CN111814633A - 陈列场景检测方法、装置、设备以及存储介质 - Google Patents
陈列场景检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111814633A CN111814633A CN202010609301.XA CN202010609301A CN111814633A CN 111814633 A CN111814633 A CN 111814633A CN 202010609301 A CN202010609301 A CN 202010609301A CN 111814633 A CN111814633 A CN 111814633A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- determining
- detected
- display scene
- 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
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V2201/07—Target detection
Abstract
本申请公开了一种陈列场景检测方法、装置、设备以及存储介质,涉及图像处理、深度学习技术领域,尤其涉及人工智能和计算机视觉技术领域。具体实现方案为:对待检测图像进行设定深度的全局特征提取,其中所述设定深度小于深度阈值;根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。根据本申请的技术实现了陈列场景的自动检测,且在保证检测准确率的同时,降低了检测带来的计算量。
Description
技术领域
本申请涉及图像处理、深度学习技术领域,尤其涉及人工智能和计算机视觉技术领域。具体地,本申请实施例提供一种陈列场景检测方法、装置、设备以及存储介质。
背景技术
在快销品市场中,据统计,线上快销品尽管带动了整体销售额快速增长,单线下销售额仍占全国快销品销售额的74%。数据显示线下店面依旧是目前重要的销售渠道。
通常为掌握一线销售的实际执行情况,品牌商会指派巡店人员或者借助调研机构,到线下门店进行实地调研。人工观察记录产品的分销、促销与陈列情况。
发明内容
本公开提供了一种陈列场景检测方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种陈列场景检测方法,包括:
对待检测图像进行设定深度的全局特征提取,其中所述设定深度小于深度阈值;
根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
根据本公开的另一方面,提供了一种陈列场景检测装置,包括:
特征提取模块,用于对待检测图像进行设定深度的全局特征提取,其中所述设定深度小于深度阈值;
特征确定模块,用于根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
信息确定模块,用于根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
根据本公开的又一方面,提供了一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例中任一项所述的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请实施例中任一项所述的方法。
根据本申请的技术实现了陈列场景的自动检测,且在保证检测准确率的同时,降低了检测带来的计算量。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种陈列场景检测方法的流程图;
图2是本申请实施例提供的另一种陈列场景检测方法的流程图;
图3是本申请实施例提供的又一种陈列场景检测方法的流程图;
图4是本申请实施例提供的又一种陈列场景检测方法的流程图;
图5是本申请实施例提供的又一种陈列场景检测方法的流程图;
图6是本申请实施例提供的一种模型结构示意图;
图7是本申请实施例提供的一种场景检测效果示意图;
图8是本申请实施例提供的一种陈列场景检测装置的结构示意图;
图9是根据本申请实施例的陈列场景检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是本申请实施例提供的一种陈列场景检测方法的流程图。本申请实施例可适用于对图像进行陈列场景信息检测的情况,典型地,陈列场景信息可以是陈列场景的类型或陈列场景在图像中的位置。该方法可以由一种陈列场景检测装置来执行,该装置可以由软件和/或硬件的方式实现。参见图1,本申请实施例提供的陈列场景检测方法包括:
S110、对待检测图像进行全局特征提取。
其中,待检测图像是指待进行陈列场景检测的图像。
陈列场景是陈列物品的场景。
示例性地,陈列场景可以是普通货架、立式冰箱陈列、卧式冰箱陈列、端架、冷风柜、地堆、割箱、陈列架、陈列挂架、热饮机或其他的场景。
全局特征提取,是指提取待检测图像的全局特征。
全局特征是指图像的整体属性。
可选地,可以基于任意特征提取方法实现对待检测图像的全局特征的提取。例如,基于模板的方法、基于边缘的方法或基于空间变换的方法等。
S120、根据提取到的全局特征,确定所述待检测图像的至少一个局部特征。
其中,局部特征是指图像的局部属性。
在一个实施例中,根据提取到的全局特征,确定所述待检测图像的至少一个局部特征,可以包括:
对全局特征矩阵进行划分,得到至少两个特征子矩阵;
从所述至少两个特征子矩阵中的各特征子矩阵或部分特征子矩阵中提取待检测图像的至少一个局部特征。
S130、根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
其中,陈列场景信息是描述陈列场景的信息。
示例性地,陈列场景信息可以陈列场景的类型以及陈列场景的在待检测图像的位置。
在一个实施例中,可以基于模板匹配算法,根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景的类型和位置。
具体地,基于模板匹配算法,根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景的类型和位置,包括:
以预设陈列场景的特征矩阵为模板,在待检测图像的全局特征矩阵上进行滑动匹配;
若匹配结果满足设定条件,则匹配满足设定条件的待检测图像的局部特征矩阵和设定陈列场景的特征矩阵;
根据匹配结果,确定所述待检测图像中的陈列场景的类型和位置。
本申请实施例的技术方案,通过根据全局特征和至少一个局部特征,确定待检测图像中的陈列场景信息,从而实现了陈列场景的自动检测,进而提高了检测效率,降低了检测成本。
此外,通过限制特征提取的深度以降低特征提取带来的计算量。因为全局特征的提取深度小,所以全局特征的特征表达能力弱。本方案通过增加至少一个局部特征的方式,以解决特征表达能力弱的问题。因此,本方案可以实现在保证特征表达能力的基础上,降低方案的计算量。
图2是本申请实施例提供的另一种陈列场景检测方法的流程图。本方案是在上述实施例的基础上,对步骤“根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息”的具体优化。参见图2,本方案提供的陈列场景方法包括:
S210、对待检测图像进行全局特征提取。
S220、根据提取到的全局特征,确定所述待检测图像的至少一个局部特征。
S230、确定所述全局特征的聚合权重。
其中,聚合权重是在聚合全局特征和局部特征时,全局特征的权重。
在一个实施例中,该权重可以根据经验人为设定。
在另一个实施例中,确定所述全局特征的聚合权重,可以包括:
匹配所述待检测图像的所属场景信息与设定场景信息;
将匹配一致的设定场景信息关联的权重作为所述聚合权重。
S240、根据所述聚合权重,对所述全局特征进行加权。
S250、根据加权后的全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
本方案通过对全局特征进行加权,并根据加权后的全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息,从而实现基于场景的特征自适应融合,提高特征的表达能力,进而提高陈列场景的准确率。
图3是本申请实施例提供的又一种陈列场景检测方法的流程图。本方案是在上述方案的基础上,对步骤“根据提取到的全局特征,确定所述待检测图像的至少一个局部特征”的具体优化。参见图3,本方案提供的陈列场景检测方法包括:
S310、对待检测图像进行全局特征提取。
S320、基于至少一个池化层,根据所述全局特征,确定所述至少一个局部特征。
其中所述至少一个池化层具有至少一种内核尺寸,且所述至少一种内核尺寸均小于所述全局特征的特征维度。
池化层是神经网络模型中的网络层。
该网络层的执行逻辑可以描述为:按照设定步长,利用设定窗口在全局特征矩阵上进行滑动;在每次滑动前,基于窗口关联的计算逻辑,对被窗口覆盖的矩阵元素进行计算,并将计算得到的数值作为局部特征矩阵中的一矩阵元素。
上述内核尺寸即为设定窗口的尺寸。
全局特征矩阵是指描述全局特征的数据矩阵。
局部特征矩阵是指描述局部特征的数据矩阵。
S330、根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
本方案通过基于至少一个池化层,根据全局特征,确定至少一个局部特征。因为基于至少一个池化层可以实现基于不同内核尺寸的特征提取,所以本方法可以提高局部特征的丰富度。
图4是本申请实施例提供的又一种陈列场景检测方法的流程图。本方案是在上述方案的基础上,以上述陈列场景检测方法中的执行逻辑基于目标检测模型的网络层实现为例,对上述方案的进一步扩展。参见图4,本申请实施例提供的陈列场景检测方法,包括:
S410、检测样本图像中的陈列场景信息。
其中,样本图像是作为模型训练样本的图像。
可选地,可以基于任意目标检测算法检测样本图像中的陈列场景信息。
典型地,基于预先训练的标注检测模型,检测样本图像中的陈列场景信息。其中标注检测模型中用于特征提取的网络层数大于设定层数阈值,以实现对陈列场景信息的准确检测。
S420、匹配所述样本图像中标注的陈列场景信息和检测得到的陈列场景信息。
S430、根据匹配结果,对所述样本图像进行过滤。
在一个实施例中,根据匹配结果,对所述样本图像进行过滤,可以包括:过滤匹配不一致的样本图像。
S440、利用剩余的样本图像训练初始模型,得到目标检测模型。
其中,剩余的样本图像是经过过滤的样本图像。
S450、基于目标检测模型中的网络层实现陈列场景检测逻辑。
其中,陈列场景检测逻辑包括:
对待检测图像进行全局特征提取;
根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
本方案通过匹配样本图像中标注的陈列场景信息和检测得到的陈列场景信息,从而过滤匹配不一致的样本图像,进而实现对样本图像的清洗,提高样本图像的准确率。
为进一步提高目标检测模型的准确率,对初始模型训练之前,所述方法还包括:
调整样本图像中易出错样本图像和易检测样本图像的占比。
其中易出错样本图像的占比大于易检测样本图像的占比。
易出错样本图像是指检测准确率小于第一准确率阈值的样本图像,也即容易检测错误的样本图像。
易检测样本图像是指检测准确率大于第二准确率阈值的样本图像,也即不容易检测错误的样本图像。
第一准确率阈值和第二准确率阈值可以根据实际需要设定。
图5是本申请实施例提供的又一种陈列场景检测方法的流程图。本方案是在上述方案的基础上,继续以上述陈列场景检测方法中的执行逻辑基于目标检测模型的网络层实现为例,对上述方案的进一步扩展。参见图5,本申请实施例提供的陈列场景检测方法,包括:
S510、确定计算初始模型输出的陈列场景的预测检测框与该陈列场景的真值检测框之间交并比的函数。
其中预测检测框是指初始模型输出的对陈列场景的检测框。
真值检测框是指标识陈列场景在图像中真实位置的检测框。
S520、将该函数作为所述初始模型的损失函数。
S530、基于该损失函数对所述初始模型进行训练,得到目标检测模型。
S540、基于目标检测模型中的网络层实现陈列场景检测逻辑。
其中,陈列场景检测逻辑包括:
对待检测图像进行全局特征提取;
根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
本方案通过利用检测框的交并比确定模型损失,因为交并比相比检测框中心点间的距离能更准确地描述模型损失,所以本方案可以提高模型损失的准确率。
为解决正负样本不平衡的问题,选择Focal loss作为上述初始模型的另一损失函数。
其中Focal Loss是在交叉熵损失函数基础上进行的修改,Focal loss通过减少易分类样本的权重,从而使得模型在训练时更专注于难分类的样本。
本方案是在上述方案的基础上,提出的一种可选方案。本方案提供的陈列场景检测方法包括:
将待检测图像输入预先训练的目标检测模型,输出待检测图像中的陈列场景信息。
其中,目标检测模型以YoloV3为模型框架,以轻量级的MoblinetV1模型作为YoloV3中的特征提取模型,在特征提取模型之后增加了空间池化金字塔网络(SpatialPyramid Pooling,SPP)进行特征聚合。
此外,将模型框架中的原上采样层修改为了转置卷积,因为转置卷积能够通过参数的学习来获取更多有用的信息。参见图6,从功能上目标检测模型可以分为三部分,分别是特征提取、特征聚合和检测头部。特征聚合中的超参数是指上述聚合权重。
目标检测模型通过使用IOU loss(交并比损失)和Focal loss作为损失函数训练得到。
基于预先训练的模型SeNet15对标注的样本数据进行过滤,并提高易检测错误的样本图像的占比。
在一个实施例中,易检测错误的样本图像可以包括拍摄的场景不完整的图像,也即仅包括局部场景的图像。易检测错误的样本图像还可以包括既可以认为它是货架,也可以认为是端架的图像。
示例性地,参见图7,基于上述方案实现了对图像中堆头陈列场景的检测。
本方案的优点可以总结如下:
相对于传统方法,本方法采用智能化巡检方案,进行实时数据处理,节约人力成本,客观处理数据,降低误差产生。
在特征抽取中利用轻量级MobileNet模型达到快速的检测应用,而为了弥补轻量级模型缺乏特征表达能力,在模型中增加改进版的空间金字塔网络进行特征聚合。
基于聚合权重,将全局特征自适应的与局部特征进行融合,达到丰富特征达能力的目的,并且这种方法并未增加时间开销。
在检测头部将上采样替换为可参数学习的转置卷积扩增分辨率。
模型训练中对在目标定位的约束从欧式距离损失更改为IOU loss,以提高场景检测效果。
除此之外,使用深度模型去除标注噪声。通过调整样本图像中易出错样本图像和易检测样本图像的占比解决类间距离小难以区分的问题。
最后使用Focal loss来处理场景中的样本不平衡问题。
基于上述优化,最后得到一个精准高效的巡检场景检测模型,能够应用在实际的场景中,自动化的解决巡检场景识别问题。
图8是本申请实施例提供的一种陈列场景检测装置的结构示意图。参见图8,本实施例提供的一种陈列场景检测装置800,包括:特征提取模块801、特征确定模块802和信息确定模块803。
其中,特征提取模块801,用于对待检测图像进行设定深度的全局特征提取,其中所述设定深度小于深度阈值;
特征确定模块802,用于根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
信息确定模块803,用于根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
本申请实施例的技术方案,通过根据全局特征和至少一个局部特征,确定待检测图像中的陈列场景信息,从而实现了陈列场景的自动检测,进而提高了检测效率,降低了检测成本。
此外,通过限制特征提取的深度以降低特征提取带来的计算量。因为全局特征的提取深度小,所以全局特征的特征表达能力弱。本方案通过增加至少一个局部特征的方式,以解决特征表达能力弱的问题。因此,本方案可以实现在保证特征表达能力的基础上,降低方案的计算量。
进一步地,所述信息确定模块,包括:
权重确定单元,用于确定所述全局特征的聚合权重;
特征加权单元,用于根据所述聚合权重,对所述全局特征进行加权;
信息确定单元,用于根据加权后的全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
进一步地,所述权重确定单元具体用于:
匹配所述待检测图像的所属场景信息与设定场景信息;
将匹配一致的设定场景信息关联的权重作为所述聚合权重。
进一步地,所述特征确定模块,包括:
特征确定单元,用于基于至少一个池化层,根据所述全局特征,确定所述至少一个局部特征;
其中所述至少一个池化层具有至少一种内核尺寸,且所述至少一种内核尺寸均小于所述全局特征的特征维度。
进一步地,所述装置还包括:
信息检测模块,用于若所述方法中的执行逻辑基于目标检测模型的网络层实现,则对待检测图像进行全局特征提取之前,检测样本图像中的陈列场景信息;
信息匹配模块,用于匹配所述样本图像中标注的陈列场景信息和检测得到的陈列场景信息;
样本过滤模块,用于根据匹配结果,对所述样本图像进行过滤;
模型训练模块,用于利用剩余的样本图像训练初始模型,得到所述目标检测模型。
进一步地,所述装置还包括:
交并比函数确定模块,用于若所述方法中的执行逻辑基于目标检测模型的网络层实现,则对待检测图像进行全局特征提取之前,确定计算初始模型输出的陈列场景的预测检测框与该陈列场景的真值检测框之间交并比的函数;
损失函数确定模块,用于将该函数作为所述初始模型的损失函数;
检测模型确定模块,用于基于该损失函数对所述初始模型进行训练,得到所述目标检测模型。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图9所示,是根据本申请实施例的陈列场景检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的陈列场景检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的陈列场景检测方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的陈列场景检测方法对应的程序指令/模块(例如,附图8所示的特征提取模块801、特征确定模块802和信息确定模块803)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的陈列场景检测方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据陈列场景检测电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至陈列场景检测电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
陈列场景检测方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与陈列场景检测电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请的技术实现了陈列场景的自动检测,且在保证检测准确率的同时,降低了检测带来的计算量。应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种陈列场景检测方法,包括:
对待检测图像进行设定深度的全局特征提取,其中所述设定深度小于深度阈值;
根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
2.根据权利要求1所述的方法,其中,所述根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息,包括:
确定所述全局特征的聚合权重;
根据所述聚合权重,对所述全局特征进行加权;
根据加权后的全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
3.根据权利要求2所述的方法,其中,所述确定所述全局特征的聚合权重,包括:
匹配所述待检测图像的所属场景信息与设定场景信息;
将匹配一致的设定场景信息关联的权重作为所述聚合权重。
4.根据权利要求1-3中任一所述的方法,其中,所述根据提取到的全局特征,确定所述待检测图像的至少一个局部特征,包括:
基于至少一个池化层,根据所述全局特征,确定所述至少一个局部特征;
其中所述至少一个池化层具有至少一种内核尺寸,且所述至少一种内核尺寸均小于所述全局特征的特征维度。
5.根据权利要求1-3中任一所述的方法,若所述方法中的执行逻辑基于目标检测模型的网络层实现,则对待检测图像进行全局特征提取之前,所述方法还包括:
检测样本图像中的陈列场景信息;
匹配所述样本图像中标注的陈列场景信息和检测得到的陈列场景信息;
根据匹配结果,对所述样本图像进行过滤;
利用剩余的样本图像训练初始模型,得到所述目标检测模型。
6.根据权利要求1-3中任一所述的方法,若所述方法中的执行逻辑基于目标检测模型的网络层实现,则对待检测图像进行全局特征提取之前,所述方法还包括:
确定计算初始模型输出的陈列场景的预测检测框与该陈列场景的真值检测框之间交并比的函数;
将该函数作为所述初始模型的损失函数;
基于该损失函数对所述初始模型进行训练,得到所述目标检测模型。
7.一种陈列场景检测装置,包括:
特征提取模块,用于对待检测图像进行设定深度的全局特征提取,其中所述设定深度小于深度阈值;
特征确定模块,用于根据提取到的全局特征,确定所述待检测图像的至少一个局部特征;
信息确定模块,用于根据所述全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
8.根据权利要求7所述的装置,其中,所述信息确定模块,包括:
权重确定单元,用于确定所述全局特征的聚合权重;
特征加权单元,用于根据所述聚合权重,对所述全局特征进行加权;
信息确定单元,用于根据加权后的全局特征和所述至少一个局部特征,确定所述待检测图像中的陈列场景信息。
9.根据权利要求8所述的装置,其中,所述权重确定单元具体用于:
匹配所述待检测图像的所属场景信息与设定场景信息;
将匹配一致的设定场景信息关联的权重作为所述聚合权重。
10.根据权利要求7-9中任一所述的装置,其中,所述特征确定模块,包括:
特征确定单元,用于基于至少一个池化层,根据所述全局特征,确定所述至少一个局部特征;
其中所述至少一个池化层具有至少一种内核尺寸,且所述至少一种内核尺寸均小于所述全局特征的特征维度。
11.根据权利要求7-9中任一所述的装置,所述装置还包括:
信息检测模块,用于若所述方法中的执行逻辑基于目标检测模型的网络层实现,则对待检测图像进行全局特征提取之前,检测样本图像中的陈列场景信息;
信息匹配模块,用于匹配所述样本图像中标注的陈列场景信息和检测得到的陈列场景信息;
样本过滤模块,用于根据匹配结果,对所述样本图像进行过滤;
模型训练模块,用于利用剩余的样本图像训练初始模型,得到所述目标检测模型。
12.根据权利要求7-9中任一所述的装置,所述装置还包括:
交并比函数确定模块,用于若所述方法中的执行逻辑基于目标检测模型的网络层实现,则对待检测图像进行全局特征提取之前,确定计算初始模型输出的陈列场景的预测检测框与该陈列场景的真值检测框之间交并比的函数;
损失函数确定模块,用于将该函数作为所述初始模型的损失函数;
检测模型确定模块,用于基于该损失函数对所述初始模型进行训练,得到所述目标检测模型。
13.一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010609301.XA CN111814633B (zh) | 2020-06-29 | 2020-06-29 | 陈列场景检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010609301.XA CN111814633B (zh) | 2020-06-29 | 2020-06-29 | 陈列场景检测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814633A true CN111814633A (zh) | 2020-10-23 |
CN111814633B CN111814633B (zh) | 2023-06-27 |
Family
ID=72856333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010609301.XA Active CN111814633B (zh) | 2020-06-29 | 2020-06-29 | 陈列场景检测方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814633B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487524A (zh) * | 2021-04-07 | 2021-10-08 | 北京百度网讯科技有限公司 | 图像格式转换方法、装置、设备、存储介质及程序产品 |
CN113627508A (zh) * | 2021-08-03 | 2021-11-09 | 北京百度网讯科技有限公司 | 陈列场景识别方法、装置、设备以及存储介质 |
CN115482533A (zh) * | 2022-09-19 | 2022-12-16 | 北京百度网讯科技有限公司 | 陈列柜的拆分方法、装置、电子设备及存储介质 |
CN116704234A (zh) * | 2023-04-10 | 2023-09-05 | 广州市玄武无线科技股份有限公司 | 一种陈列场景类型的检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710847A (zh) * | 2018-05-15 | 2018-10-26 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
CN109815770A (zh) * | 2019-01-31 | 2019-05-28 | 北京旷视科技有限公司 | 二维码检测方法、装置及系统 |
CN110705620A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 |
WO2020086217A1 (en) * | 2018-10-26 | 2020-04-30 | Siemens Aktiengesellschaft | Learning keypoints and matching rgb images to cad models |
-
2020
- 2020-06-29 CN CN202010609301.XA patent/CN111814633B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710847A (zh) * | 2018-05-15 | 2018-10-26 | 北京旷视科技有限公司 | 场景识别方法、装置及电子设备 |
WO2020086217A1 (en) * | 2018-10-26 | 2020-04-30 | Siemens Aktiengesellschaft | Learning keypoints and matching rgb images to cad models |
CN109815770A (zh) * | 2019-01-31 | 2019-05-28 | 北京旷视科技有限公司 | 二维码检测方法、装置及系统 |
CN110705620A (zh) * | 2019-09-25 | 2020-01-17 | 广州市玄武无线科技股份有限公司 | 一种基于翻拍识别的陈列图像检测方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
YANSHUAI DAI等: "Detection of Vegetation Areas Attacked By Pests and Diseases Based on Adaptively Weighted Enhanced Global and Local Deep Features", IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, pages 6495 - 6498 * |
谢毓湘等: "一种基于局部不变特征的图像特定场景检测方法", 国防科技大学学报, pages 78 - 83 * |
赵冰;李平;代明睿;马小宁;: "基于深度学习的铁路图像场景分类优化研究", 计算机系统应用, no. 06, pages 230 - 236 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487524A (zh) * | 2021-04-07 | 2021-10-08 | 北京百度网讯科技有限公司 | 图像格式转换方法、装置、设备、存储介质及程序产品 |
CN113487524B (zh) * | 2021-04-07 | 2023-05-12 | 北京百度网讯科技有限公司 | 图像格式转换方法、装置、设备、存储介质及程序产品 |
CN113627508A (zh) * | 2021-08-03 | 2021-11-09 | 北京百度网讯科技有限公司 | 陈列场景识别方法、装置、设备以及存储介质 |
CN115482533A (zh) * | 2022-09-19 | 2022-12-16 | 北京百度网讯科技有限公司 | 陈列柜的拆分方法、装置、电子设备及存储介质 |
CN116704234A (zh) * | 2023-04-10 | 2023-09-05 | 广州市玄武无线科技股份有限公司 | 一种陈列场景类型的检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111814633B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220383535A1 (en) | Object Tracking Method and Device, Electronic Device, and Computer-Readable Storage Medium | |
US11694461B2 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
CN111814633A (zh) | 陈列场景检测方法、装置、设备以及存储介质 | |
CN112241452B (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN111598164B (zh) | 识别目标对象的属性的方法、装置、电子设备和存储介质 | |
CN110659600B (zh) | 物体检测方法、装置及设备 | |
US20210312799A1 (en) | Detecting traffic anomaly event | |
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN110717933B (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
US11354887B2 (en) | Coin identification method, device, and cash register | |
CN111275011B (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
CN111814628B (zh) | 陈列立柜识别方法、装置、设备以及存储介质 | |
WO2024031898A1 (zh) | 一种商品价格识别方法、装置、设备及存储介质 | |
EP3852007A2 (en) | Method, apparatus, electronic device, readable storage medium and program for classifying video | |
CN111881908A (zh) | 目标检测模型的修正方法、检测方法、装置、设备及介质 | |
CN111783639A (zh) | 图像检测方法、装置、电子设备及可读存储介质 | |
CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
CN112149741A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112288699A (zh) | 图像相对清晰度的评估方法、装置、设备和介质 | |
CN112561879A (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN112749701B (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
CN111696095B (zh) | 用于检测物体表面缺陷的方法及装置 | |
CN111832658B (zh) | 兴趣点信息处理方法、装置、电子设备和存储介质 | |
CN111563541B (zh) | 图像检测模型的训练方法和装置 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |