发明一方面提供一种数据标注方法,该方法包括:
构建物品检测模型;
通过所述物品检测模型识别第一样本数据,所述第一样本数据包括至少一张图片,并对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别;
获取所述每个物品的第二类别;
将每个物品的种类信息由第一类别修改为第二类别。
其中,所述第二类别为所述第一类别的子类别;
所述第一类别表征所述第一样本数据的图片中包含的所有物品的共性;
所述第一类别下存在至少一个第二类别。
其中,所述构建物品检测模型,包括:
获取第二样本数据,所述第二样本数据包括至少一张图片,每张图片中包含的每个物品的位置被标注,每个物品对应的种类信息被标注为第一类别;
将所述第二样本数据输入预设的模型算法进行训练得到所述物品检测模型。
其中,
所述第一样本数据中每张图片包含一个第二类别的至少一个物品;
所述第二样本数据中每张图片包含至少一个第二类别的至少一个物品。
其中,所述通过所述物品检测模型识别第一样本数据,对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别之后,该方法还包括:
获取已标注的第一样本数据中每张图片中未识别出的物品的位置信息和第二类别,根据获取的位置信息对该物品的位置进行标注,并将该物品的种类信息标注为获取的第二类别;或者,
获取已标注的第一样本数据中每张图片中位置标注错误的物品的位置信息,并对该物品的位置进行标注。
本发明另一方面提供一种数据标注装置,该装置包括:
模型构建模块,用于构建物品检测模型;
第一数据标注模块,用于通过所述物品检测模型识别第一样本数据,所述第一样本数据包括至少一张图片,并对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别;
信息获取模块,用于获取所述每个物品的第二类别;
第二数据标注模块,用于将每个物品的种类信息由第一类别修改为第二类别。
其中,
所述第一类别表征所述第一样本数据的图片中包含的所有物品的共性;
所述第二类别为第一类别的子类别;
所述第一类别下存在至少一个第二类别。
其中,所述构建物品检测模型时:
所述模型构建模块,用于获取第二样本数据,所述第二样本数据包括至少一张图片,每张图片中包含的每个物品的位置被标注,每个物品对应的种类信息被标注为第一类别;将所述第二样本数据输入预设的模型算法进行训练得到所述物品检测模型。
其中,
所述第一样本数据中每张图片包含一个第二类别的至少一个物品;
所述第二样本数据中每张图片包含至少一个第二类别的至少一个物品。
其中,在所述第一数据标注模块通过所述物品检测模型识别第一样本数据,对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别之后:
所述信息获取模块,还用于获取已标注的第一样本数据中每张图片中未识别出的物品的位置信息和第二类别;
所述第二数据标注模块,还用于根据获取的位置信息对该物品的位置进行标注,并将该物品的种类信息标注为获取的第二类别;
或者,
所述信息获取模块,还用于获取已标注的第一样本数据中每张图片中位置标注错误的物品的位置信息;
所述第二数据标注模块,还用于根据获取的位置信息对该物品的位置进行标注。
本发明另一方面提供一种计算机存储介质,包括一组计算机指令,所述计算机指令用于上述的数据标注方法。
本发明上述的方案中,基于物品位置和第一类别标注的训练数据构建的物品检测模型可以识别出图片中所有的物品,包括识别出上述训练数据中未出现的物品,并对物品的位置和种类信息(第一类别)进行标注;进一步地,基于上述的识别结果,对于已经标注位置的物品,可以批量地进行详细种类、即第二种类的标注,该方案实现了自动对图片中的物品进行位置标注,并可实现人工批量地对已标注位置的物品进行详细种类、即第二类别的标注,极大地节省了人工成本,提高了标注效率。
附图说明
图1所示为本发明一实施例提供的数据标注方法流程示意图;
图2所示为本发明另一实施例提供的数据标注方法流程示意图;
图3本发明一实施例提供的数据标注装置结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
目前,智能货柜所采用的商品检测识别算法需要将商品识别出并进行分类,比如训练数据中包含四种商品A、B、C、D,那么训练好的模型适用于检测识别这四种商品。由于该模型通过训练数据学习到的是A、B、C、D这四种商品的特征,比如每种商品的外包装、形状、颜色等,因此,当使用该模型检测新商品时,检测识别效果会很差。那么,就需要人工对新商品的数据进行标注后,作为训练数据对该模型进行修正,使模型识别出新商品。当存在大量图片,且图片中有大量的新商品需要标注时,传统的方式是由人工进行标注,包括标注出商品的位置和种类信息,如此,数据标注的效率较低,且成本较高。
为此,本发明实施例提供了一种数据标注的方法,能够提高数据标注效率,降低数据标注成本,如图1所示,该方法包括:
步骤101,构建物品检测模型。
首先,获取样本数据(这里记为第二样本数据),第二样本数据中包括至少一张图片,每张图片中包含至少一个物品。需要指出的是,第二样本数据为已经被标注的数据:每张图片中每个物品的位置被标注,每个物品对应的种类信息被标注为第一类别。
将第二样本数据输入预设的模型算法(本发明实施例采用基于深度学习的目标检测算法)进行训练得到物品检测模型。
其中,物品位置被标注的方式可以为:使用一个标注框将一个物品框住;第一类别的类别词表征了所有图片中所有物品的共性,可以与图片背景区分开来,例如,在智能货柜的场景下,由于售卖的商品种类繁多,那么第一类别的类别词可以为商品;在电器商店的场景下,第一类别的类别词可以为电器。基于物品位置的标注和第一类别的标注,训练好的物品检测模型可以从图片中识别出所有的物品,即将物品和图片背景区分开来。
使用该模型,即使图片中出现了第二采样数据中未出现过的物品,也能够将其识别出。
步骤102,通过物品检测模型识别第一样本数据,第一样本数据包括至少一张图片,对每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别。
物品检测模型构建好以后,可以使用该模型对采集到的图片(记为第一样本数据)进行识别并标注,将图片数据输入该物品检测模型,输出的结果为:图片中的每个物品的位置被标注出来,例如,物品被标注框框住,另外,每个物品的种类信息被标注为第一类别。
如此,图片中每个物品的位置标注可以完全自动实现,无需借助人工。
由于第一类别仅表示图片背景中所有物品的共性,而本发明的目的是得到每个物品的具体种类信息,因此,还需要进一步对物品的种类进行更准确的标注。
步骤103,获取所述每个物品的第二类别。
对于已经被标注的第一样本数据,获取其中每张图片中每个物品的具体种类信息、即第二类别。这里,第二类别为第一类别的子类别,第一类别下存在至少一个第二类别。
例如,在智能货柜的场景下,由于售卖的商品种类繁多,第一类别的类别词可以为商品,第二类别的类别词可以包括饮料、零食等;在电器商店的场景下,第一类别的类别词可以为电器,第二类别的类别词可以包括电视机、冰箱、洗衣机等。
该步骤中可以通过交互界面向用户展示步骤102的识别和标注结果,并通该交互界面接收用户指令,该指令中包含每个物品的第二类别信息。
步骤104,将每个物品的种类信息由第一类别修改为第二类别。
获取到物品的第二类别信息后,可以将对步骤102的识别结果进行修订,即将物品的种类信息标注为对应的第二类别。
如此,可以将经过步骤104处理后的第一样本数据作为训练数据来训练后续的模型,则基于该模型,可以识别出物品的位置,及物品的种类为第二类别,因此,第一样本数据作为该后续模型的训练数据,其中每张图片仅包含一个第二类别的至少一个物品,例如,在智能货柜的场景下,由于售卖的商品种类繁多,第一类别的类别词可以为商品,第二类别的类别词可以包括饮料、零食等,那么第一采样数据中的某张图片中仅包括一个或多个饮料,某张图片中仅包括一个或多个零食;在电器商店的场景下,第一类别的类别词可以为电器,第二类别的类别词可以包括电视机、冰箱、洗衣机等,那么第一采样数据中的某张图片中仅包括一台或多台电视机,某张图片中仅包括一台或多台冰箱。如此,针对一张图片即可实现批量对图片中的物品进行种类信息(即第二种类)的标注,提高了标注效率。
而第二采样数据作为本发明物品检测模型的训练数据,目的为可以从图片中识别出所有的物品,仅将物品和图片背景区分开来,那么,第二样本数据中每张图片可包含至少一个第二类别的至少一个物品。例如,在智能货柜的场景下,由于售卖的商品种类繁多,第一类别的类别词可以为商品,第二类别的类别词可以包括饮料、零食等,那么第二采样数据中的某张图片中可包括一个或多个饮料以及一个或多个零食,某张图片中仅包括一个或多个零食;在电器商店的场景下,第一类别的类别词可以为电器,第二类别的类别词可以包括电视机、冰箱、洗衣机等,那么第二采样数据中的某张图片中仅包括一台或多台电视机,某张图片中可包括一台或多台冰箱、一台或多台电视机以及一台或多台洗衣机。
另外,本发明还可以对步骤102的识别和标注结果进行修正,如图2所示,该方法还包括:
步骤105,获取已标注的第一样本数据中每张图片中未识别出的物品的位置信息和第二类别,根据获取的位置信息对该物品的位置进行标注,并将该物品的种类信息标注为获取的第二类别。
步骤106,获取已标注的第一样本数据中每张图片中位置标注错误的物品的位置信息,并对该物品的位置进行标注。
通过本发明物品检测模型识别的第一样本数据的结果可能存在误差,那么可以通过交互界面向用户展示步骤102的识别和标注结果,当存在未识别出的物品时,可以通过交互界面获取到相应的指令,该指令中包括该物品的位置信息和第二类别信息,则可以根据该指令对该物品进行位置标注和种类信息标注;当存在位置标注错误(例如,某个标注框仅框住了物品的一部分,未完全框住该物品)的物品时,可以通过交互界面获取到相应的指令,该指令中包括该物品的位置信息,则可以根据该指令对该物品进行位置标注。
需要指出的是,步骤105、步骤106和步骤103之间并无执行上的先后顺序。
上述实施例提供的数据标注方法,基于物品位置和第一类别标注的训练数据构建的物品检测模型可以识别出图片中所有的物品,包括识别出上述训练数据中未出现的物品,提高了识别准确率,还并对物品的位置和种类信息(第一类别)进行标注,由于全部标注为统一的第一类别,因此,标注效率提高,无需人工干预;进一步地,基于物品检测模型的识别结果,对于已经标注位置的物品,可以批量地进行详细种类、即第二种类的标注,极大地节省了人工成本,提高了标注效率。
为了实现上述的方法,如图3所示,本发明实施例还提供了一种数据标注装置,该装置包括:
模型构建模块10,用于构建物品检测模型;
第一数据标注模块20,用于通过所述物品检测模型识别第一样本数据,所述第一样本数据包括至少一张图片,并对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别;
信息获取模块30,用于获取所述每个物品的第二类别;
第二数据标注模块40,用于将每个物品的种类信息由第一类别修改为第二类别。
其中,所述第一类别表征所述第一样本数据的图片中包含的所有物品的共性;
所述第二类别为第一类别的子类别;
所述第一类别下存在至少一个第二类别。
所述构建物品检测模型时:
所述模型构建模块10,用于获取第二样本数据,所述第二样本数据包括至少一张图片,每张图片中包含的每个物品的位置被标注,每个物品对应的种类信息被标注为第一类别;将所述第二样本数据输入预设的模型算法进行训练得到所述物品检测模型。
所述第一样本数据中每张图片包含一个第二类别的至少一个物品;
所述第二样本数据中每张图片包含至少一个第二类别的至少一个物品。
其中,在所述第一数据标注模块通过所述物品检测模型识别第一样本数据,对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别之后:
所述信息获取模块30,还用于获取已标注的第一样本数据中每张图片中未识别出的物品的位置信息和第二类别;
所述第二数据标注模块40,还用于根据获取的位置信息对该物品的位置进行标注,并将该物品的种类信息标注为获取的第二类别;
或者,
所述信息获取模块30,还用于获取已标注的第一样本数据中每张图片中位置标注错误的物品的位置信息;
所述第二数据标注模块40,还用于根据获取的位置信息对该物品的位置进行标注。
另外,本发明实施例还提供了一种计算可读存储介质,包括一组计算机指令,所述计算机指令用于执行图1和图2所示的数据标注方法。这里的计算机可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,计算机可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”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”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种数据标注方法,其特征在于,该方法包括:
构建物品检测模型;
通过所述物品检测模型识别第一样本数据,所述第一样本数据包括至少一张图片,并对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别;
获取所述每个物品的第二类别;
将每个物品的种类信息由第一类别修改为第二类别。
2.根据权利要求1所述的方法,其特征在于,
所述第一类别表征所述第一样本数据的图片中包含的所有物品的共性;
所述第二类别为所述第一类别的子类别;
所述第一类别下存在至少一个第二类别。
3.根据权利要求2所述的方法,其特征在于,所述构建物品检测模型,包括:
获取第二样本数据,所述第二样本数据包括至少一张图片,每张图片中包含的每个物品的位置被标注,每个物品对应的种类信息被标注为第一类别;
将所述第二样本数据输入预设的模型算法进行训练得到所述物品检测模型。
4.根据权利要求3所述的方法,其特征在于,
所述第一样本数据中每张图片包含一个第二类别的至少一个物品;
所述第二样本数据中每张图片包含至少一个第二类别的至少一个物品。
5.根据权利要求1所述的方法,其特征在于,所述通过所述物品检测模型识别第一样本数据,对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别之后,该方法还包括:
获取已标注的第一样本数据中每张图片中未识别出的物品的位置信息和第二类别,根据获取的位置信息对该物品的位置进行标注,并将该物品的种类信息标注为获取的第二类别;或者,
获取已标注的第一样本数据中每张图片中位置标注错误的物品的位置信息,并对该物品的位置进行标注。
6.一种数据标注装置,其特征在于,该装置包括:
模型构建模块,用于构建物品检测模型;
第一数据标注模块,用于通过所述物品检测模型识别第一样本数据,所述第一样本数据包括至少一张图片,并对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别;
信息获取模块,用于获取所述每个物品的第二类别;
第二数据标注模块,用于将每个物品的种类信息由第一类别修改为第二类别。
7.根据权利要求6所述的装置,其特征在于,
所述第一类别表征所述第一样本数据的图片中包含的所有物品的共性;
所述第二类别为第一类别的子类别;
所述第一类别下存在至少一个第二类别。
8.根据权利要求7所述的装置,其特征在于,所述构建物品检测模型时:
所述模型构建模块,用于获取第二样本数据,所述第二样本数据包括至少一张图片,每张图片中包含的每个物品的位置被标注,每个物品对应的种类信息被标注为第一类别;将所述第二样本数据输入预设的模型算法进行训练得到所述物品检测模型。
9.根据权利要求8所述的装置,其特征在于,
所述第一样本数据中每张图片包含一个第二类别的至少一个物品;
所述第二样本数据中每张图片包含至少一个第二类别的至少一个物品。
10.根据权利要求6所述的装置,其特征在于,
在所述第一数据标注模块通过所述物品检测模型识别第一样本数据,对所述每张图片中的每个物品的位置进行标注,并将每个物品的种类信息标注为第一类别之后:
所述信息获取模块,还用于获取已标注的第一样本数据中每张图片中未识别出的物品的位置信息和第二类别;
所述第二数据标注模块,还用于根据获取的位置信息对该物品的位置进行标注,并将该物品的种类信息标注为获取的第二类别;
或者,
所述信息获取模块,还用于获取已标注的第一样本数据中每张图片中位置标注错误的物品的位置信息;
所述第二数据标注模块,还用于根据获取的位置信息对该物品的位置进行标注。
11.一种计算可读存储介质,其特征在于,包括一组计算机指令,所述计算机指令用于执行权利要求1-5中任一项的数据标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600329.7A CN111738183B (zh) | 2020-06-28 | 2020-06-28 | 一种数据标注方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010600329.7A CN111738183B (zh) | 2020-06-28 | 2020-06-28 | 一种数据标注方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738183A true CN111738183A (zh) | 2020-10-02 |
CN111738183B CN111738183B (zh) | 2023-07-25 |
Family
ID=72651524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010600329.7A Active CN111738183B (zh) | 2020-06-28 | 2020-06-28 | 一种数据标注方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738183B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110652A (zh) * | 2019-05-05 | 2019-08-09 | 达闼科技(北京)有限公司 | 一种目标检测方法、电子设备及存储介质 |
CN110378420A (zh) * | 2019-07-19 | 2019-10-25 | Oppo广东移动通信有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
CN111061898A (zh) * | 2019-12-13 | 2020-04-24 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
-
2020
- 2020-06-28 CN CN202010600329.7A patent/CN111738183B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110652A (zh) * | 2019-05-05 | 2019-08-09 | 达闼科技(北京)有限公司 | 一种目标检测方法、电子设备及存储介质 |
CN110378420A (zh) * | 2019-07-19 | 2019-10-25 | Oppo广东移动通信有限公司 | 一种图像检测方法、装置及计算机可读存储介质 |
CN111061898A (zh) * | 2019-12-13 | 2020-04-24 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111738183B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340126B (zh) | 物品识别方法、装置、计算机设备和存储介质 | |
US11853347B2 (en) | Product auditing in point-of-sale images | |
CN108345912A (zh) | 一种基于rgbd信息与深度学习的商品快速结算系统 | |
CN107403128B (zh) | 一种物品识别方法及装置 | |
CN105678322A (zh) | 样本标注方法和装置 | |
CN111507253B (zh) | 基于人工智能的陈列物品审核方法、装置 | |
CN109977824B (zh) | 物品取放识别方法、装置及设备 | |
CN111161346B (zh) | 将商品在货架中进行分层的方法、装置和电子设备 | |
US11748787B2 (en) | Analysis method and system for the item on the supermarket shelf | |
CN111310826A (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
JPWO2016063483A1 (ja) | 自動販売機認識装置、商品棚認識装置、自動販売機認識方法、プログラムおよび画像処理装置 | |
CN111144493A (zh) | 一种自动识别算法指标测试的方法、存储介质及电子终端 | |
US8655016B2 (en) | Example-based object retrieval for video surveillance | |
CN112580734A (zh) | 目标检测模型训练方法、系统、终端设备及存储介质 | |
CN111124863B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN105183857A (zh) | 一种自动的图片训练样本提取方法及系统 | |
CN113934888A (zh) | 视频标签处理方法及装置 | |
CN117115569B (zh) | 基于机器学习的物像自动识别分类方法及系统 | |
CN111241330B (zh) | 一种商品图片的审核方法、装置 | |
CN111738183B (zh) | 一种数据标注方法和装置 | |
CN116109992A (zh) | 一种货架商品的识别方法及系统 | |
CN110580299B (zh) | 生成对象的推荐语的配图的方法、系统、设备及存储介质 | |
CN110956422A (zh) | 商品入库的管理方法、装置及系统、可读存储介质 | |
CN110738260A (zh) | 一种零售门店太空箱摆放检测方法、装置和设备 | |
CN112131418A (zh) | 目标标注方法、目标标注装置和计算机可读存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201111 Building 8, No. 207, Zhongqing Road, Minhang District, Shanghai Applicant after: Dayu robot Co.,Ltd. Address before: 201111 2nd floor, building 2, no.1508, Kunyang Road, Minhang District, Shanghai Applicant before: Dalu Robot Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |